一种步态识别算法部署策略生成方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，尤其是涉及一种步态识别算法部署策略生成方法、装置、设备及介质。


背景技术：

2.生物特征识别技术是鉴定个体身份的一种方法，它利用人体所固有的生理或行为特征进行个体的身份鉴别，生物特征识别技术包括人脸识别、指纹识别、虹膜识别和步态识别等多种识别技术。由于每个人的生物特征具有唯一性与普遍性，不易伪造和假冒，因此利用生物特征识别技术进行身份认证具有安全、可靠、正确等优点。
3.步态识别旨在根据人们走路的姿势识别其身份。作为第二代生物特征识别技术，步态识别是唯一在远距离情况下可以进行身份认证的生物特征识别技术，具有隐蔽性好、对视频质量要求不高、远距离非接触以及难以伪装等优点。基于上述优点，步态识别近年来备受关注，在视觉监控领域具有广阔的应用前景。
4.现有技术中，通常使用步态识别算法对采集到目标人物的步态特征与步态特征数据库中已有的步态特征进行比对，计算两者之间的相似度，相似度的高低是识别身份可信程度的依据。但是在实际应用过程中，步态识别的准确度不仅仅受到步态识别算法本身的影响，还会受到建立步态特征数据库时图像采集设备、现场环境、捕获步态信息质量等因素的影响，进而影响步态识别的准确度。


技术实现要素：

5.有鉴于此，本技术的目的在于提供一种步态识别算法部署策略生成方法、装置、设备及介质，对影响步态识别精准度的环境参数、设备参数、捕获步态信息参数进行分析，从而提升步态识别算法在应用现场的精准度。
6.第一方面，本技术实施例提供了一种步态识别算法部署策略生成方法，包括：
7.训练好的目标决策树模型根据其训练的过程中使用的多个参数组合，输出决策树图像；所述参数组合包括采集设备部署参数、拍摄环境参数、视频图像属性参数和拍摄系统参数中的至少一种；
8.从所述决策树图像中提取出所述参数组合中的各个参数对步态识别相似度的影响程度，并按照每个参数的影响程度从大到小的顺序，将位于前目标数量的参数选取出来作为目标参数；
9.根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
10.结合第一方面，本技术实施例提供了第一方面的第一种可能的实施方式，其中，所述目标决策树模型是通过以下方式训练得到的：
11.获取多个训练样本数据；所述训练样本数据包括所述参数组合和该参数组合对应的第一相似度；所述第一相似度是根据目标对象的抓拍步态特征与样本步态特征之间的比
对相似度得到的，当所述比对相似度大于第一预设相似度时，该比对相似度对应的所述第一相似度为1，当所述比对相似度不大于所述第一预设相似度时，该比对相似度对应的所述第一相似度为0；所述样本步态特征是从使用第一部署策略进行拍摄时得到的第一样本图像中提取的；所述第一部署策略是根据所述参数组合生成的；所述抓拍步态特征是从对所述目标对象进行随机拍摄时得到的第二样本图像中提取的；
12.将所述训练样本数据划分为训练集合和验证集合；
13.将所述训练集合中的所述参数组合输入到至少一个待训练的初始决策树模型中，每个所述初始决策树模型分别输出该参数组合对应的第二相似度；所述第二相似度的取值为0或1；
14.针对每个所述初始决策树模型，使用所述第一相似度与该初始决策树模型输出的所述第二相似度进行损失函数计算，得到损失值，并利用所述损失值对该初始决策树模型进行反向传播训练，以对该初始决策树模型中的可学习参数进行调整，直至使用完毕所述训练集合中所有的训练样本数据时停止训练，并将当前的初始决策树模型作为中间决策树模型；
15.将所述验证集合中的所述参数组合输入到每个所述中间决策树模型中，每个所述中间决策树模型分别输出该参数组合对应的第三相似度；所述第三相似度的取值为0或1；
16.针对每个所述中间决策树模型，根据所述第一相似度和该中间决策树模型输出的所述第三相似度，计算该中间决策树模型的准确度；
17.根据每个所述中间决策树模型的准确度，从所有的所述中间决策树模型中选取出准确度最高的作为所述目标决策树模型。
18.结合第一方面，本技术实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄，包括：
19.获取测试对象的第一步态特征和第二步态特征；所述第一步态特征是从使用所述部署策略对所述测试对象进行拍摄得到的第一测试图像中提取的；所述第二步态特征是从对所述测试对象进行随机拍摄时得到的第二测试图像中提取的；
20.计算所述第一步态特征和所述第二步态特征之间的第四相似度，当所述第四相似度大于第二预设相似度时，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
21.结合第一方面，本技术实施例提供了第一方面的第三种可能的实施方式，其中，所述部署策略中包含有对指定对象进行拍摄时的目标拍摄时长；所述方法还包括：
22.以建立目标步态特征数据库为目的根据所述部署策略进行拍摄的过程中，当对所述指定对象进行拍摄时的拍摄时长小于所述目标拍摄时长时，向所述指定对象发出提示信息并重新对该指定对象进行拍摄；所述提示信息用于提示所述指定对象减慢其行走速度。
23.结合第一方面，本技术实施例提供了第一方面的第四种可能的实施方式，其中，所述采集设备部署参数包括采集设备的数量和俯仰角中的至少一个；所述拍摄环境参数包括拍摄环境的复杂度和光线强度中的至少一个；所述视频图像属性参数包括拍摄视频的采集时长、拍摄视角、序列长度和该拍摄视频中每一帧图像的图像清晰度、图像分辨率、图像像素中的至少一个；所述拍摄系统参数包括从视频中选取图像的跳帧策略。
24.第二方面，本技术实施例还提供一种步态识别算法部署策略生成装置，包括：
25.输出模块，用于训练好的目标决策树模型根据其训练的过程中使用的多个参数组合，输出决策树图像；所述参数组合包括采集设备部署参数、拍摄环境参数、视频图像属性参数和拍摄系统参数中的至少一种；
26.提取模块，用于从所述决策树图像中提取出所述参数组合中的各个参数对步态识别相似度的影响程度，并按照每个参数的影响程度从大到小的顺序，将位于前目标数量的参数选取出来作为目标参数；
27.生成模块，用于根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
28.结合第二方面，本技术实施例提供了第二方面的第一种可能的实施方式，其中，还包括：
29.获取模块，用于获取多个训练样本数据；所述训练样本数据包括所述参数组合和该参数组合对应的第一相似度；所述第一相似度是根据目标对象的抓拍步态特征与样本步态特征之间的比对相似度得到的，当所述比对相似度大于第一预设相似度时，该比对相似度对应的所述第一相似度为1，当所述比对相似度不大于所述第一预设相似度时，该比对相似度对应的所述第一相似度为0；所述样本步态特征是从使用第一部署策略进行拍摄时得到的第一样本图像中提取的；所述第一部署策略是根据所述参数组合生成的；所述抓拍步态特征是从对所述目标对象进行随机拍摄时得到的第二样本图像中提取的；
30.划分模块，用于将所述训练样本数据划分为训练集合和验证集合；
31.第一输入模块，用于将所述训练集合中的所述参数组合输入到至少一个待训练的初始决策树模型中，每个所述初始决策树模型分别输出该参数组合对应的第二相似度；所述第二相似度的取值为0或1；
32.第一计算模块，用于针对每个所述初始决策树模型，使用所述第一相似度与该初始决策树模型输出的所述第二相似度进行损失函数计算，得到损失值，并利用所述损失值对该初始决策树模型进行反向传播训练，以对该初始决策树模型中的可学习参数进行调整，直至使用完毕所述训练集合中所有的训练样本数据时停止训练，并将当前的初始决策树模型作为中间决策树模型；
33.第二输入模块，用于将所述验证集合中的所述参数组合输入到每个所述中间决策树模型中，每个所述中间决策树模型分别输出该参数组合对应的第三相似度；所述第三相似度的取值为0或1；
34.第二计算模块，用于针对每个所述中间决策树模型，根据所述第一相似度和该中间决策树模型输出的所述第三相似度，计算该中间决策树模型的准确度；
35.选取模块，用于根据每个所述中间决策树模型的准确度，从所有的所述中间决策树模型中选取出准确度最高的作为所述目标决策树模型。
36.结合第二方面，本技术实施例提供了第二方面的第二种可能的实施方式，其中，所述生成模块在用于根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄时，具体用于：
37.获取测试对象的第一步态特征和第二步态特征；所述第一步态特征是从使用所述部署策略对所述测试对象进行拍摄得到的第一测试图像中提取的；所述第二步态特征是从对所述测试对象进行随机拍摄时得到的第二测试图像中提取的；
38.计算所述第一步态特征和所述第二步态特征之间的第四相似度，当所述第四相似度大于第二预设相似度时，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
39.结合第二方面，本技术实施例提供了第二方面的第三种可能的实施方式，其中，所述部署策略中包含有对指定对象进行拍摄时的目标拍摄时长；所述装置还包括：
40.提示模块，用于以建立目标步态特征数据库为目的根据所述部署策略进行拍摄的过程中，当对所述指定对象进行拍摄时的拍摄时长小于所述目标拍摄时长时，向所述指定对象发出提示信息并重新对该指定对象进行拍摄；所述提示信息用于提示所述指定对象减慢其行走速度。
41.结合第二方面，本技术实施例提供了第二方面的第四种可能的实施方式，其中，所述采集设备部署参数包括采集设备的数量和俯仰角中的至少一个；所述拍摄环境参数包括拍摄环境的复杂度和光线强度中的至少一个；所述视频图像属性参数包括拍摄视频的采集时长、拍摄视角、序列长度和该拍摄视频中每一帧图像的图像清晰度、图像分辨率、图像像素中的至少一个；所述拍摄系统参数包括从视频中选取图像的跳帧策略。
42.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。
43.第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。
44.本技术实施例提供的一种步态识别算法部署策略生成方法、装置、设备及介质，通过决策树模型确定参数组合中的各个参数对步态识别相似度的影响程度，以按照每个参数的影响程度从大到小的顺序，将位于前目标数量的参数选取出来作为目标参数，根据目标参数生成部署策略，以在建立目标步态特征数据库时根据部署策略进行拍摄。通过该方法，在建立目标步态特征数据库之前，先确定出建立目标步态特征数据库时的部署策略，以在建立目标步态特征数据库时根据该部署策略进行拍摄，能够使得建立的目标步态特征数据库中的步态特征更准确，从而提升步态识别算法在应用现场的精准度，进而提高步态识别的准确度。
45.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
46.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
47.图1示出了本技术实施例所提供的一种步态识别算法部署策略生成方法的流程图；
48.图2示出了本技术实施例所提供的第一相似度生成过程的示意图；
49.图3示出了本技术实施例所提供的一种步态识别算法部署策略生成装置的结构示意图；
50.图4示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
52.为便于理解，首先对本技术的应用场景进行简单说明，在对目标人物进行步态识别时，需要通过摄像设备抓拍到该目标人物的视频，然后通过步态识别算法从该视频中连续的每一帧图像中提取出该目标人物的步态特征，并将该目标人物的步态特征与预先建立的步态特征数据库中已存有的步态特征进行比对，计算目标人物的步态特征与步态特征数据库中已存有的步态特征之间的相似度，从而从步态特征数据库中识别出该目标人物。在一个具体的应用场景中，当步态特征数据库中存有该目标人物的步态特征时，表示该目标人物为本单位的员工，允许该目标人物进入该单位。
53.其中，在预先建立该单位的员工的步态特征数据库时，需要每个员工在指定的场地下进行行走，通过一个或多个采集设备同时记录其行走的视频，并从该视频中连续的帧图像中提取出该员工的步态特征，将该员工的步态特征和身份信息存储到步态特征数据库中。
54.考虑到步态识别的准确度会受到预先建立的步态特征数据库和抓拍步态特征时图像采集设备以及环境等因素的影响，进而影响步态识别算法识别的精准度的问题，基于此，本技术实施例提供了一种步态识别算法部署策略生成方法、装置、设备及介质，在建立目标步态特征数据库之前，先确定出建立目标步态特征数据库时的部署策略，以在建立目标步态特征数据库时根据部署策略进行拍摄，进而提高步态识别的准确度。下面通过实施例进行描述。
55.实施例一：
56.为便于对本实施例进行理解，首先对本技术实施例所公开的一种步态识别算法部署策略生成方法进行详细介绍。图1示出了本技术实施例所提供的一种步态识别算法部署策略生成方法的流程图，如图1所示，包括以下步骤s101-s103：
57.s101：训练好的目标决策树模型根据其训练的过程中使用的多个参数组合，输出决策树图像；参数组合包括采集设备部署参数、拍摄环境参数、视频图像属性参数和拍摄系统参数中的至少一种。
58.在本实施例中，在建立最终的目标步态特征数据库之前，先根据不同的参数组合建立目标对象在不同参数组合下的样本步态特征。参数组合指的是在建立目标对象的步态特征时拍摄现场的拍摄参数的组合，参数组合可以是根据先验经验预先设定的。针对同一
个目标对象，参数组合的数量与该目标对象的样本步态特征的数量相同，每个参数组合对应一个该目标对象的样本步态特征，不同参数组合对应的样本步态特征可能不同。
59.示例性的，参数组合可以为：使用几个采集设备记录目标对象的行走视频，并且预先确定每个采集设备的俯仰角是多少，以及预先确定拍摄场景的背景的复杂度等。每个参数组合中至少存在一个参数不同，例如参数组合a中使用了三个采集设备，参数组合b中使用了一个采集设备。其中，采集设备可以为摄像机。
60.s102：从决策树图像中提取出参数组合中的各个参数对步态识别相似度的影响程度，并按照每个参数的影响程度从大到小的顺序，将位于前目标数量的参数选取出来作为目标参数。
61.在本技术中，该方法应用于服务器，目标决策树模型设置于服务器中。通过训练好的目标决策树模型输出决策树图像。服务器得到决策树图像后，执行步骤s102。决策树图像是一个可视化图像，决策树图像中包含有参数组合中各个参数对步态识别相似度的影响程度，可以理解为，例如，决策树图像中包含有采集设备部署1个的时侯对步态识别相似度的影响程度是多少，采集设备部署3个的时候对步态识别相似度的影响程度是多少，俯仰角为30度的时候对步态识别相似度的影响程度是多少等。其中，决策树图像可以为png格式的图像。
62.在一个具体的实施例中，从决策树图像中提取出参数组合中的各个参数对步态识别相似度的影响程度以及各个参数对步态识别相似度的影响程度从大到小的排列顺序，将排列在前面的目标数量的参数选取出来作为目标参数。示例性的，若序列长度(即参数组合中的一个参数)为40张时，对步态识别相似度的影响程度排列在前面，那么将序列长度为40张作为目标参数，或者例如，采集设备的俯仰角(即参数组合中的另一个参数)为20度时，对步态识别相似度的影响程度排列在前面时，那么将采集设备的俯仰角为20度作为目标参数。
63.s103：根据目标参数生成部署策略，以在建立目标步态特征数据库时根据部署策略进行拍摄。
64.部署策略中可以包括采集设备的部署数量、采集设备的部署俯仰角、拍摄环境的复杂度、拍摄环境的光线强度、拍摄视频的采集时长等等。其中，采集设备可以为摄像机。示例性的，承接步骤s102中的例子，此时部署策略可以为序列长度为40张、采集设备的俯仰角为20度。
65.在一个可能的实施方式中，采集设备部署参数包括采集设备的数量和俯仰角中的至少一个；拍摄环境参数包括拍摄环境的复杂度和光线强度中的至少一个；视频图像属性参数包括拍摄视频的采集时长、拍摄视角、序列长度和该拍摄视频中每一帧图像的图像清晰度、图像分辨率、图像像素中的至少一个；拍摄系统参数包括从视频中选取图像的跳帧策略。
66.其中，采集设备指的是用于采集目标对象在行走时的视频的设备。采集设备部署参数指的是，在视频采集场景中部署采集设备的参数，例如，在视频采集场景中部署多少个采集设备、每个采集设备的俯仰角是多少。其中，俯仰角为采集设备与水平方向的夹角。
67.拍摄环境指的是采集设备在采集目标对象的行走视频时，该目标对象所处的拍摄场景，拍摄环境参数指的是采集设备在采集目标对象的行走视频时，该目标对象所处的拍
摄场景的参数。其中，拍摄环境的复杂度可以为拍摄环境中的地面颜色、目标对象的衣服的颜色等。拍摄环境的光线强度可以为在采集目标对象的行走视频时，拍摄场景的光线的强度，例如白天、黑天、有太阳、无太阳、上午、下午等等。
68.拍摄视频指的是采集设备采集到的目标对象在拍摄场景中的行走视频，拍摄视频的采集时长指的是在采集目标对象的行走视频的过程中，目标对象从一个指定位置行走到另一个指定位置的过程中所用的时间，也就是说，目标对象的行走路线是固定的，由于每个目标对象的行走速度不同，因此每个目标对象的采集时长不同。拍摄视角指的是的目标对象与采集设备之间的视角，例如目标对象与采集设备之间是面对面的视角拍摄，还是目标对象的背面冲着采集设备的视角拍摄。序列长度指的是目标对象在从一个指定位置行走到另一个指定位置的过程中，采集设备采集到的拍摄视频的视频流中的帧图像的数量，当目标对象行走速度较快时，序列长度较少，例如为10张，当目标对象行走速度较慢时，序列长度较多，例如为40张。视频中每一帧图像指的是拍摄视频的视频流中的每一帧图像。
69.采集设备将拍摄到的拍摄视频传输给拍摄系统，跳帧策略指的是，拍摄系统从接收到的拍摄视频的视频流中的所有帧图像中间隔多少帧(即跳多少帧)选取一帧图像的策略，例如从所有帧图像中，跳帧2帧选取一张图像。
70.在一种可能的实施方式中，目标决策树模型是通过以下方式训练得到的：
71.s1001：获取多个训练样本数据；训练样本数据包括参数组合和该参数组合对应的第一相似度；第一相似度是根据目标对象的抓拍步态特征与样本步态特征之间的比对相似度得到的，当比对相似度大于第一预设相似度时，该比对相似度对应的第一相似度为1，当比对相似度不大于第一预设相似度时，该比对相似度对应的第一相似度为0；样本步态特征是从使用第一部署策略进行拍摄时得到的第一样本图像中提取的；第一部署策略是根据参数组合生成的；抓拍步态特征是从对目标对象进行随机拍摄时得到的第二样本图像中提取的。
72.在本实施例中，图2示出了本技术实施例所提供的第一相似度生成过程的示意图，如图2所示，针对每一个参数组合，根据该参数组合生成该参数组合的第一部署策略。根据第一部署策略搭建用于建立步态特征数据库时的场景，例如，该第一部署策略为采集设备的数量为2，俯仰角分别为30度和60度，序列长度为20张等等。组织一定量的目标对象在指定路线上行走，通过采集设备对正在行走的目标对象进行拍摄，得到该目标对象在行走时的第一样本视频；根据第一部署策略中的跳帧策略，从第一样本视频中选取出多张第一样本图像，从多张第一样本图像中提取出该目标对象的样本步态特征。因此针对同一个目标对象，每个参数组合都对应一个该目标对象的样本步态特征，参数组合的数量与该目标对象的样本步态特征的数量相同，由于参数组合有多个，所以目标对象的样本步态特征有多个。
73.当目标对象在其他任意环境中行走时，随机抓拍该目标对象的在行走时的第二样本视频，根据第一部署策略中的跳帧策略从第二样本视频中选取多张第二样本图像，从多张第二样本图像中提取出该目标对象的抓拍步态特征。在本实施例中，目标对象的抓拍步态特征只有一个。
74.针对目标对象的每一个步态样本特征，将该步态样本特征和目标对象的抓拍步态特征输入到预先训练好的步态识别算法中，输出该步态样本特征和目标对象的抓拍步态特
征之间的比对相似度，比对相似度的取值范围为0至1，数值越大表示相似度越高，即越相似。将该比对相似度与第一预设相似度相比较，当该比对相似度大于第一预设相似度时，则该比对相似度对应的第一相似度为1，当该比对相似度不大于第一预设相似度时，则该比对相似度对应的第一相似度为0。每个步态样本特征对应一个第一相似度，即每个参数组合对应一个第一相似度。由于参数组合有多个，因此每个目标对象对应有多个第一相似度。
75.s1002：将训练样本数据划分为训练集合和验证集合。
76.在本实施例中，可以按照预设比例将训练样本数据划分为训练集合和验证集合。
77.示例性的，当训练样本数据的数量为100个时，当预设比例为50％时，训练集合中包括50个训练样本数据，验证集合中包括50个训练样本数据。每个训练样本数据中包含有一个参数组合和该参数组合对应的第一相似度。
78.s1003：将训练集合中的参数组合输入到至少一个待训练的初始决策树模型中，每个初始决策树模型分别输出该参数组合对应的第二相似度；第二相似度的取值为0或1。
79.预先选择出至少一个待训练的初始决策树模型，例如包括c4.5决策树、cart决策树(分类回归树)或id3决策树等。
80.在本技术的实施例中，将训练集合中的每个参数组合输入到至少一个待训练的初始决策树模型中，每个初始决策树模型分别输出该初始决策模型预测出的该参数组合对应的第二相似度。
81.s1004：针对每个初始决策树模型，使用第一相似度与该初始决策树模型输出的第二相似度进行损失函数计算，得到损失值，并利用损失值对该初始决策树模型进行反向传播训练，以对该初始决策树模型中的可学习参数进行调整，直至使用完毕训练集合中所有的训练样本数据时停止训练，并将当前的初始决策树模型作为中间决策树模型。
82.将参数组合对应的第一相似度作为标签，以对每个初始决策树模型进行训练。当参数组合对应的第二相似度与该参数组合对应的第一相似度相同时，表示初始决策树模型预测正确。
83.针对每个初始决策树模型，当训练集合中的训练样本数据全部使用完毕后，即训练集合中每一个训练样本数据都对初始决策树模型训练完成后，将当前的该初始决策树模型作为中间决策树模型。
84.s1005：将验证集合中的参数组合输入到每个中间决策树模型中，每个中间决策树模型分别输出该参数组合对应的第三相似度；第三相似度的取值为0或1。
85.在使用训练集合中的训练样本数据对初始决策树模型进行训练得到中间决策树模型后，需要对中间决策树模型进行验证，计算该中间决策树模型的准确度。
86.s1006：针对每个中间决策树模型，根据第一相似度和该中间决策树模型输出的第三相似度，计算该中间决策树模型的准确度。
87.示例性的，当第一相似度和该中间决策树模型输出的第三相似度相同时，表示该中间决策树模型预测正确；当第一相似度和该中间决策树模型输出的第三相似度不相同时，表示该中间决策树模型预测错误。具体地，计算预测正确的个数与预测总个数(预测总个数包括预测正确的个数和预测错误的个数)的比值，将该比值作为该中间决策树模型的准确度。
88.s1007：根据每个中间决策树模型的准确度，从所有的中间决策树模型中选取出准
确度最高的作为目标决策树模型。
89.根据每个中间决策树模型的准确度，从所有的中间决策树模型中选取出准确度最高的中间决策树模型，以将准确度最高的中间决策树模型作为目标决策树模型。
90.在一种可能的实施方式中，在执行步骤s103根据目标参数生成部署策略，以在建立目标步态特征数据库时根据部署策略进行拍摄时，具体可以按照以下步骤执行：
91.s1031：获取测试对象的第一步态特征和第二步态特征；第一步态特征是从使用部署策略对测试对象进行拍摄得到的第一测试图像中提取的；第二步态特征是从对测试对象进行随机拍摄时得到的第二测试图像中提取的。
92.在根据目标参数生成部署策略以后，为了保证在建立目标步态特征数据库时使用该部署策略进行拍摄能够提高步态识别的准确率，该实施例中先根据该部署策略对测试对象进行拍摄，目的是测试使用该部署策略对测试对象进行拍摄时，得到的测试对象的步态数据特征是否足够标准。
93.具体地，根据部署策略中包含的采集设备的数量、俯仰角等参数、以及拍摄环境参数等数据调整采集设备和拍摄环境。然后在该拍摄环境下，通过调整好的采集设备记录测试对象在行走时的第一测试视频，根据部署策略中包含的跳帧策略，从第一测试视频中选取出多张第一测试图像，并从多张第一测试图像中提取出测试对象的第一步态特征。在任意一个场景下，通过任意部署的采集设备记录测试对象在行走时的第二测试视频，根据部署策略中包含的跳帧策略，从第二测试视频中选取出多张第二测试图像，并从多张第二测试图像中提取出测试对象的第二步态特征。
94.s1032：计算第一步态特征和第二步态特征之间的第四相似度，当第四相似度大于第二预设相似度时，以在建立目标步态特征数据库时根据部署策略进行拍摄。
95.将第一步态特征和第二步态特征输入到预先训练好的步态识别算法中，通过步态识别算法计算第一步态特征和第二步态特征之间的第四相似度。第四相似度的取值范围是0至1。当第四相似度大于第二预设相似度时，表示使用该部署策略对测试对象进行拍摄时，得到的测试对象的步态数据特征足够标准，此时在建立目标步态特征数据库时根据部署策略进行拍摄所得到的目标步态特征数据库中的目标步态特征足够标准。
96.在一个具体的实施例中，可以获取多个测试对象的第一步态特征和第二步态特征，通过上述过程得到每个测试对象的第四相似度后，判断每个测试对象的第四相似度是否大于第二预设相似度，当每个测试对象的第四相似度都大于第二预设相似时，表示使用该部署策略对测试对象进行拍摄时，得到的测试对象的步态数据特征足够标准。
97.本实施例中，在建立目标步态特征数据库时根据部署策略进行拍摄的具体过程可以是，通过部署策略中包含的采集设备的数量、俯仰角、拍摄环境等参数，部署采集设备和拍摄场景，然后让指定对象在拍摄场景中的指定路线进行行走，采集设备记录指定对象在行走过程中的目标视频，根据部署策略中包括的跳帧策略从目标视频中选取出多张目标步态图像，并从多张目标步态图像中提取出指定对象的目标步态特征。在该实施例中，每个指定对象对应一个目标步态特征。将所有指定对象的目标步态特征存储至目标步态特征数据库中。在一个具体的实施例中，指定对象可以是公司的员工等。
98.在另一种可能的情况下，计算第一步态特征和第二步态特征之间的第四相似度，当第四相似度不大于第二预设相似度时，重新执行步骤s101-s103，重新生成部署策略。
99.在一种可能的实施方式中，部署策略中包含有对指定对象进行拍摄时的目标拍摄时长；该方法还包括：
100.以建立目标步态特征数据库为目的根据部署策略进行拍摄的过程中，当对指定对象进行拍摄时的拍摄时长小于目标拍摄时长时，向指定对象发出提示信息并重新对该指定对象进行拍摄；提示信息用于提示指定对象减慢其行走速度。
101.当对指定对象进行拍摄时的拍摄时长小于目标拍摄时长时，表示该指定对象的行走速度过快，因此通过向该指定对象发出提示信息，以提示该目标对象减慢其行走速度，并且重新对该指定对象在指定路线上行走的过程进行拍摄。
102.在本技术的实施例中，还提供了另一种应用场景，在构建完目标步态特征数据库以后，在使用该目标步态特征数据库对指定对象进行步态识别时，具体还可以通过以下方式执行：
103.获取第一训练样本数据；第一训练样本数据包括第一抓拍图像参数和该第一抓拍图像参数对应的第五相似度；第五相似度是根据指定对象的第一抓拍步态特征与目标步态特征之间的第一比对相似度得到的，当第一比对相似度大于第三预设相似度时，该第一比对相似度对应的第五相似度为1，当第一比对相似度不大于第三预设相似度时，该第一比对相似度对应的第五相似度为0；其中，第一抓拍步态特征是从对指定对象在行走时进行抓拍时得到的第一抓拍图像中提取的；目标步态特征是目标步态特征数据库中存储的该指定对象的步态特征；第一抓拍图像参数包括第一抓拍图像的图像清晰度、图像像素和图像分辨率中的至少一种。
104.将第一抓拍图像参数输入到待训练的第一决策树模型中，输出该第一决策树模型预测出的第六相似度；第六相似度的取值为0或1。
105.使用第六相似度与第五相似度进行损失函数计算，得到第一损失值，并利用该第一损失值对该第一决策树模型进行反向传播训练，以对第一决策树模型中的可学习参数进行调整，直至第一决策树模型的预测准确率达到预设准确率，停止训练，得到训练完成后的第二决策树模型。
106.在应用过程中，当抓拍到指定对象的第二抓拍图像后，根据第二抓拍图像确定该第二抓拍图像的第二抓拍图像参数，第二抓拍图像参数包括第二抓拍图像的图像清晰度、图像像素和图像分辨率中的至少一种。
107.将第二抓拍图像参数输入到训练完成后的第二决策树模型中，输出第七相似度；
108.当第七相似度为1时，表示抓拍到的第二抓拍图像是合格的(例如，图像清晰度够高)，此时再将该第二抓拍图像输入到步态识别算法，计算步态相似度。当第七相似度为0时，表示抓拍到的第二抓拍图像是不合格的(例如，图像清晰度不清晰)，此时重新进行抓拍。
109.实施例二：
110.基于相同的技术构思，本技术实施例还提供了一种步态识别算法部署策略生成装置，图3示出了本技术实施例所提供的一种步态识别算法部署策略生成的结构示意图，如图3所示，该装置包括：
111.输出模块301，用于训练好的目标决策树模型根据其训练的过程中使用的多个参数组合，输出决策树图像；所述参数组合包括采集设备部署参数、拍摄环境参数、视频图像
属性参数和拍摄系统参数中的至少一种；
112.提取模块302，用于从所述决策树图像中提取出所述参数组合中的各个参数对步态识别相似度的影响程度，并按照每个参数的影响程度从大到小的顺序，将位于前目标数量的参数选取出来作为目标参数；
113.生成模块303，用于根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
114.可选的，还包括：
115.获取模块，用于获取多个训练样本数据；所述训练样本数据包括所述参数组合和该参数组合对应的第一相似度；所述第一相似度是根据目标对象的抓拍步态特征与样本步态特征之间的比对相似度得到的，当所述比对相似度大于第一预设相似度时，该比对相似度对应的所述第一相似度为1，当所述比对相似度不大于所述第一预设相似度时，该比对相似度对应的所述第一相似度为0；所述样本步态特征是从使用第一部署策略进行拍摄时得到的第一样本图像中提取的；所述第一部署策略是根据所述参数组合生成的；所述抓拍步态特征是从对所述目标对象进行随机拍摄时得到的第二样本图像中提取的；
116.划分模块，用于将所述训练样本数据划分为训练集合和验证集合；
117.第一输入模块，用于将所述训练集合中的所述参数组合输入到至少一个待训练的初始决策树模型中，每个所述初始决策树模型分别输出该参数组合对应的第二相似度；所述第二相似度的取值为0或1；
118.第一计算模块，用于针对每个所述初始决策树模型，使用所述第一相似度与该初始决策树模型输出的所述第二相似度进行损失函数计算，得到损失值，并利用所述损失值对该初始决策树模型进行反向传播训练，以对该初始决策树模型中的可学习参数进行调整，直至使用完毕所述训练集合中所有的训练样本数据时停止训练，并将当前的初始决策树模型作为中间决策树模型；
119.第二输入模块，用于将所述验证集合中的所述参数组合输入到每个所述中间决策树模型中，每个所述中间决策树模型分别输出该参数组合对应的第三相似度；所述第三相似度的取值为0或1；
120.第二计算模块，用于针对每个所述中间决策树模型，根据所述第一相似度和该中间决策树模型输出的所述第三相似度，计算该中间决策树模型的准确度；
121.选取模块，用于根据每个所述中间决策树模型的准确度，从所有的所述中间决策树模型中选取出准确度最高的作为所述目标决策树模型。
122.可选的，所述生成模块303在用于根据所述目标参数生成部署策略，以在建立目标步态特征数据库时根据所述部署策略进行拍摄时，具体用于：
123.获取测试对象的第一步态特征和第二步态特征；所述第一步态特征是从使用所述部署策略对所述测试对象进行拍摄得到的第一测试图像中提取的；所述第二步态特征是从对所述测试对象进行随机拍摄时得到的第二测试图像中提取的；
124.计算所述第一步态特征和所述第二步态特征之间的第四相似度，当所述第四相似度大于第二预设相似度时，以在建立目标步态特征数据库时根据所述部署策略进行拍摄。
125.可选的，所述部署策略中包含有对指定对象进行拍摄时的目标拍摄时长；所述装置还包括：
126.提示模块，用于以建立目标步态特征数据库为目的根据所述部署策略进行拍摄的过程中，当对所述指定对象进行拍摄时的拍摄时长小于所述目标拍摄时长时，向所述指定对象发出提示信息并重新对该指定对象进行拍摄；所述提示信息用于提示所述指定对象减慢其行走速度。
127.可选的，所述采集设备部署参数包括采集设备的数量和俯仰角中的至少一个；所述拍摄环境参数包括拍摄环境的复杂度和光线强度中的至少一个；所述视频图像属性参数包括拍摄视频的采集时长、拍摄视角、序列长度和该拍摄视频中每一帧图像的图像清晰度、图像分辨率、图像像素中的至少一个；所述拍摄系统参数包括从视频中选取图像的跳帧策略。
128.关于具体执行的方法步骤和原理参见实施例一的说明，在此不再详细赘述。
129.实施例三：
130.基于相同的技术构思，本技术实施例还提供一种电子设备，图4示出了本技术实施例所提供的一种电子设备的结构示意图，如图4所示，该电子设备400包括：处理器401、存储器402和总线403，存储器存储有处理器可执行的机器可读指令，当电子设备运行时，处理器401与存储器402之间通过总线403通信，处理器401执行机器可读指令，以执行实施例一中所述的方法步骤。
131.关于具体执行的方法步骤和原理参见实施例一的说明，在此不再详细赘述。
132.实施例四：
133.基于相同的技术构思，本技术实施例四还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行实施例一中所述的方法步骤。
134.关于具体执行的方法步骤和原理参见实施例一的说明，在此不再详细赘述。
135.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
136.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
137.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
138.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
139.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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术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)执行本技术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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
140.最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。