1.按部分学习解耦表征的步态识别方法,其特征在于,包括如下步骤:(1)通过自编码器将原始图像分解成外观特征、典型特征和姿态特征;
(2)利用水平金字塔匹配HPM将典型特征提取为静态步态特征;
(3)利用微运动捕捉模块MCM将姿态特征累计成动态步态特征;
(4)将静态步态特征和动态步态特征进行拼接实现特征嵌入操作;
步骤(2)中,利用水平金字塔匹配将典型特征提取为静态步态特征包括:(201)将典型特征输入到HPM中进行池化,通过水平金字塔将不同部位的特征图映射到定长的向量中,其中典型特征用c表示,水平金字塔的个数为S,在第m个金字塔中典型特征图f式中,i代表第i个金字塔,g代表金字塔的第g层;avgpool表示全局平均池化,maxpool表示全局最大池化;
(202)定义典型统一性损失函数
式中,
(203)将水平金字塔池化得到的典型特征c进行均值的计算,然后进行1×1卷积运算,将典型特征c的维度D降至d,得到静态步态特征F步骤(3)中,利用微运动捕捉模块MCM将姿态特征累计成动态步态特征包括:所述姿态特征矩阵p包含t时刻的部分姿态特征,用p(301)微运动捕捉模块MCM使用微运动模板生成器MTB从姿态特征p(302)对提取的帧R
(303)通过时间池化将微运动特征M假设一个步态周期有N个视频帧,需要有一个函数f作用在n个时间片的特征上的结果和作用在N个视频帧的相同,统计函数均值和最值都满足这个要求,但考虑到步态视频长度的不确定性,视频内的步态周期不同,使用最大值作为时间池化函数,即对于(304)将m个部分姿态特征向量v
F
2.根据权利要求1所述的步态识别方法,其特征在于,步骤4中,拼接公式为:F=[F