本發明涉及生物識別，特別涉及一種步態識別方法、裝置、設備及存儲介質。

背景技術：

1、步態識別技術，作為一種基于個體行走姿態的身份驗證方法，近年來受到廣泛關注。不同于指紋或虹膜識別，步態識別無需個體主動配合，能夠在個體不知情或遠距離的情況下進行。這一特性使其在監控、安全驗證等領域顯示出獨特的應用價值。步態識別技術主要依賴于視頻監控系統捕獲的行走序列。通過分析這些序列中個體的動態特征，如步長、速度、身體擺動等，步態識別系統能夠識別或驗證個體的身份。早期的步態識別研究側重于從視頻序列中手動提取特征，然后利用這些特征進行個體識別。這樣一來，在處理大規模數據時，往往需要較高的計算資源，這限制了它們在實時監控系統中的應用。因此，如何提高步態識別技術的效率和準確率是需要解決的。

技術實現思路

1、有鑒于此，本發明的目的在于提供一種步態識別方法、裝置、設備及存儲介質，能夠提高步態識別技術的效率和準確率。其具體方案如下：

2、第一方面，本申請公開了一種步態識別方法，包括：

3、利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列，并基于動態時間歸一化技術對所述目標步態序列進行時間序列對齊處理以生成步態能量圖；

4、將所述步態能量圖輸入到預設深度神經網絡卷積模型中以提取所述步態能量圖中的空間注意力特征和通道注意力特征，并對所述空間注意力特征和所述通道注意力特征進行特征融合以得到增強后特征圖；

5、對所述增強后特征圖進行特征整合以得到整合后向量，并將所述整合后向量映射至預設身份輸出標簽空間中以得到身份預測輸出向量；

6、將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布，并根據所述步態概率分布確定對應的步態識別預測結果。

7、可選的，所述利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列，包括：

8、獲取待識別視頻序列，并利用背景差分技術、陰影去除技術和動態閾值處理技術從所述待識別視頻序列中分割出行人圖像以得到目標步態序列。

9、可選的，所述基于動態時間歸一化技術對所述目標步態序列進行時間序列對齊處理以生成步態能量圖，包括：

10、通過預設遞歸公式計算所述目標步態序列中各步態時間序列之間的最小距離以得到所述各步態時間序列之間的最佳匹配路徑，并基于所述最小累積距離對所述各步態時間序列進行對齊處理以得到所述目標步態序列對應的步態能量圖。

11、可選的，所述將所述步態能量圖輸入到預設深度神經網絡卷積模型中以提取所述步態能量圖中的空間注意力特征和通道注意力特征，包括：

12、利用預設深度神經網絡卷積模型提取所述步態能量圖中的目標特征，并利用所述預設深度神經網絡卷積模型中的空間注意力機制和通道注意力機制分別對所述目標特征進行處理以得到所述步態能量圖中的空間注意力特征和通道注意力特征。

13、可選的，所述利用所述預設深度神經網絡卷積模型中的空間注意力機制和通道注意力機制分別對所述目標特征進行處理以得到所述步態能量圖中的空間注意力特征和通道注意力特征，包括：

14、通過所述預設深度神經網絡卷積模型中的空間注意力機制利用sigmoid激活函數確定所述目標特征的空間權重以得到空間注意力特征；

15、通過所述預設深度神經網絡卷積模型中的通道注意力機制利用全局平均池化和全連接層確定所述目標特征的通道權重以得到通道注意力特征。

16、可選的，所述將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布之前，還包括：

17、將預設訓練分類函數輸入至初始分類器中以得到各預設身份標簽對應的預測步態概率分布，并基于預設交叉熵損失函數確定各所述預設身份標簽對應的所述預測步態概率分布與預設真實概率之間的概率差值；

18、利用預設反向傳播算法、所述概率差值確定所述初始分類器的梯度，并利用預設優化算法和所述梯度對所述初始分類器的模型參數進行更新以得到所述預設分類器。

19、可選的，所述將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布，并根據所述步態概率分布確定對應的步態識別預測結果，包括：

20、將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的激活值，并利用sigmoid激活函數將所述激活值轉化為步態概率分布；

21、將所述步態概率分布中概率值最高的身份標簽確定對應的步態識別預測結果。

22、第二方面，本申請公開了一種步態識別裝置，包括：

23、步態能量圖生成模塊，用于利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列，并基于動態時間歸一化技術對所述目標步態序列進行時間序列對齊處理以生成步態能量圖；

24、特征提取模塊，用于將所述步態能量圖輸入到預設深度神經網絡卷積模型中以提取所述步態能量圖中的空間注意力特征和通道注意力特征，并對所述空間注意力特征和所述通道注意力特征進行特征融合以得到增強后特征圖；

25、向量映射模塊，用于對所述增強后特征圖進行特征整合以得到整合后向量，并將所述整合后向量映射至預設身份輸出標簽空間中以得到身份預測輸出向量；

26、步態識別模塊，用于將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布，并根據所述步態概率分布確定對應的步態識別預測結果。

27、第三方面，本申請公開了一種電子設備，包括：

28、存儲器，用于保存計算機程序；

29、處理器，用于執行所述計算機程序以實現前述的步態識別方法。

30、第四方面，本申請公開了一種計算機可讀存儲介質，用于保存計算機程序，所述計算機程序被處理器執行時實現前述的步態識別方法。

31、可見，本申請中，利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列，并基于動態時間歸一化技術對所述目標步態序列進行時間序列對齊處理以生成步態能量圖；將所述步態能量圖輸入到預設深度神經網絡卷積模型中以提取所述步態能量圖中的空間注意力特征和通道注意力特征，并對所述空間注意力特征和所述通道注意力特征進行特征融合以得到增強后特征圖；對所述增強后特征圖進行特征整合以得到整合后向量，并將所述整合后向量映射至預設身份輸出標簽空間中以得到身份預測輸出向量；將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布，并根據所述步態概率分布確定對應的步態識別預測結果。這樣一來，通過利用動態時間歸一化技術對步態序列進行時間對齊，可以有效處理不同長度的步態序列，并確保生成的步態能量圖準確反映個體步態的動態特征；通過對步態能量圖中的空間注意力特征和通道注意力特征進行提取可以自動選擇對識別最重要的步態特征區域，提高識別精度。

技術特征：

1.一種步態識別方法，其特征在于，包括：

2.根據權利要求1所述的步態識別方法，其特征在于，所述利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列，包括：

3.根據權利要求1所述的步態識別方法，其特征在于，所述基于動態時間歸一化技術對所述目標步態序列進行時間序列對齊處理以生成步態能量圖，包括：

4.根據權利要求1所述的步態識別方法，其特征在于，所述將所述步態能量圖輸入到預設深度神經網絡卷積模型中以提取所述步態能量圖中的空間注意力特征和通道注意力特征，包括：

5.根據權利要求4所述的步態識別方法，其特征在于，所述利用所述預設深度神經網絡卷積模型中的空間注意力機制和通道注意力機制分別對所述目標特征進行處理以得到所述步態能量圖中的空間注意力特征和通道注意力特征，包括：

6.根據權利要求1所述的步態識別方法，其特征在于，所述將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布之前，還包括：

7.根據權利要求1至6任一項所述的步態識別方法，其特征在于，所述將所述身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布，并根據所述步態概率分布確定對應的步態識別預測結果，包括：

8.一種步態識別裝置，其特征在于，包括：

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質，其特征在于，用于保存計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的步態識別方法。

技術總結
本申請公開了一種步態識別方法、裝置、設備及存儲介質，涉及生物識別技術領域，包括：利用預設圖像處理技術從待識別視頻序列中提取行人圖像以得到目標步態序列并基于動態時間歸一化技術對目標步態序列進行時間序列對齊處理以生成步態能量圖；將步態能量圖輸入到預設深度神經網絡卷積模型中以提取空間注意力特征和通道注意力特征并進行特征融合以得到增強后特征圖；對增強后特征圖進行特征整合以得到整合后向量并將整合后向量映射至預設身份輸出標簽空間中以得到身份預測輸出向量；將身份預測輸出向量輸入至預設分類器中進行訓練以得到對應的步態概率分布并根據步態概率分布確定對應的步態識別預測結果。這樣一來，可以提高步態識別的精度、效率。

技術研發人員：何晨光,康問樵,彭峰,歐陽寧康,余盈,吳慧欣
受保護的技術使用者：華北水利水電大學
技術研發日：
技術公布日：2025/4/24