买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东大学深圳研究院;山东大学;中国科学院自动化研究所;山东建筑大学;山东科技大学;银河水滴科技(北京)有限公司;泰华智慧产业集团股份有限公司

摘要：本发明涉及一种基于对抗域自适应学习的跨视角步态识别方法，包括：1构建整个基于对抗域自适应学习的网络并进行训练：步态轮廓预处理；步态视角级子域划分；构建嵌有层次特征聚合策略的特征提取器；构建视角变化对抗消除模块；构建度量学习模块；整个基于对抗域自适应学习的网络对抗训练；2跨视角步态识别：将待识别身份的步态轮廓序列送入训练好的嵌有层次特征聚合策略的特征提取器获取步态特征，与注册数据集进行特征相似性比对，完成待测样本的身份识别。本发明能够充分挖掘步态序列中时空信息的同时有效消除视角变化的干扰；本发明实现了对步态轮廓序列更为充分、综合的时空特征提取；有效增强了网络判别性步态特征提取的能力。

主权项：1.一种基于对抗域自适应学习的跨视角步态识别方法，其特征在于，包括步骤如下：1构建整个基于对抗域自适应学习的网络并进行训练，包括：A、步态轮廓预处理对步态轮廓图进行轮廓矫正，使人体轮廓位于图像中心，同时对矫正后的步态轮廓图进行尺寸调整；B、步态视角级子域划分根据视角不同，将单一步态数据库中不同视角下的步态样本划分为不同视角级别的子域；由视角变化引起的统计分布差异看作是子域之间的域偏移；C、构建嵌有层次特征聚合策略的特征提取器特征提取器包括一个基本分支、一个层次特征聚合分支和一个特征映射头；不同子域的步态序列输入首先进入基本分支进行基本的时空特征提取，基本分支不同网络阶段的输出又送入层次特征聚合分支进行综合的全局时空特征提取，最后层次特征聚合分支的输出进入特征映射头，以获取最后的基于部分的细粒度步态表示；D、构建视角变化对抗消除模块视角变化对抗消除模块包括多个嵌有梯度逆转层的特定视角判别器和一个涉及特征提取器与特定视角判别器的对抗优化目标；对嵌有层次特征聚合策略的特征提取器的输出，设计一个对抗优化目标，通过一种最小-最大化方式同时训练嵌有层次特征聚合策略的特征提取器和视角变化对抗消除模块中的特定视角判别器；E、构建度量学习模块度量学习模块包括分组的三元组损失和交叉熵损失；对嵌有层次特征聚合策略的特征提取器的输出，同时利用分组的三元组损失和交叉熵损失训练特征提取器；F、整个基于对抗域自适应学习的网络对抗训练整个基于对抗域自适应学习的网络包括嵌有层次特征聚合策略的特征提取器、视角变化对抗消除模块和度量学习模块；对嵌有层次特征聚合策略的特征提取器的输出，将步骤D中的对抗优化目标和步骤E中分组的三元组损失和交叉熵损失相结合，训练特征提取器；2跨视角步态识别获取待识别身份的步态轮廓序列并通过步骤A所述的步态轮廓预处理后，将得到的待识别身份的步态轮廓序列送入训练好的嵌有层次特征聚合策略的特征提取器获取步态特征，通过与注册数据集进行特征相似性比对，完成待测样本的身份识别；步骤D，构建视角变化对抗消除模块，包括：对每个特定视角的子域构建一个头部嵌有一个梯度逆转层的二值判别器即嵌有梯度逆转层的特定视角判别器，以判别所有获取的基于部分的细粒度特征FGeM是来自该子域还是其他子域，因此，共V个二值判别器，且所有梯度逆转层的参数共享；对所有获取的基于部分的细粒度特征FGeM，构建一个关于嵌有层次特征聚合策略的特征提取器和特定视角判别器的对抗优化目标，通过最小化特定视角判别器的损失，使特定视角判别器能够判别每个基于部分的细粒度步态特征输入是否来自特定的子域，同时，最大化特定视角判别器的损失，以微调特征提取器使其产生能够混淆视角判别器的步态特征；具体地，对一个参数为的特定视角判别器Dv，样本输入x所有基于部分的细粒度特征经归一化后先分别通过梯度逆转层输入Dv，对应的输出则送入一个softmax层获取二维的概率输出z∈R2，表示如式Ⅶ所示： 式Ⅶ中，表示softmax函数，样本输入x共有H'个概率输出；随后，通过对所有基于部分的细粒度特征进行定义的二值交叉熵损失来训练特定视角判别器，表示如式Ⅷ所示： 式Ⅷ中，GF表示嵌有层次特征聚合策略的特征提取器，LBCE表示二值交叉熵损失，·表示下标集合的平均；所有特定视角判别器的联合最小化优化目标如式Ⅸ所示： H'是指全局时空特征的高度；优化特征提取器GF的最大化目标函数如式Ⅹ所示：

全文数据：

权利要求：

百度查询： 山东大学深圳研究院 山东大学 中国科学院自动化研究所 山东建筑大学 山东科技大学 银河水滴科技(北京)有限公司 泰华智慧产业集团股份有限公司 一种基于对抗域自适应学习的跨视角步态识别方法