一种基于深度可分离卷积的步态轮廓提取方法，包括：对输入的步态图像序列进行预处理；采用空洞卷积神经网络对输入的步态图像序列进行特征提取；对featuremap图进行边缘细粒度进行修正；对提取的浅层特征图像和深层特征图像进行特征融合；通过上采样得到原图大小；输出步态轮廓图。本发明专利技术使用深度可分离卷积代替普通的卷积神经网络，极大地减少了encoder和decoder部分的参数量，加快了提取速度；对featuremap上的点做不稳定排序，对混乱的边界分类进行了重新预测，极大地提高了边缘分割的准确率和完整性。准确率和完整性。准确率和完整性。
【技术实现步骤摘要】
一种基于深度可分离卷积的步态轮廓提取方法和系统
[0001]本专利技术涉及的是图像处理领域，特别涉及一种基于深度可分离卷积的步态轮廓提取方法和系统。
技术介绍
[0002]步态是一种生物特征，相较于虹膜、掌纹、静脉等其他生物特征，步态具有非接触、远程可检测、非入侵性和难隐藏性等显著优势，可广泛应用于安防、交通、工业等行业领域。在现有步态识别技术中，首先通过目标检测与跟踪技术，生成步态图像序列，再进行步态轮廓提取，最后进行步态识别。步态黑白轮廓图的质量决定了步态识别的准确率，目前，已有的图像分割算法在分割区域边缘一直在震荡，变形，其边缘并没有得到很好的保留，导致边缘的分割不准，应用到步态识别场景，输出的黑白轮廓图还存在边缘残缺、不完整等现象，严重影响了步态识别的准确率。
技术实现思路
[0003]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度可分离卷积的步态轮廓提取方法和系统。
[0004]为了解决上述技术问题，本申请实施例公开了如下技术方案：
[0005]一种基于深度可分离卷积的步态轮廓提取方法，包括：
[0006]S100.对输入的步态图像序列进行预处理；
[0007]S200.采用空洞卷积神经网络对输入的步态图像序列进行特征提取；
[0008]S300.对featuremap图进行边缘细粒度进行修正；
[0009]S400.对提取的浅层特征图像和深层特征图像进行特征融合；
[0010]S500.通过上采样得到原图大小；
[0011]S600.输出步态轮廓图。
[0012]进一步地，S100中，对输入的步态图像序列进行预处理，包括：将输入图像尺寸转换为513*513*3大小。
[0013]进一步地，S200中，采用空洞卷积神经网络对输入的步态图像序列进行特征提取，包括以下步骤：
[0014]S201.以Xception65为主干网络；
[0015]S202.通过多层串行的空洞卷积神经网络对输入的图像序列进行特征提取，输出特征S1，同时将S1分成两部分S1
‑
1和S1
‑
2；
[0016]S203.对输出S1
‑
2使用不同rate的多层并行空洞卷积神经网络进行特征提取，对输出的特征图通过1*1深度可分离卷积进行特征压缩得到特征S2。
[0017]进一步地，S300中，对featuremap图进行边缘细粒度进行修正，包括以下步骤：
[0018]对S1
‑
1 featuremap上的点做不稳定排序，选取K个点出来；
[0019]在Xception65网络中，输出为c1、c2、c3、c4；其中c1是较高分辨率下的featuremap
(1/4)，c4是最终的featuremap(1/16)，将选择的K个点在这两个图上的对应特征提出来；
[0020]将这K个点的对应位置的特征粘合到一起；
[0021]使用MLP进行细分预测，使这些点归属为不同的类，用预测结果替换输出中的不稳定点；输出特征图S1
‑1‑
1；
[0022]按照上述方法，对S2也进行不稳定性排序，找出最不稳定的K个点，对这K个点进行类别预测和修正，输出特征图S2
‑
1。
[0023]进一步地，S300中，对S1
‑
1 featuremap上的点做不稳定排序，选取K个点出来，K为8192。
[0024]进一步地，S400中，对提取的浅层特征图像和深层特征图像进行特征融合，包括：
[0025]对S1
‑1‑
1图1*1深度可分离卷积进行特征压缩得到特征S1
‑1‑
2；
[0026]通过双线性插值对S2
‑
1进行一次上采样，得到S2
‑
2；
[0027]将S1
‑1‑
2和S2
‑
2的特征进行融合，输出S3。
[0028]进一步地，S500中，通过上采样得到原图大小的方法为：
[0029]将S3通过3*3深度可分离卷积神经网络，得到S4；
[0030]通过双线性插值对S4进行一次上采样，得到S5。
[0031]进一步地，S600中，输出步态轮廓图，输出步态黑白二值轮廓图。
[0032]本专利技术还公开了一种基于深度可分离卷积的步态轮廓提取系统，其特征在于，包括步态图像序列预处理单元、步态图像特征提取单元、边缘细粒度修正单元、图像特征融合单元、上采样单元和步态轮廓图输出单元；其中：
[0033]步态图像序列预处理单元，用于对输入的步态图像序列进行预处理；
[0034]步态图像特征提取单元，用于采用空洞卷积神经网络对输入的步态图像序列进行特征提取；
[0035]边缘细粒度修正单元，用于对featuremap图进行边缘细粒度进行修正；
[0036]图像特征融合单元，用于对提取的浅层特征图像和深层特征图像进行特征融合；
[0037]上采样单元，用于通过上采样得到原图大小；
[0038]步态轮廓图输出单元，用于输出步态轮廓图。
[0039]本专利技术实施例提供的上述技术方案的有益效果至少包括：
[0040]本专利技术公开的一种基于深度可分离卷积的步态轮廓提取方法，包括：对输入的步态图像序列进行预处理；采用空洞卷积神经网络对输入的步态图像序列进行特征提取；对featuremap图进行边缘细粒度进行修正；对提取的浅层特征图像和深层特征图像进行特征融合；通过上采样得到原图大小；输出步态轮廓图。本专利技术使用深度可分离卷积代替普通的卷积神经网络，极大地减少了encoder和decoder部分的参数量，加快了提取速度；对featuremap上的点做不稳定排序，对混乱的边界分类进行了重新预测，极大地提高了边缘分割的准确率和完整性。
[0041]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0042]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0043]图1为本专利技术实施例1中，一种基于深度可分离卷积的步态轮廓提取方法的流程图；
[0044]图2为本专利技术实施例1中，对featuremap图进行边缘细粒度修正流程图。
具体实施方式
[0045]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0046]为了解决现有技术中存在的问题，本专利技术实施例提供一种基于深度可分离卷积的步态轮廓提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度可分离卷积的步态轮廓提取方法，其特征在于，包括：S100.对输入的步态图像序列进行预处理；S200.采用空洞卷积神经网络对输入的步态图像序列进行特征提取；S300.对featuremap图进行边缘细粒度进行修正；S400.对提取的浅层特征图像和深层特征图像进行特征融合；S500.通过上采样得到原图大小；S600.输出步态轮廓图。2.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法，其特征在于，S100中，对输入的步态图像序列进行预处理，包括：将输入图像尺寸转换为513*513*3大小。3.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法，其特征在于，S200中，采用空洞卷积神经网络对输入的步态图像序列进行特征提取，包括以下步骤：S201.以Xception65为主干网络；S202.通过多层串行的空洞卷积神经网络对输入的图像序列进行特征提取，输出特征S1，同时将S1分成两部分S1
‑
1和S1
‑
2；S203.对输出S1
‑
2使用不同rate的多层并行空洞卷积神经网络进行特征提取，对输出的特征图通过1*1深度可分离卷积进行特征压缩得到特征S2。4.如权利要求3所述的一种基于深度可分离卷积的步态轮廓提取方法，其特征在于，S300中，对featuremap图进行边缘细粒度进行修正，包括以下步骤：对S1
‑
1 featuremap上的点做不稳定排序，选取K个点出来；在Xception65网络中，输出为c1、c2、c3、c4；其中c1是较高分辨率下的featuremap(1/4)，c4是最终的featuremap(1/16)，将选择的K个点在这两个图上的对应特征提出来；将这K个点的对应位置的特征粘合到一起；使用MLP进行细分预测，使这些点归属为不同的类，用预测结果替换输出中的不稳定点；输出特征图S1
‑1‑
1；按照上述方法，对S2也进...
【专利技术属性】
技术研发人员：喻涵，
申请(专利权)人：武汉众智数字技术有限公司，
类型：发明
国别省市：
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。