一种基于脑皮层算法的步态识别方法

1.本发明涉及图像识别技术领域，尤其是一种基于脑皮层算法的步态识别方法。


背景技术：

2.在人流量巨大时，现有技术手段排查识别人物身份变得十分困难，工作量大，排查效率低，工作繁琐，需要耗费许多的人力物力。在面对这种大量的个人身份识别问题时，我们急需提出相关科技手段辅助排查，提高排查识别的工作质量和效率。
3.步态识别技术利用行走姿态进行个人身份识别，与指纹、人脸、虹膜等生物特征识别技术相比，具有非接触性、非侵犯性、易于感知、难于隐藏和伪装等优势，在远距离的情况下，步态识别是当下最可行的技术。步态识别技术作为世界前沿的生物识别技术，目前虽然尚处于实验阶段，很多技术问题还有待突破，但是对该技术的研究仍然有着不可忽视的意义。
4.步态识别主要分为两类：基于模型的步态识别和基于外观的步态识别。
5.基于模型的方法需要对人体进行建模，现有相关技术需要分别对人体进行摆钟式的线性建模、2d图像建模和3d建模，但问题是需要建立高质量的数据集，且模型的搭建过程比较困难，尤其是当图像的分辨率较低时，建模的可靠性大大降低。
6.基于外观的方法直接尝试从步态序列视频中找到步态特征。该方法通常对图像帧进行步态分割，提取出人物轮廓，在对轮廓图像归一化之后直接作为算法输入。此外，比较著名的方法还有将一系列的轮廓图像生成步态能量图，把时空信息整合到一起后再进行算法学习。基于外观的方法的缺点是在复杂环境下很难有效提取轮廓，而且受服装和视角的影响较大。


技术实现要素：

7.有鉴于此，本发明实施例提供一种可靠性高的基于脑皮层算法的步态识别方法。
8.一方面，本发明实施例提供了一种基于脑皮层算法的步态识别方法，包括：
9.获取步态图像；
10.将所述步态图像进行步态分割，得到二值轮廓图像；
11.将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；
12.将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；
13.将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。
14.可选地，所述将所述步态图像进行步态分割，得到二值轮廓图像这一步骤，包括：
15.对rvm算法模型进行模型固化；
16.对完成模型固化的所述rvm算法模型的输入参数进行设置，所述输入参数包括运行设备、循环次数和下采样比；
17.将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像。
18.可选地，所述将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果这一步骤，包括：
19.将所述二值轮廓图像输入第一空间池，确定连接输入数据的候选神经元；
20.对所述候选神经元增加权重，得到激活神经元；
21.对所述激活神经元进行更新，得到步态分割二值图像的编码结果。
22.可选地，所述对所述激活神经元进行更新，得到步态分割二值图像的编码结果这一步骤，包括：
23.基于第一更新公式更新所述激活神经元的权重；
24.基于第二更新公式更新所述激活神经元的强化系数；
25.基于第三更新公式更新所述激活神经元的约束半径。
26.可选地，所述将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征这一步骤，包括：
27.调整第二空间池的神经元激活率；
28.将所述步态分割二值图像的编码结果输入调整后的所述第二空间池，通过步态图像稀疏离散表征得到步态分割图像稀疏化表征。
29.可选地，所述将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果这一步骤，包括：
30.以字典形式将预先存储的步态稀疏离散表征进行存储；
31.将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行穷举对比，得到对比相似度；
32.通过预设对比相似度阈值与所述对比相似度进行对比，得到步态识别结果；当所述对比相似度大于或等于所述预设对比相似度阈值时，则判定识别出目标人物；当所述对比相似度小于所述预设对比相似度阈值时，则判定未识别到所述目标人物。
33.可选地，所述将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像这一步骤，包括：
34.通过所述rvm算法模型的特征编码器对所述步态图像进行特征提取和语义分割，得到第一轮廓图像；
35.通过所述rvm算法模型的循环解码器对所述第一轮廓图像的时间信息进行聚合，得到第二轮廓图像；
36.通过所述rvm算法模型的深度引导滤波器对所述第二轮廓图像进行高分辨率预测，得到二值轮廓图像。
37.另一方面，本发明实施例还提供了一种基于脑皮层算法的步态识别装置，包括；
38.第一模块，用于获取步态图像；
39.第二模块，用于将所述步态图像进行步态分割，得到二值轮廓图像；
40.第三模块，用于将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；
41.第四模块，用于将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；
42.第五模块，用于将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。
43.另一方面，本发明实施例还提供了一种电子设备，包括处理器以及存储器；
44.所述存储器用于存储程序；
45.所述处理器执行所述程序实现前述一种基于脑皮层算法的步态识别方法。
46.另一方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现前述一种基于脑皮层算法的步态识别方法。
47.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
48.本发明的实施例至少包括以下有益成果：本发明通过将所述步态图像进行步态分割，得到二值轮廓图像，分割过程中聚合了时间信息，增强了前景提取的稳定性，并且加快了提取速度，在复杂环境也能有效提取轮廓；本发明通过将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果，步态图像编码过程中调节神经元激活率，可以削弱对细小差异的放大效果，提高结果的可靠性；本发明通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征，可以减少计算，提高计算效率。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1是本发明实施例提供的一种基于脑皮层算法的步态识别方法的步骤图；
51.图2是本发明实施例提供的一种基于脑皮层算法的步态识别装置的模块图；
52.图3为本发明实施例提供的一种基于脑皮层算法的步态识别方法的流程图；
53.图4为本发明实施例提供的脑皮层学习算法的流程图。
具体实施方式
54.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
55.针对现有技术存在的问题，本发明实施例提供了一种基于脑皮层算法的步态识别方法如图1所示，该方法包括步骤100至步骤500：
56.步骤100：获取步态图像。
57.具体地，首先通过摄像装置检测到目标人物出现，采用hog特征(方向梯度直方图)结合svm(支持向量机)的方法，实现人物检测，获取步态图像。本发明实施例调用opencv中已训练完成的模型进行人物检测，具体调用了opencv hog中detectmultiscale函数，该函数包含8个输入参数和2个输出参数，2个必选输入参数为img(输入图像)和foundlocations
(目标存储位置)，6个可选输入参数分别为hitthreshold(特征到svm超平面的距离的阈值)、winstride(hog检测窗口移动时的步长)、padding(外围像素)、scale(图像的多尺度)、finalthreshold(最终阈值)和usemeanshiftgrouping(消除重叠)，两个输出参数为found(目标位置)和w(目标可能性值)。
58.可选参数中较重要的是winstride和scale，这两个参数会大大影响检测精度和检测速度。本发明实施例只对winstride和scale参数进行配置，根据实验结果，综合考虑实际检测速度和检测精度后，将参数配置为winstride＝(4,4)、scale＝1.5。配置好函数输入后开始调用该函数，得到检测目标位置及其可能性值，对可能性值进行阈值判断，排除可能性较低的对象，本发明实施例的可能性阈值设置为1，检测到人物出现之后，系统开始连续录制25帧步态序列图像，并将这些步态图像存储于指定文件夹，获得步态图像。
59.步骤200：将所述步态图像进行步态分割，得到二值轮廓图像。
60.具体地，所述将所述步态图像进行步态分割，得到二值轮廓图像这一步骤，具体可包括步骤210至步骤230：
61.步骤210：对rvm算法模型进行模型固化。
62.具体地，rvm(相关向量机)算法模型是一种用于回归和分类的贝叶斯稀疏核算法。rvm算法通常将一张图片i看成前景f和背景b的线性组合，其关系表达式为：
63.i＝αf+(1-α)b
64.通过提取前景f和系数α可以实现背景的替换，但针对本发明的步态分割而言，仅需提取前景f即可。rvm算法基于神经网络完成图像前景的提取任务，相比于现有的提取方法，它加入了时间信息，增强了前景提取的稳定性，并加快了提取速度。
65.本发明实施例应用rvm算法进行步态分割时，采用torchscript框架下的轻量模型，该模型为官方训练好的模型，本发明使用该模型时，先加载已经下载的模型，然后再调用freeze函数对模型进行固化，可以加快模型运行速度。
66.步骤220：对完成模型固化的所述rvm算法模型的输入参数进行设置，所述输入参数包括运行设备、循环次数和下采样比。
67.具体地，对rvm算法模型完成模型固化后，对模型的输入参数进行设置，需设置的输入参数包括运行设备(gpu或cpu)、循环次数和下采样比，例如，可以将运行设备设置为cpu，循环次数设置为4，下采样比设置为0.25。
68.步骤230：将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像。
69.具体地，所述将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像这一步骤，具体包括步骤231至步骤233：
70.步骤231：通过所述rvm算法模型的特征编码器对所述步态图像进行特征提取和语义分割，得到第一轮廓图像。
71.具体地，特征编码器基于语义分割网络，对步态图像单帧进行特征提取和语义分割，得到第一轮廓图像。
72.步骤232：通过所述rvm算法模型的循环解码器，对所述第一轮廓图像的时间信息进行聚合，得到第二轮廓图像。
73.具体地，循环解码器采用循环架构，循环机制可以学习在连续的视频流中要保留
和要忽略的信息，采用多尺度的convgru来聚合时间信息，参数少，效率高，使用循环架构来聚合图像中的时间信息，在时间连贯性和图像分割质量方面取得显著改善。
74.步骤233：通过所述rvm算法模型的深度引导滤波器对所述第二轮廓图像进行高分辨率预测，得到二值轮廓图像。
75.具体地，当rvm算法模型处理高分辨率图像时，通过深度引导滤波器完成高分辨率预测；处理高分辨率图像时，将第二轮廓图像输入，进行下采样，然后将低分辨率的alpha、前景、标签，还有高分辨率的输入帧都输入给深度引导滤波器以生成高分辨率的alpha和前景；深度引导滤波器将引导滤波的思想用到了网络之中，先在小图上进行学习，再通过引导滤波器上学习特定任务的引导图实现对生成小图上采样，最后恢复大图，得到二值轮廓图像。
76.步骤300：将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果。
77.具体地，所述将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果这一步骤，具体包括步骤310至步骤330：
78.步骤310：将所述二值轮廓图像输入第一空间池，确定连接输入数据的候选神经元。
79.具体地，步态分割得到的二值轮廓图像是由0、1组成的二维矩阵，该二值轮廓图像和编码器产生的稀疏离散表征(sdr)有类似之处，且相似的人物输入也会得到相似的轮廓输出，因此本发明提出添加第一空间池作为步态分割二值图像的稀疏离散表征编码器。
80.具体地，第一空间池是一个二维神经网络，共有64
×
32
×
1＝2048个神经元，每一个神经元柱中有一个神经元，第一空间池接受二值轮廓图像输入，按照公式(1)随机确定连接输入数据的候选神经元集合。
[0081][0082]
其中，xj是第一空间池中第j个神经元，是输入图像的第i个神经元，γ是以为中心的圆的半径，i(
·
)是描述函数，当且仅当xj位于以为中心、γ为半径的圆中时输出为1，集合π中的为候选神经元集合。
[0083]
步骤320：对所述候选神经元增加权重，得到激活神经元。
[0084]
具体地，赋予集合π中的候选神经元随机权重d
ij
，当时，候选神经元变成真正连接输入的神经元，其中是第一空间池的权重阈值，可以为0.85，此时，真正连接输入的神经元称为激活神经元。激活的神经元个数小于等于神经元激活率条件，第一空间池的神经元激活率为7％(135个)，目的是削弱其对细小差异的放大效果；每个激活神经元会乘以一个连接强化系数bi(bi》0)以加强其激活状态的性质；为了保证空间池输出的稀疏性，激活神经元会限制其约束半径为r
in
h的范围内的神经元处于激活状态。
[0085]
步骤330：对所述激活神经元进行更新，得到步态分割二值图像的编码结果。
[0086]
具体地，对所述激活神经元进行更新，达到预设的更新周期则输出步态分割二值图像的编码结果。
[0087]
具体地，所述对所述激活神经元进行更新，得到步态分割二值图像的编码结果这
一步骤，具体包括步骤331至步骤333：
[0088]
步骤331：基于第一更新公式更新所述激活神经元的权重。
[0089]
具体地，在神经网络学习阶段，集合π中的候选神经元权重按照第一更新公式(hebbian学习算法)进行更新，所述第一更新公式如下所示：
[0090][0091]
其中，δd
dec
为激活神经元的权重的递减偏量，δd
inc
为激活神经元的权重的递增偏量，d
ij
为候选神经元的随机权重，w
ij
为激活神经元更新后的权重；δd
inc
＝0.04，δd
dec
＝0.005。
[0092]
步骤332：基于第二更新公式更新所述激活神经元的强化系数。
[0093]
具体地，通过第二更新公式更新所述激活神经元的强化系数，所述第二更新公式的表达式为：
[0094][0095]
其中，bi为激活神经元的强化系数，β＝3为调节系数，t＝1000为更新周期，ai(t)表示集合π中神经元i在t时刻的激活状态，ni是在t时刻激活状态神经元的总数。
[0096]
步骤333：基于第三更新公式更新所述激活神经元的约束半径。
[0097]
具体地，通过第三更新公式更新所述激活神经元的强化系数，所述第三更新公式的表达式为：
[0098]rinh
＝(cs
avg
×
pi
col-1)/2
[0099]
其中，r
inh
为激活神经元的约束半径，csavg是每个激活神经元连接的输入像素数，picol是连接输入图像所有像素的激活神经元总数。
[0100]
步骤400：将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征。
[0101]
具体地，所述将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征这一步骤，具体包括步骤410至步骤420：
[0102]
步骤410：调整第二空间池的神经元激活率。
[0103]
具体地，经过第一空间池得到的步态分割二值图像的编码结果，还不具有稀疏性，所以需要再经过第二空间池进行步态图像稀疏离散表征，得到步态分割图像稀疏化表征。第二空间池的网络结构与第一空间池相同，是一个二维神经网络，共有64
×
32
×
1＝2048个神经元，网络参数和学习过程也类似，但是需要将第二空间池的神经元激活率调整至2％(第一空间池的神经元激活率为7％)，保证第二空间池输出的为稀疏化表征。
[0104]
步骤420：将所述步态分割二值图像的编码结果输入调整后的所述第二空间池，通过步态图像稀疏离散表征得到步态分割图像稀疏化表征。
[0105]
具体地，将所述步态分割二值图像的编码结果输入调整后的所述第二空间池，通
过步态图像稀疏离散表征得到步态分割图像稀疏化表征。
[0106]
步骤500：将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。
[0107]
具体地，所述将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果这一步骤，具体包括步骤510至步骤530：
[0108]
步骤510：以字典形式将预先存储的步态稀疏离散表征进行存储。
[0109]
具体地，预先存储的步态稀疏离散表征以字典形式进行存储。
[0110]
步骤520：将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行穷举对比，得到对比相似度。
[0111]
具体地，将步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行穷举对比，其过程类似于轮廓之间的直接对比，得到对比的对比相似度，对比相似度用于衡量通过步态识别得到的步态分割图像稀疏化表征与预先存储的步态稀疏离散表征之间的相似度。
[0112]
步骤530：通过预设对比相似度阈值与所述对比相似度进行对比，得到步态识别结果；当所述对比相似度大于或等于所述预设对比相似度阈值时，则判定识别出目标人物；当所述对比相似度小于所述预设对比相似度阈值时，则判定未识别到所述目标人物。
[0113]
具体地，预设对比相似度阈值用于与对比相似度进行对比，根据实际情况自行设置；当对比相似度小于预设对比相似度阈值时，则认定所述步态图像属于陌生人，，没有检测到目标对象；当对比相似度大于或等于预设对比相似度阈值时，则找出对比相似度最高的预先存储的步态稀疏离散表征对应的人物标识，所述人物标识可以确定唯一目标人物，包括姓名、年龄、出生年月、身份证号等。例如设置对比相似度阈值为50％，则当得到的对比相似度小于50％时，认定所述步态图像属于陌生人，判定未识别到目标人物，当对比相似度大于或等于50％时，则找出对比相似度最高的预先存储的步态稀疏离散表征对应的人物标识，判定识别出目标人物。
[0114]
下面参照图3举例介绍本发明实施例提供的一种基于脑皮层算法的步态识别方法的应用：
[0115]
1、首先获取步态图像。先调用opencv hog中detectmultiscale函数进行人物检测，得到检测目标位置及其可能性值，对可能性进行阈值判断，当可能性小于阈值1时则舍弃，可能性大于或等于1时则接受，排除可能性较低对象；然后开始录制步态序列，连续录制25帧步态序列图像，并将这些步态图像存储于指定文件夹；
[0116]
2、然后将步态图像通过rvm算法模型进行步态分割，得到二值轮廓图像。先对rvm算法模型进行模型固化；然后对完成模型固化的所述rvm算法模型的输入参数进行设置，所述输入参数包括运行设备、循环次数和下采样比；最后将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像；
[0117]
3、再将二值轮廓图像通过脑皮层学习算法得到预测结果输出，即步态识别结果。参照图4，首先将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果，步态图像编码过程首先初始化连接输入的候选神经元集，然后判断候选神经元是否覆盖整个二值轮廓图像，若没有全部覆盖，则再次初始化连接输入的候选神经元集，若全部覆盖，则对候选神经元增加权重，确定激活神经元，再对激活神经元的权重进行学习更新以及对激活神经元的强化系数和约束半径进行更新，直至学习迭代次数达到学习周期，输出得
到步态分割二值图像的编码结果；
[0118]
4、然后将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；最后将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。
[0119]
综上所述，本发明实施例的一种基于脑皮层算法的步态识别方法具有以下优点：
[0120]
1、本发明实施例通过将所述步态图像进行步态分割，得到二值轮廓图像，分割过程中通过循环解码器，聚合了时间信息，增强了前景提取的稳定性，并且加快了提取速度，在时间连贯性和图像分割质量方面也取得显著提高，在复杂环境下也可以有效提取轮廓；
[0121]
2、本发明实施例在第一空间池设置的神经元激活率可以削弱其对细小差异的放大效果，调整第二空间池的神经元激活率，得到步态分割图像稀疏化表征，可以减少计算，提高计算效率；
[0122]
3、本发明实施例通过在第一空间池和第二空间池的神经元建立和权重更新的过程，正常的连续输入能稳固神经元之间的联系，对于异常输入并不敏感，有更强的鲁棒性，提高了方法的可靠性；同时空间池还能放大差异，便于不同轮廓之间的比对，提高识别的正确率；
[0123]
4、本发明实施例不需要对人体进行建模，简化了识别过程，提高了识别效率。
[0124]
参照图2，本发明实施例还提供了一种基于脑皮层算法的步态识别装置，包括：
[0125]
第一模块601，用于获取步态图像；
[0126]
第二模块602，用于将所述步态图像进行步态分割，得到二值轮廓图像；
[0127]
第三模块603，用于将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；
[0128]
第四模块604，用于将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；
[0129]
第五模块605，用于将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。
[0130]
本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现前述一种基于脑皮层算法的步态识别方法。
[0131]
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现前述一种基于脑皮层算法的步态识别方法。
[0132]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0133]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0134]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0135]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0137]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0138]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0139]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何
的一个或多个实施例或示例中以合适的方式结合。
[0140]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0141]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于脑皮层算法的步态识别方法，其特征在于，包括：获取步态图像；将所述步态图像进行步态分割，得到二值轮廓图像；将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。2.根据权利要求1所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述将所述步态图像进行步态分割，得到二值轮廓图像这一步骤，包括：对rvm算法模型进行模型固化；对完成模型固化的所述rvm算法模型的输入参数进行设置，所述输入参数包括运行设备、循环次数和下采样比；将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像。3.根据权利要求1所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果这一步骤，包括：将所述二值轮廓图像输入第一空间池，确定连接输入数据的候选神经元；对所述候选神经元增加权重，得到激活神经元；对所述激活神经元进行更新，得到步态分割二值图像的编码结果。4.根据权利要求3所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述对所述激活神经元进行更新，得到步态分割二值图像的编码结果这一步骤，包括：基于第一更新公式更新所述激活神经元的权重；基于第二更新公式更新所述激活神经元的强化系数；基于第三更新公式更新所述激活神经元的约束半径。5.根据权利要求1所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征这一步骤，包括：调整第二空间池的神经元激活率；将所述步态分割二值图像的编码结果输入调整后的所述第二空间池，通过步态图像稀疏离散表征得到步态分割图像稀疏化表征。6.根据权利要求1所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果这一步骤，包括：以字典形式将预先存储的步态稀疏离散表征进行存储；将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行穷举对比，得到对比相似度；通过预设对比相似度阈值与所述对比相似度进行对比，得到步态识别结果；当所述对比相似度大于或等于所述预设对比相似度阈值时，则判定识别出目标人物；当所述对比相似度小于所述预设对比相似度阈值时，则判定未识别到所述目标人物。
7.根据权利要求2所述的一种基于脑皮层算法的步态识别方法，其特征在于，所述将所述步态图像输入所述rvm算法模型进行步态分割，得到二值轮廓图像这一步骤，包括：通过所述rvm算法模型的特征编码器对所述步态图像进行特征提取和语义分割，得到第一轮廓图像；通过所述rvm算法模型的循环解码器对所述第一轮廓图像的时间信息进行聚合，得到第二轮廓图像；通过所述rvm算法模型的深度引导滤波器对所述第二轮廓图像进行高分辨率预测，得到二值轮廓图像。8.一种基于脑皮层算法的步态识别装置，其特征在于，包括：第一模块，用于获取步态图像；第二模块，用于将所述步态图像进行步态分割，得到二值轮廓图像；第三模块，用于将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；第四模块，用于将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；第五模块，用于将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种基于脑皮层算法的步态识别方法，方法包括：获取步态图像；将步态图像进行步态分割，得到二值轮廓图像；将二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；将步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；将步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。本发明通过将步态图像进行步态分割，分割过程中聚合了时间信息，增强了前景提取的稳定性，在复杂环境也能有效提取，还提高了提取速度；本发明将二值轮廓图像通过第一和第二空间池，既可以提高识别的可靠性，又能减少计算，提高计算效率。可广泛应用于图像识别技术领域。域。域。


技术研发人员：张新征 张建芬 袁钟裔
受保护的技术使用者：暨南大学
技术研发日：2023.04.18
技术公布日：2023/8/9