专利交易市场

一种基于Android手机的步态识别方法，包括以下步骤：步骤1、注册数据集预处理，使用Android手机每人采集5个不同角度数据传输至服务器，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；步骤2、使用训练好的GaitSet步态识别模型对注册集图像序列进行特征提取，得到注册集特征；步骤3、测试数据采集，类似步骤1每人采集1个角度图像对数据进行预处理，并使用GaitSet模型提取检测集特征；步骤4、检测集中每一个检测图像序列特征与注册集中每一个图像序列特征使用欧式距离计算相似性；步骤5、对得到的距离数组Dis从小到大排序，取Dis数组中距离最小的5个距离，记录其对应特征的对应标签LT，根据LT进行标签和置信度的计算，传回结果给Android手机。本发明能结合Android手机和高性能服务器的优点，Android手机采集数据方便的同时，高性能服务器能运用深度学习网络精准地进行人体的轮廓提取，并快速地进行步态的注册与识别，维护简单且使用方便。

本发明公开了一种基于时空特征融合的细粒度步态子相位识别方法与装置，旨在准确识别下肢康复外骨骼机器人行走时的8类步态子相位，其方法包括：通过集成多源异构传感器获取步态多源数据，并设计步态子相位标签分配算法，结合滑动重叠窗口技术构建训练数据集；基于异构并行卷积架构设计特征提取模块，并与BiLSTM结合，构建时空特征融合模型；引入加权交叉熵损失函数以提高模型对样本较少步态子相位类别的识别能力，并通过分层K折交叉验证策略进行训练评估；最后，基于Simulink构建端到端的步态子相位在线识别系统，实现步态子相位的实时识别。本发明在识别精度、细粒度分析和实时性方面优于现有技术，显著提升了下肢康复外骨骼机器人对行走模式的感知能力。

本发明涉及一种低成本步态识别与可疑行为检测方法，属于图像处理领域。该方法利用现有的监控摄像头和深度学习算法实现对行人行为的自动识别和告警。具体步骤包括：利用摄像头实时捕捉监控区域内的行人目标，对目标进行动态跟踪，并将锚框中的行人图像连续截取并保存；对保存的图像进行边缘检测处理，提取图像的主要轮廓信息；选取相邻的连续N幅图像进行堆叠，形成三维张量；将堆叠后的图像输入到预训练的基于卷积神经网络的分类系统中，分析图像序列中的行为特征，并判断目标行为是否符合可疑行为标准，并进一步确定具体的行为类别。本发明具有成本低、精度高、实时性强等优点。

本发明提出了一种基于Kinect的视角不变性步态识别方法。利用Kinect可以实时准确估计人体关节空间位置信息的优势，将其作为步态数据采集设备，采集行走过程中每帧的关节空间坐标信息。选取了8段关节间的距离作为静态特征，定义并对比了上下肢体关节摆动的角度，选择出识别效果最好的一组角度变化作为动态特征。将两种特征分别用欧式距离与DTW算法与模板进行匹配，并使其在匹配层进行特征融合后利用最近邻分类器完成分类识别。本方法算法简单，具有较强的实时性，且具有视角不变的特性。

本发明涉及一种基于并行遗传算法的高精度步态识别方法。首先将应用于集成的候选神经网络泛化，使用了基于分等级公平竞争的并行遗传算法，以此增加网络的多样性；此外，使用一组由HFC-PGA选择的适当特性来训练每个候选的神经网络；最后，在设计出候选的神经网络后，选择一组个体神经网络，以便将泛化误差最小化，负相关最大化。本发明方法法提高了人体步态识别的准确性和可靠性。

本发明公开了一种基于非线性动力学指标的速度无关的步态识别方法。本发明包括以下步骤：采集人体步态运动轮廓图；提取人体下肢轮廓宽度、周长及面积参数曲线；基于轮廓参数，构建径向基函数神经网络对不同速度下的步态动力学进行建模，得到三维可视的步态动力学信息；计算三种非线性动力学指标，利用不同速度下的步态模式之间在非线性动力学指标上的差异，实现速度无关的步态识别。本发明直接从人体轮廓图上提取速度无关的步态动力学特征，不用进行复杂的图像处理过程，简单方便、容易操作。本发明所提取的动力学特征可以有效地应对多种步行速度下的识别挑战，实现多速度下的无限制步态识别。

本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1‑1.提取运动目标轮廓序列；1‑2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2‑1.提取步态周期；2‑2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。

本发明公开了一种改进GaitSet的红外步态识别方法，属于计算机视觉领域，包括以下步骤：1)采用Faster R‑CNN检测算法与Deeplab v3+语义分割算法相结合的无损剪影提取方案提取CASIA‑C红外步态数据集中的人体剪影，并构建样本集；2)在GaitSet网络基础上引入剪影差分融合模块、残差单元、多尺度特征融合技术以及多尺度金字塔映射模块来进行改进；3)利用步骤1)得到的训练样本进行训练；4)提取红外视频序列中行人步态特征，完成红外状态下的人体身份识别。该方法能够充分捕捉和利用红外图像中的不同粒度和时空步态信息，且无需计算步态周期，可以将任意顺序及数量的红外步态帧序列作为输入。

本发明公开了一种基于最适宜步态流型空间的步态识别方法，采用多因子距离度量策略，计算各已知个体的最适宜步态流型空间，并选择相应的基步态样本集。然后将待识别的步态样本转换到各已知个体的最适宜步态流型空间，并计算未知步态到每个基步态样本的距离。最后经过统计分析，将待识别步态判定为具有较小差异的占多数的基步态样本所属的个体。该方法通过多因子距离度量来确定各已知个体的最适宜步态流型空间，并选择相应的基步态样本构造参考集，能够在采集视角变化和存在其它干扰因素的情况下取得较好的步态识别效果。

本发明公开了一种结合子空间学习与张量神经网络的步态识别方法及系统，属于智能识别领域。所述方法包括：获取步态数据，得到步态数据集，并处理得到剪影图集合，进一步得到步态能量图；将剪影图的80％作为训练集进行降维处理，剩余20％作为测试集数据对训练结果进行测试，然后将步态能量图和降维处理后的数据经张量神经网络模块进行特征提取，再经支持向量机作为分类器进行分类，最终将训练集和测试集结果进行对比得到识别鉴定行人身份结果。本发明实现方法简单，硬件成本低，可以自动对特定场所进行人员身份权限检测及伪装人员身份鉴定，有效提高监控场所的安全防护及多种情形下的身份鉴定。

本发明公开了一种基于高阶张量子空间学习的多视角步态识别方法及系统，属于智能识别领域。从多个代表性的角度来获取步态视频，分帧截取得到步态序列图像；对步态序列图像分别作背景提取、背景减除和二值化处理，使呈现出黑和白的视觉效果，得到多个视角下的轮廓序列；将轮廓序列转换为张量数据；利用多线性判别分析和图嵌入原理基础上拓展DTSA后得到的基于图嵌入的高阶判别张量子空间分析算法对张量数据进行降维和特征提取；根据提取得到的多视角步态特征，对步态特征进行相似度测量，得到识别结果。本发明简单，成本低，可以自动对特定场所进行人员身份权限检测及伪装人员身份鉴定，有效提高监控场所的安全防护及多种情形下的身份鉴定。