本發(fā)明涉及數(shù)據(jù)處理，具體涉及一種行人步態(tài)的識別模型訓練方法、識別方法及裝置。

背景技術：

1、隨著城市化進程不斷加快，機動車數(shù)量不斷增加，隨之而來也產生了很多城市交通擁堵、停車矛盾等問題，為此，依托人工智能算法、云服務平臺、智能硬件設備以及邊緣端計算設備等，實現(xiàn)了智能化的城市交通管理系統(tǒng)，能夠實時、精確的對交通信息進行收集、處理、反饋的智能化管理系統(tǒng)。

2、目前，對于行人重識別任務，主要應用人臉識別、行人的外觀特征來進行行人的重識別，但是，在監(jiān)控視角下，當拍攝的人臉圖像較模糊、人臉被遮擋、以及行人通過換裝改變外觀特征等情況下，利用上述方法會導致識別結果不準確。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種行人步態(tài)的識別模型訓練方法、識別方法及裝置，解決了現(xiàn)有技術中識別結果誤差大的問題。

2、根據(jù)第一方面，本發(fā)明實施例提供了一種行人步態(tài)的識別模型訓練方法，包括：

3、獲取行人步態(tài)的歷史數(shù)據(jù)，對所述歷史數(shù)據(jù)進行標注，確定標簽信息；

4、對所述歷史數(shù)據(jù)進行特征提取，確定訓練數(shù)據(jù)集；

5、利用所述訓練數(shù)據(jù)集以及所述標簽信息，對行人步態(tài)的識別模型進行訓練，生成目標行人步態(tài)的識別模型。

6、結合第一方面，在第一方面第一實施方式中，所述對所述歷史數(shù)據(jù)進行標注，確定標簽信息，包括：所述歷史數(shù)據(jù)為圖像數(shù)據(jù)，

7、對所述圖像數(shù)據(jù)進行行人目標檢測，利用二維檢測框對行人檢測結果進行標注，確定行人目標標簽；

8、對所述圖像數(shù)據(jù)進行行人步態(tài)檢測，利用coco人體姿態(tài)數(shù)據(jù)集的標注方式對步態(tài)檢測結果進行標注，確定所述行人步態(tài)的各個關鍵點標簽；

9、根據(jù)所述行人目標標簽和各個所述關鍵點標簽，確定所述標簽信息。

10、結合第一方面第一實施方式，在第一方面第二實施方式中，所述對所述圖像數(shù)據(jù)進行行人目標檢測之后，還包括：

11、獲取行人目標的所述二維檢測框的坐標信息；

12、利用所述坐標信息，在所述圖像數(shù)據(jù)中將行人目標摳取出來，確定扣取圖像；

13、利用預設尺寸對所述扣取圖像進行尺寸統(tǒng)一操作，確定目標扣取圖像。

14、結合第一方面第二實施方式，在第一方面第三實施方式中，所述對所述圖像數(shù)據(jù)進行行人步態(tài)檢測之后，還包括：

15、判斷所述目標扣取圖像是否滿足預設傾斜要求，當不滿足所述預設傾斜要求時，對所述行人步態(tài)的各個關鍵點進行仿射變換，確定第一變換圖像；

16、當滿足所述預設傾斜要求時，將所述目標扣取圖像確定為所述第一變換圖像；

17、根據(jù)預設行人身高參數(shù)對所述第一變換圖像進行行人尺寸變換，確定第二變換圖像；

18、在所述第二變換圖像中獲取行人關鍵點坐標，利用所述行人關鍵點坐標及預設中心點坐標，確定關鍵點對齊坐標。

19、結合第一方面，在第一方面第四實施方式中，所述對所述歷史數(shù)據(jù)進行特征提取，確定訓練數(shù)據(jù)集，包括：

20、構建行人目標檢測網(wǎng)絡，所述行人目標檢測網(wǎng)絡包括特征提取網(wǎng)絡和目標檢測網(wǎng)絡；

21、利用所述特征提取網(wǎng)絡對所述歷史數(shù)據(jù)進行特征提取，輸出所述歷史數(shù)據(jù)的特征數(shù)據(jù)，包括所述行人目標的長和寬；

22、利用所述目標檢測網(wǎng)絡對進行二維目標檢測，輸出所述行人目標的類別及位置信息；

23、

24、其中，oi表示為第i個目標，ci表示該提取目標的類別，xi，yi分別為該目標矩形框的中心點位置坐標，wi，hi分別為該目標的長和寬。

25、結合第一方面第四實施方式，在第一方面第五實施方式中，所述對所述歷史數(shù)據(jù)進行特征提取，確定訓練數(shù)據(jù)集，還包括：

26、構建行人姿態(tài)識別網(wǎng)絡，所述行人姿態(tài)識別網(wǎng)絡包括骨干網(wǎng)絡、特征聚合網(wǎng)絡、關鍵點預測網(wǎng)絡；

27、利用所述骨干網(wǎng)絡對所述歷史數(shù)據(jù)進行特征提取，確定同尺寸圖像；

28、利用所述特征聚合網(wǎng)絡對各個所述同尺寸圖像進行聚合，確定聚合特征圖；

29、利用所述關鍵點預測網(wǎng)絡對所述聚合特征圖進行預測，確定各個關鍵點的分類及位置坐標；

30、將所述行人目標的類別、位置信息、各個關鍵點的分類及位置坐標，確定為訓練數(shù)據(jù)集。

31、結合第一方面第五實施方式，在第一方面第六實施方式中，所述利用所述訓練數(shù)據(jù)集以及所述標簽信息，對行人步態(tài)的識別模型進行訓練，生成目標行人步態(tài)的識別模型，包括：

32、構建行人步態(tài)的識別模型；

33、根據(jù)所述所述訓練數(shù)據(jù)集以及所述標簽信息確定修訂參數(shù)；

34、利用損失函數(shù)及所述修訂參數(shù)對所述識別模型進行訓練，生成目標行人步態(tài)的識別模型。

35、本發(fā)明實施例提供的行人步態(tài)的識別模型訓練方法，基于行人的姿態(tài)檢測算法，得到描述行人姿態(tài)的關鍵點坐標，然后利用行人姿態(tài)轉換模塊對行人姿態(tài)進行投影變換、尺度對齊操作，得到統(tǒng)一的姿態(tài)表示，然后利用圖卷積神經(jīng)網(wǎng)絡來進行特征學習，實現(xiàn)行人圖結構局部和全局的關系建立，最后利用池化操作得到最終的行人步態(tài)特征表示以進行識別。

36、根據(jù)第二方面，本發(fā)明實施例提供的識別方法，包括：

37、利用本發(fā)明第一方面任一實施方式中所述的行人步態(tài)的識別模型訓練方法確定目標行人步態(tài)的識別模型；

38、獲取待檢測對象的監(jiān)控場景圖像；

39、利用所述目標行人步態(tài)的識別模型對所述監(jiān)控場景圖像進行識別，確定行人步態(tài)的識別結果。

40、本發(fā)明實施例提供的識別方法，基于行人的姿態(tài)檢測算法，得到描述行人姿態(tài)的關鍵點坐標，然后利用行人姿態(tài)轉換模塊對行人姿態(tài)進行投影變換、尺度對齊操作，得到統(tǒng)一的姿態(tài)表示，然后利用圖卷積神經(jīng)網(wǎng)絡來進行特征學習，實現(xiàn)行人圖結構局部和全局的關系建立，最后利用池化操作得到最終的行人步態(tài)特征表示以進行識別。

41、根據(jù)第三方面，本發(fā)明實施例提供的行人步態(tài)的識別模型訓練裝置，包括：

42、獲取模塊，用于獲取行人步態(tài)的歷史數(shù)據(jù)，對所述歷史數(shù)據(jù)進行標注，確定標簽信息；

43、數(shù)據(jù)處理模塊，用于對所述歷史數(shù)據(jù)進行特征提取，確定訓練數(shù)據(jù)集；

44、訓練模塊，用于利用所述訓練數(shù)據(jù)集以及所述標簽信息，對行人步態(tài)的識別模型進行訓練，生成目標行人步態(tài)的識別模型。

45、根據(jù)第四方面，本發(fā)明實施例提供的邊緣檢測裝置，包括：

46、第一處理模塊，用于利用如本發(fā)明第三方面所述的行人步態(tài)的識別模型訓練裝置，確定目標行人步態(tài)的識別模型；

47、第二處理模塊，用于獲取待檢測對象的監(jiān)控場景圖像；

48、第三處理模塊，用于用于利用所述目標行人步態(tài)的識別模型對所述監(jiān)控場景圖像進行識別，確定行人步態(tài)的識別結果。

49、根據(jù)第五方面，本發(fā)明實施例提供了一種電子設備，包括：存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器中存儲有計算機指令，所述處理器通過執(zhí)行所述計算機指令，從而執(zhí)行第一方面或者第一方面的任意一種實施方式中所述的行人步態(tài)的識別模型訓練方法，或者執(zhí)行第二方面或者第二方面的任意一種實施方式中所述行人步態(tài)的識別方法。

50、根據(jù)第六方面，本發(fā)明實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲計算機指令，所述計算機指令用于使所述計算機執(zhí)行第一方面或者第一方面的任意一種實施方式中所述的行人步態(tài)的識別模型訓練方法，或者執(zhí)行第二方面或者第二方面的任意一種實施方式中所述行人步態(tài)的識別方法