【技术实现步骤摘要】
Average Pooling,GAP)与最大值池化(Global Max Pooling,GMP)进行通道压缩,对每个已压缩的特征图取第K大的值作为Sigmoid函数的阈值进行激活,此处取K=15,Sigmoid函数定义式为将这三组被激活的特征按元素相乘、累加,得到空域重叠惩罚(Overlapped Activation Penalty,OAP)损失函数值L
oap
;
[0015](2.3)接收步骤(2.1)的三组输出特征,将该特征在纵向尺度进行划分,提取块级局部特征,再联合应用空域均值池化(Global Average Pooling)与最大值池化(Global Max Pooling)得到向量特征输出。
[0016](3)“内部关系”与“外部关系”建模:
[0017](3.1)接收步骤(2.3)的向量特征输出,对同一帧的三组特征进行建模。进行“内部关系”的帧内建模,首先将同一帧图像的三组特征连接到一起,输入到一个多层感知机(Multi
‑
layer Perceptron,MLP)中,输出一个帧内跨组交互的特征向量,该特征向量的维度为128维,接着将该特征向量分别与三组特征相乘并采用Sigmoid函数激活,最后将激活后的三组特征向量与原特征向量相乘,作为“内部关系”建模模块的输出;
[0018](3.2)接收步骤(2.3)的向量特征输出,对相邻帧的三组特征进行建模。进行“外部关系”的帧间建模,首先将相邻三帧/五帧图像的特征连接到一起,输入到一个多层感知机(MLP)中,输出一个帧间跨组交互 ...
【技术保护点】
【技术特征摘要】
1.一种基于时间域
‑
空间域特征联合增强的步态识别方法,其特征在于,所述方法包括下述步骤:(1)特征提取:(1.1)对每个输入步态序列,首先截取一段长度为40帧的序列片段,然后对该片段随机不重复地采样30帧;(1.2)对每个采样位置,进行高维特征的提取,首先选取采样位置的1帧图片作为原始数据,然后将原始数据送到特征提取网络中进行特征提取,得到深度特征表达;(2)训练显著性特征生成器:(2.1)采用三组卷积核处理来自步骤(1.2)的深度特征表达,得到三组输出特征;(2.2)接收步骤(2.1)的三组输出特征,监督不同组特征关注不同的空域显著性区域,并输出空域重叠惩罚损失函数值L
oap
;(2.3)接收步骤(2.1)的三组输出特征,将该特征在纵向尺度进行划分,提取块级局部特征,再联合应用空域均值池化与最大值池化得到向量特征输出;(3)“内部关系”与“外部关系”建模:(3.1)接收步骤(2.3)的向量特征输出,对同一帧的三组特征进行建模,得到“内部关系”建模的输出;(3.2)接收步骤(2.3)的向量特征输出,对相邻帧的三组特征进行建模,得到“外部关系”建模的输出;(3.3)接收步骤(3.1)与(3.2)的“内部关系”与“外部关系”建模的输出,将它们相加作为加和特征输出;(4)模型的输出与训练:(4.1)接收步骤(3.3)的加和特征输出,利用时域全局最大池化进行处理,获取网络最终输出;(4.2)接收步骤(4.1)的网络最终输出,采用三元组损失函数对模型进行训练,获得损失函数值L
tri
;(5)利用上述训练好的模型对待检测测试步态序列进行行人身份预测,包括如下子步骤:(5.1)利用步骤(1.2)(2)(3)(4.1)处理待测试步态序列的所有帧图像,获取待测试输出特征;(5.2)将步骤(5.1)的测试输出特征与数据库存储的特征进行比对,选取最接近的一组特征作为匹配特征,并将匹配者的身份作为测试序列行人的身份。2.根据权利要求1所述的基于时间域
‑
空间域特征联合增强的步态识别方法,其特征在于,所述步骤(1.2)具体为:对于输入的步态序列图像,采用六层的卷积神经网络作为特征提取网络,其中前两层卷积网络的输出通道均为32,第三层是步长为2的最大池化层,第四、五、六卷积层的输出特征通道数分别为:64、64、128。3.根据权利要求1或2所述的基于时间域
‑
空间域特征联合增强的步态识别方法,其特征在于,所述步骤(2.2)具体为:监督三组输出特征关注不同的空域区域,首先应用均值池化与最大值池化进行通道压缩,对每个已压缩的特征图取第K大的值作为Sigmoid函数的阈
值进行激活,Sigmoid函数定义式为将这三组被激活的特征按元素相乘、累加,得到空域重叠惩罚损失函数值L
oap
。4.根据权利要求3所述的基于时间域
‑
空间域特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。