一种基于步态的人员身份识别方法、装置及电子设备与流程

1.本发明涉及视频监控技术领域，特别是涉及一种基于步态的人员身份识别方法、装置及电子设备。


背景技术：

2.随着社会和科技的不断发展，社区人员管理、员工考勤管理、公共交通收费管理、公共安全管理等领域越来越智能化，以上领域实现智能化都需要人员身份的自动识别。在当前的人员身份识别中，通常是基于各种人类生物特征进行身份识别，生物特征是每个人所特有的特征，例如虹膜、指纹、人脸、步态等。与其他生物特征相比，步态由于其独有的非接触特性，具有难以窃取和模仿等优点，特别适用于远距离的人员识别。
3.当前，基于步态的人员身份识别方法中，一般是提取流文件中每一帧人员的步态特征，由于不同人员的步态特征不同，则基于步态特征即可实现人员身份识别。
4.在进行人员身份识别时，真正能与其他人员区分的特征是人员正常行走步态，上述人员身份识别方法中，需要对每一帧人员的步态特征进行提取，而在大部分场景下，被监控人员并非一直处于正常行走步态，如果每一帧都提取步态特征，则会导致上述人员身份识别方法的运行速度很慢，大大影响人员身份识别的效率。


技术实现要素：

5.本发明实施例的目的在于提供一种基于步态的人员身份识别方法、装置及电子设备，以提高人员身份识别的效率。具体技术方案如下：
6.第一方面，本发明实施例提供了一种基于步态的人员身份识别方法，该方法包括：
7.提取流文件的每一帧中的人员关键点信息；
8.根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列；
9.基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，其中，组成步态序列的各帧中的人员都是正常行走步态；
10.基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。
11.可选的，提取流文件的每一帧中的人员关键点信息的步骤，包括：
12.将流文件中的每一帧依次输入预先训练得到的关键点提取模型，得到关键点序列，其中，关键点序列包括每一帧中的人员关键点信息。
13.可选的，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列的步骤，包括：
14.将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列，其中，步态评分模型基于人员步态样本训练得到，人员步态样本包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人员静止样本、人员上下楼梯样本、人员正常行走样本中的至少一种。
15.可选的，将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列的步骤，包括：
16.将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到每一帧中的人员属于各预设非正常行走步态的评分；
17.针对任一帧，将该帧中的人员属于所述各预设非正常行走步态的评分进行加权融合，得到该帧中的人员步态评分；
18.确定每一帧中的人员步态评分组成的评分序列；
19.基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列的步骤，包括：
20.将评分序列中的各步态评分与预设阈值进行比较，确定步态评分小于预设阈值的各帧组成的步态序列。
21.可选的，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列的步骤，包括：
22.若基于评分序列及预设阈值，确定有连续多帧中的人员步态评分均满足预设阈值，且连续多帧的帧数超过预设帧数，则确定连续多帧组成步态序列。
23.可选的，基于步态序列，提取步态特征的步骤，包括：
24.将步态序列输入预先训练得到的特征提取模型，得到步态特征。
25.第二方面，本发明实施例提供了一种基于步态的人员身份识别装置，该装置包括：
26.提取模块，用于提取流文件的每一帧中的人员关键点信息；
27.评分模块，用于根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列；
28.确定模块，用于基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，其中，组成步态序列的各帧中的人员都是正常行走步态；
29.识别模块，用于基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。
30.可选的，评分模块，具体用于将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列，其中，步态评分模型基于人员步态样本训练得到，人员步态样本包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人员静止样本、人员上下楼梯样本、人员正常行走样本中的至少一种。
31.第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器；
32.存储器，用于存放计算机程序；
33.处理器，用于执行存储器上所存放的计算机程序时，实现本发明实施例第一方面所提供的方法。
34.第四方面，本发明实施例提供了一种机器可读存储介质，机器可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例第一方面所提供的方法。
35.第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例第一方面所提供的方法。
36.本发明实施例提供的一种基于步态的人员身份识别方法、装置及电子设备，提取流文件的每一帧中的人员关键点信息，根据每一帧中的人员关键点信息，对每一帧中的人
员进行步态评分，得到评分序列，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。在提取出每一帧中的人员关键点信息后，对每一帧中的人员进行步态评分，某一帧中人员的步态评分满足预设阈值，说明该帧中的人员是正常行走步态，某一帧中人员的步态评分不满足预设阈值，说明该帧中的人员是非正常行走步态，通过将步态评分满足预设阈值的各帧组成步态序列，筛选出了人员是正常行走步态的各帧，然后基于步态序列提取步态特征，也就是仅对人员是正常行走步态的各帧进行步态特征提取，降低了提取步态特征的工作量，再利用所提取的步态特征进行人员身份识别，从而提高人员身份识别的效率。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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实施例。
38.图1为本发明实施例的一种基于步态的人员身份识别方法的流程示意图；
39.图2为本发明实施例的另一种基于步态的人员身份识别方法的流程示意图；
40.图3为本发明实施例的基于步态的人员身份识别装置的结构示意图；
41.图4为本发明实施例的电子设备的结构示意图。
具体实施方式
42.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.为了提高人员身份识别的效率，本发明实施例提供了一种基于步态的人员身份识别方法、装置及电子设备。下面，首先对本发明实施例所提供的基于步态的人员身份识别方法进行介绍。
44.本发明实施例所提供的基于步态的人员身份识别方法的执行主体可以为具有目标识别功能的电子设备(例如图像处理器、相机、后台服务器、人员身份识别计算机等)。实现本发明实施例所提供的基于步态的人员身份识别方法的方式可以为设置于上述执行主体中的软件、硬件电路和逻辑电路中的至少一种。
45.如图1所示，本发明实施例所提供的一种基于步态的人员身份识别方法，可以包括如下步骤。
46.s101，提取流文件的每一帧中的人员关键点信息。
47.s102，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列。
48.s103，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，其中，组成步态序列的各帧中的人员都是正常行走步态。
49.s104，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。
50.应用本发明实施例，提取流文件的每一帧中的人员关键点信息，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。在提取出每一帧中的人员关键点信息后，对每一帧中的人员进行步态评分，某一帧中人员的步态评分满足预设阈值，说明该帧中的人员是正常行走步态，某一帧中人员的步态评分不满足预设阈值，说明该帧中的人员是非正常行走步态，通过将步态评分满足预设阈值的各帧组成步态序列，筛选出了人员是正常行走步态的各帧，然后基于步态序列提取步态特征，也就是仅对人员是正常行走步态的各帧进行步态特征提取，降低了提取步态特征的工作量，再利用所提取的步态特征进行人员身份识别，从而提高人员身份识别的效率。
51.并且，采用本发明实施例，基于评分序列及预设阈值，能够筛选出步态评分满足预设阈值的各帧组成的步态序列，组成步态序列的各帧中的人员都是正常行走步态，则基于步态序列提取步态特征时，是将正常行走步态用于提取步态特征，避免了将非正常行走步态用于提取步态特征影响步态特征的质量，因此，能够提高步态特征的质量，进一步的，利用步态特征进行人员身份识别的效果也更加。
52.上述流文件是指以数据流的形式采集的文件，例如视频流、利用红外设备采集的流数据等。每一帧中的人员关键点是指每一帧中人员的手、脚、腿等能够体现人员姿态的身体部位。人员关键点信息具体是指一帧中人员关键点的个数、所处位置等信息。
53.提取人员关键点信息的方式可以是传统的特征匹配的方式，也就是将预选的人员关键点特征在流文件的每一帧中分别进行特征匹配，如果匹配成功，则说明该帧中存在人员关键点，记录下人员关键点在该帧中的个数、位置等信息。
54.在本发明实施例的一种实现方式中，s101具体可以为：将流文件中的每一帧依次输入预先训练得到的关键点提取模型，得到关键点序列，其中，关键点序列包括每一帧中的人员关键点信息。
55.提取人员关键点信息的方式除了可以是上述传统的特征匹配的方式以外，还可以基于深度学习方式，也就是将流文件中的每一帧依次输入预先训练得到的关键点提取模型，关键点提取模型是基于人员关键点样本训练得到的深度学习模型，人员关键点样本可以是具有人员关键点的图像样本，具体的训练过程与传统的深度学习模型训练过程相同，这里不再赘述。每一帧输入关键点提取模型都可以得到该帧中的人员关键点信息，将每一帧中的人员关键点信息组合可得关键点序列。
56.在提取出每一帧中的人员关键点信息后，基于每一帧中的人员关键点信息，可以分析出每一帧中人员关键点位置、姿态等，例如人员关键点是否被遮挡、人员关键点是否处于静止状态、人员关键点是否处于快速移动状态等，基于分析结果，可以对每一帧中的人员进行步态评分，步态评分可以基于正常行走步态高于非正常行走步态的标准进行设置，也可以基于非正常行走步态高于正常行走步态的标准进行设置。这样，通过对每一帧中的人员进行步态评分，对每一帧的步态评分组合得到评分序列。
57.在本发明实施例的一种实现方式中，s102具体可以为：将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列，其中，步态评分模型基于人员步态样本训练得到，人员步态样本包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人
员静止样本、人员上下楼梯样本、人员正常行走样本中的至少一种。
58.对每一帧中的人员进行步态评分的方式可以是基于深度学习的方式，也就是将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列。步态评分模型是基于人员步态样本训练得到的深度学习模型，人员步态样本包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人员静止样本、人员上下楼梯样本、人员正常行走样本中的至少一种，具体的训练过程与传统的深度学习模型训练过程相同，这里不再赘述，步态评分模型的输入是人员关键点信息，输出的是人员关键点所指示的人员步态，以及是该人员步态的置信度。步态评分模型可以基于一种类型的样本训练得到，那么步态评分模型输出的就是人员关键点是这一类型的样本的人员步态的置信度，基于该置信度可相应的设置评分；步态评分模型还可以基于多种类型的样本训练得到，那么步态评分模型输出的就是人员关键点分别是各类型的样本的人员步态的置信度，基于这些置信度可相应的设置评分。
59.具体的，上述步态评分模型可以为时序维度上不降维的三维卷积模型。
60.步态评分模型是基于输入的每一帧中的人员关键点信息进行步态评分，为了保证输出的评分序列中包括每一帧人员的步态评分，即步态评分模型的输出帧数与输入帧数保持一致，则步态评分模型可以选择为时序维度上不降维的三维卷积模型。
61.本发明实施例中设置有一个预设阈值，该预设阈值区分了正常行走步态和非正常行走步态，如果一帧中人员的步态评分满足预设阈值，则说明该帧中的人员属于正常行走步态，如果一帧中人员的步态评分不满足预设阈值，则说明该帧中的人员属于非正常行走步态。基于该定义，可以筛选出步态评分满足预设阈值的各帧组成的步态序列，也就是筛选出人员属于正常行走步态的各帧组成的步态序列。
62.在本发明实施例的一种实现方式中，将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列的步骤，具体可以为：将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到每一帧中的人员属于各预设非正常行走步态的评分；针对任一帧，将该帧中的人员属于各预设非正常行走步态的评分进行加权融合，得到该帧中的人员步态评分；确定每一帧中的人员步态评分组成的评分序列。s103具体可以为：将评分序列中的各步态评分与预设阈值进行比较，确定步态评分小于预设阈值的各帧组成的步态序列。
63.在本发明实施例中，人员步态样本可以包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人员静止样本、人员上下楼梯样本等各种预设非正常行走样本，那么，训练得到的步态评分模型可以基于输入的每一帧中人员关键点信息识别出每一帧中的人员是否属于被遮挡、奔跑、原地徘徊、静止、上下楼梯等预设非正常行走步态，并且可以得到每一帧中的人员属于各预设非正常行走步态的评分，然后针对任一帧，将该帧中的人员属于各预设非正常行走步态的评分进行加权融合，即可得到该帧中的人员步态评分。由于得到的步态评分实际是人员是非正常行走步态的评价分数，为了过滤掉其中的人员是非正常行走步态的帧，需要设置一个预设阈值，将评分序列中的各步态评分与预设阈值进行比较，确定步态评分小于预设阈值的各帧组成的步态序列，这样，即可过滤掉步态评分高于预设阈值的帧，也就是过滤掉了其中的人员是非正常行走步态的帧。
64.当然，在另一种实现方式中，人员步态样本可以为人员正常行走样本，那么，训练得到的步态评分模型可以基于输入的每一帧中人员关键点信息识别出每一帧中的人员是
否属于正常行走步态，并且可以得到每一帧中的人员属于正常行走步态的评分。为了过滤掉其中的人员是非正常行走步态的帧，需要设置一个预设阈值，将评分序列中的各步态评分与预设阈值进行比较，确定步态评分大于预设阈值的各帧组成的步态序列，这样，即可过滤掉步态评分低于预设阈值的帧，也就是过滤掉了其中的人员是非正常行走步态的帧。
65.在本发明实施例的一种实现方式中，s103具体可以为：若基于评分序列及预设阈值，确定有连续多帧中的人员步态评分均满足预设阈值，且连续多帧的帧数超过预设帧数，则确定连续多帧组成步态序列。
66.由于人员的正常行走步态是一个动态的变化过程，而这个变化过程具体是连续多帧体现的，因此，在后续进行步态特征提取时，需要基于连续多帧进行提取，也就是说，在确定步态序列的时候，需要判断是否有连续多帧中的人员步态评分均满足预设阈值，如果是，则需要判断连续多帧的帧数是否超过了预设帧数，如果超过，则说明这些帧可以作为步态特征提取的基础，确定连续多帧组成步态序列。
67.在具体应用中，如果没有连续多帧中的人员步态评分均满足预设阈值，或者，存在连续多帧中的人员步态评分均满足预设阈值，但是连续多帧的帧数未达到预设帧数的要求，则认为无满足要求的步态序列。如果仅存在一段连续多帧中的人员步态评分均满足预设阈值，且该段连续多帧的帧数超过预设帧数，则可确定该段连续多帧组成步态序列。如果存在k段连续多帧中的人员步态评分均满足预设阈值，且有m段连续多帧的帧数超过预设帧数，则可确定这m段连续多帧分别组成步态序列。
68.在本发明实施例的一种实现方式中，s104中基于步态序列，提取步态特征的步骤，具体可以为：将步态序列输入预先训练得到的特征提取模型，得到步态特征。
69.提取步态特征的方式可以采用基于深度学习的方式，也就是将步态序列输入预先训练得到的特征提取模型，特征提取模型是基于人员样本训练得到的深度学习模型，人员样本可以是对人员进行拍摄的图像样本，具体的训练过程与传统的深度学习模型训练过程相同，这里不再赘述。特征提取可以点对点的基于输入的步态序列，得到人员的步态特征。最后，利用步态特征即可进行人员身份识别。
70.为了便于理解，下面结合视频监控场景，对本发明实施例提供的基于步态的人员身份识别方法进行详细介绍。如图2所示，该方法主要包括如下步骤：
71.第一步，获得关键点序列。
72.利用已有的任意一种关键点提取模型从视频流中获得关键点序列。
73.第二步，利用步态评分模型从关键点序列中得到评分序列。
74.步态评分模型的输入为关键点序列x
ik
∈r
n
×
m
，其中，n表示视频流的帧数，m表示每一帧的人员关键点个数。步态评分模型可以使用已有的任意时序维度上不降维的3d卷积模型，以保证步态评分模型的输出帧数与输入帧数保持一致。步态评分模型的输出可以表示为评分序列s
ik
∈r
n
×
s
，其中，n表示视频流的帧数，s表示各非正常行走步态，假设非正常行走步态有以下5种定义：人员被遮挡、人员在奔跑中、人员原地徘徊、人员静止不动、人员上下楼梯。则s表示的是这5种非正常行走步态，因此，评分序列中的每个元素可以是一个数组，该数组就是一帧中人员属于各非正常行走步态的评分s
i
＝[s
i1
,s
i2
,s
i3
,s
i4
,s
i5
]，然后通过加权融合的方式得到该帧中的人员步态评分其中，权重w
j
根据每个非正
常行走步态的重要程度进行设置。
[0075]
第三步，筛选优质帧。
[0076]
在得到评分序列后，基于预先设定的预设阈值α来判断一视频帧是否为优质帧，即如果一视频帧的人员步态评分z
i
<α，则认为该视频时优质帧。
[0077]
第四步，确定步态序列。
[0078]
在得到优质帧后，进行步态序列的筛选，步态序列由视频流中连续的优质帧组成，主要分为以下三种情况：第一种，视频流中不存在连续优质帧或者虽然存在连续优质帧但连续优质帧的帧长小于给定阈值，则认为该视频流中无步态序列；第二种，视频流中存在一段连续优质帧，且连续优质帧的帧长大于或等于给定阈值，则认为该视频流中存在一个步态序列；第三种，视频流中存在k段连续优质帧，且其中有m段连续优质帧的帧长大于或等于给定阈值，则认为该视频流中存在m个步态序列。
[0079]
第五步，步态特征提取。
[0080]
在得到一个或者多个步态序列后，将这些步态序列输入训练好的特征提取模型中，可得到步态特征。
[0081]
第六步，身份识别。
[0082]
最后利用步态特征进行人员身份识别。
[0083]
本发明提取的是人员关键点信息，相比于传统的基于步态的人员身份识别方法中需要提取人体轮廓图像而言，提取人员关键点信息占用更小的内存资源和计算资源，有利于提高运行效率。并且，本发明采用的步态序列挑选方法能够有效过滤非正常行走的视频帧，得到正常行走的最优帧构成的步态序列，减少特征提取计算量的同时避免非正常行走的视频帧对人员身份识别的效果影响。
[0084]
基于上述方法实施例，本发明实施例提供了一种基于步态的人员身份识别装置，如图3所示，该装置可以包括：
[0085]
提取模块310，用于提取流文件的每一帧中的人员关键点信息；
[0086]
评分模块320，用于根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列；
[0087]
确定模块330，用于基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，其中，组成步态序列的各帧中的人员都是正常行走步态；
[0088]
识别模块340，用于基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。
[0089]
可选的，提取模块310，具体可以用于将流文件中的每一帧依次输入预先训练得到的关键点提取模型，得到关键点序列，其中，关键点序列包括每一帧中的人员关键点信息。
[0090]
可选的，评分模块320，具体可以用于将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到评分序列，其中，步态评分模型基于人员步态样本训练得到，人员步态样本包括人员被遮挡样本、人员奔跑样本、人员原地徘徊样本、人员静止样本、人员上下楼梯样本、人员正常行走样本中的至少一种。
[0091]
可选的，步态评分模型可以为时序维度上不降维的三维卷积模型。
[0092]
可选的，评分模块320，具体可以用于将每一帧中的人员关键点信息输入预先训练得到的步态评分模型，得到每一帧中的人员属于各预设非正常行走步态的评分；针对任一
帧，将该帧中的人员属于所述各预设非正常行走步态的评分进行加权融合，得到该帧中的人员步态评分；确定每一帧中的人员步态评分组成的评分序列；
[0093]
确定模块330，具体可以用于将评分序列中的各步态评分与预设阈值进行比较，确定步态评分小于预设阈值的各帧组成的步态序列。
[0094]
可选的，确定模块330，具体可以用于若基于评分序列及预设阈值，确定有连续多帧中的人员步态评分均满足预设阈值，且连续多帧的帧数超过预设帧数，则确定连续多帧组成步态序。
[0095]
可选的，识别模块340，具体可以用于将步态序列输入预先训练得到的特征提取模型，得到步态特征。
[0096]
应用本发明实施例，提取流文件的每一帧中的人员关键点信息，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。在提取出每一帧中的人员关键点信息后，对每一帧中的人员进行步态评分，某一帧中人员的步态评分满足预设阈值，说明该帧中的人员是正常行走步态，某一帧中人员的步态评分不满足预设阈值，说明该帧中的人员是非正常行走步态，通过将步态评分满足预设阈值的各帧组成步态序列，筛选出了人员是正常行走步态的各帧，然后基于步态序列提取步态特征，也就是仅对人员是正常行走步态的各帧进行步态特征提取，降低了提取步态特征的工作量，再利用所提取的步态特征进行人员身份识别，从而提高人员身份识别的效率。
[0097]
本发明实施例提供了一种电子设备，如图4所示，包括处理器401和存储器402，其中，存储器402，用于存放计算机程序；处理器401，用于执行存储器上所存放的计算机程序时，实现上述基于步态的人员身份识别方法。
[0098]
上述存储器可以包括ram(random access memory，随机存取存储器)，也可以包括nvm(non
‑
volatile memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离上述处理器的存储装置。
[0099]
上述处理器可以是通用处理器，包括cpu(central processing unit，中央处理单元)、np(network processor，网络处理器)等；还可以是dsp(digital signal processing，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field
‑
programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0100]
本实施例中，上述处理器通过读取存储器中存储的计算机程序，并通过运行计算机程序，能够实现：提取流文件的每一帧中的人员关键点信息，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。在提取出每一帧中的人员关键点信息后，对每一帧中的人员进行步态评分，某一帧中人员的步态评分满足预设阈值，说明该帧中的人员是正常行走步态，某一帧中人员的步态评分不满足预设阈值，说明该帧中的人员是非正常行走步态，通过将步态评分满足预设阈值的各帧组成步态序列，筛选出了人员是正常行走步态的各帧，然后基于步态序列提取步态特征，也就是仅对人员是正常行走步态的各帧进行步态特征提取，降低
了提取步态特征的工作量，再利用所提取的步态特征进行人员身份识别，从而提高人员身份识别的效率。
[0101]
另外，本发明实施例提供了一种机器可读存储介质，机器可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述基于步态的人员身份识别方法。
[0102]
本实施例中，计算机可读存储介质存储有在运行时执行本发明实施例所提供的基于步态的人员身份识别方法的计算机程序，因此能够实现：提取流文件的每一帧中的人员关键点信息，根据每一帧中的人员关键点信息，对每一帧中的人员进行步态评分，得到评分序列，基于评分序列及预设阈值，确定步态评分满足预设阈值的各帧组成的步态序列，基于步态序列，提取步态特征，并利用步态特征进行人员身份识别。在提取出每一帧中的人员关键点信息后，对每一帧中的人员进行步态评分，某一帧中人员的步态评分满足预设阈值，说明该帧中的人员是正常行走步态，某一帧中人员的步态评分不满足预设阈值，说明该帧中的人员是非正常行走步态，通过将步态评分满足预设阈值的各帧组成步态序列，筛选出了人员是正常行走步态的各帧，然后基于步态序列提取步态特征，也就是仅对人员是正常行走步态的各帧进行步态特征提取，降低了提取步态特征的工作量，再利用所提取的步态特征进行人员身份识别，从而提高人员身份识别的效率。
[0103]
本发明实施例提供的又一实施例中，还了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述基于步态的人员身份识别方法。
[0104]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、dsl(digital subscriber line，数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如dvd(digital versatile disc，数字多功能光盘))、或者半导体介质(例如ssd(solid state disk，固态硬盘))等。
[0105]
对于基于步态的人员身份识别装置、电子设备、机器可读存储介质及计算机程序产品实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0106]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0107]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于基于步态的人员身份识别装置、电子设备、机器可读存储介质及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0108]
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。