一种行人的步态识别方法、装置、设备及存储介质与流程

本技术涉及图像处理，尤其涉及一种行人的步态识别方法、装置、设备及存储介质。

背景技术：

1、银行所运营的各类业务大多涉及用户的资产、隐私等信息，通常需要设置密码来保护用户的信息，例如，银行保险柜是安全级别较高的业务场景，涉及到机密文件、重要资产等均需要通过密码进行认证，包括指纹识别，人脸识别等。但随着互联网的发展，人脸信息、指纹信息等已被各种业务场景普遍采集，并且已出现人脸信息被盗取使用的场景，这对银行保险柜的安全存在着较大的威胁。因此后来难以模拟、盗用的步态识别成为一种更安全的身份认证方式。

2、步态识别技术利用行走姿态进行身份识别，与指纹、人脸等生物特征识别技术相比，有非接触性、易于感知、难于隐藏和伪装等优势，特别在远距离进行身份识别时，步态识别是目前唯一可行的技术。但是目前的步态识别技术不够成熟，导致对行人进行步态识别的准确性较低，以至于影响基于步态识别的认证效果。

技术实现思路

1、有鉴于此，本技术提供了一种行人的步态识别方法、装置、设备及存储介质，以便提高对行人进行步态识别的准确性。

2、第一方面，本技术提供了一种行人的步态识别方法，所述方法包括：

3、获取目标用户的待预测历史步态图像；

4、将所述待预测历史步态图像和样本库中的历史步态图像输入到步态识别模型，获取所述目标用户与所述样本库的多个匹配概率，所述样本库包括多个样本用户的历史步态图像，所述步态识别模型是基于样本用户的历史步态图像训练得到的；

5、基于所述多个匹配概率确定所述目标用户的步态识别结果。

6、在一种可能的实现方式中，所述步态识别模型的确定过程包括：

7、获取多个样本用户的历史步态图像；

8、基于任意两个样本用户的历史步态图像的差值确定训练样本图像；

9、将所述训练样本图像输入到多个卷积神经网络，获取多个预测匹配概率；

10、针对任一卷积神经网络，基于所述训练样本图像对应的匹配真值与所述预测匹配概率计算损失函数；

11、当所述损失函数大于或等于预设值时，调整所述卷积神经网络模型的参数，并重新执行将所述训练样本图像输入到卷积神经网络以及后续的训练过程，直至计算的损失函数小于所述预设值，获取初始步态识别模型；

12、基于多个所述初始步态识别模型确定所述步态识别模型。

13、在一种可能的实现方式中，所述基于任意两个样本用户的历史步态图像的差值确定训练样本图像，包括：

14、基于两个相同样本用户的历史步态图像确定正样本图像，基于两个不同样本用户的历史步态图像确定负样本图像；

15、将所述正样本图像和所述负样本图像划分为训练样本图像、验证样本图像和测试样本图像，所述训练样本图像、所述验证样本图像和所述测试样本图像中均包括正样本图像和负样本图像。

16、在一种可能的实现方式中，所述基于多个所述初始步态识别模型确定所述步态识别模型，包括：

17、基于所述验证样本图像对所述初始步态识别模型的超参数进行优化，获取候选步态识别模型；

18、将所述测试样本图像输入到多个所述候选步态识别模型中，获取多个测试匹配概率；

19、基于所述测试样本图像对应的匹配真值和所述多个测试匹配概率，确定多个所述候选步态识别模型的评价指标；

20、基于多个所述候选步态识别模型的评价指标确定所述步态识别模型。

21、在一种可能的实现方式中，所述将所述待预测历史步态图像和样本库中的历史步态图像输入到步态识别模型，获取所述目标用户与所述样本库的多个匹配概率，包括：

22、基于所述待预测历史步态图像和所述历史步态图像的差值，确定目标差值图像；

23、将所述目标差值图像输入到所述步态识别模型，获取所述多个匹配概率。

24、在一种可能的实现方式中，所述基于所述待预测历史步态图像和所述历史步态图像的差值，确定目标差值图像，包括：

25、将所述待预测历史步态图像与所述历史步态图像作差，确定初始差值图像；

26、基于所述初始差值图像中的像素最大值和像素最小值，确定像素差值；

27、基于所述初始差值图像和所述像素差值，确定所述目标差值图像。

28、在一种可能的实现方式中，所述获取目标用户的待预测历史步态图像，包括：

29、获取所述目标用户的待预测行人视频；

30、对所述待预测行人视频进行采样，确定目标行人图片序列；

31、对所述目标行人图片序列进行叠加处理，获取所述待预测历史步态图像。

32、在一种可能的实现方式中，所述对所述待预测行人视频进行采样，确定目标行人图片序列，包括：

33、对所述待预测行人视频进行采样，确定初始行人图片序列；

34、将所述初始行人图片序列进行图像均值处理，获取均值图片；

35、基于所述初始行人图片序列和所述均值图片，确定所述目标行人图片序列。

36、在一种可能的实现方式中，所述基于所述初始行人图片序列和所述均值图片，确定所述目标行人图片序列，包括：

37、基于所述初始行人图片序列和所述均值图片的差值，确定差值图片序列；

38、对所述差值图片序列进行二值化处理，确定候选行人图片序列；

39、裁剪所述候选行人图片序列中的行人元素，获取所述目标行人图片序列。

40、在一种可能的实现方式中，所述基于所述多个匹配概率确定所述目标用户的步态识别结果，包括：

41、确定所述多个匹配概率中的最大值；

42、当所述最大值大于阈值时，确定所述最大值所对应的样本用户为所述目标用户的匹配用户。

43、第二方面，本技术提供了一种行人的步态识别装置，所述装置包括：

44、获取单元，用于获取目标用户的待预测历史步态图像；

45、识别单元，用于将所述待预测历史步态图像和样本库中的历史步态图像输入到步态识别模型，获取所述目标用户与所述样本库的匹配概率，所述样本库包括多个样本用户的历史步态图像，所述步态识别模型是基于样本用户的历史步态图像训练得到的；

46、确定单元，用于基于所述匹配概率确定所述目标用户的步态识别结果。

47、第三方面，本技术提供了一种行人的步态识别设备，所述设备包括：存储器以及处理器；

48、所述存储器用于存储相关的程序代码；

49、所述处理器用于调用所述程序代码，执行上述第一方面任意一种实现方式所述的行人的步态识别方法。

50、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面任意一种实现方式所述的行人的步态识别方法。

51、由此可见，本技术具有如下有益效果：

52、在本技术的上述实现方式中，为了实现对目标用户的步态识别，首先获取目标用户的待预测历史步态图像。然后将待预测历史步态图像和样本库中的历史步态图像输入到步态识别模型中，从而获取目标用户与样本库中多个样本用户的多个匹配概率。其中，样本库中包括多个样本用户的历史步态图像，步态识别模型是基于样本用户的历史步态图像训练得到的。基于目标用户与多个样本用户的匹配概率确定目标用户的步态识别结果。通过本技术实施例提供的方法，可以利用样本用户的历史步态图像预先训练得到步态识别模型，从而可以基于步态识别模型实现对目标用户的步态识别，提高步态识别的准确性。