Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜广东工业大学邓木清获国家专利权

恭喜广东工业大学邓木清获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网恭喜广东工业大学申请的专利一种基于正面视角步态数据的个体身份识别方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115188065B

龙图腾网通过国家知识产权局官网在2025-04-22发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202110587742.9,技术领域涉及:G06V40/20;该发明授权一种基于正面视角步态数据的个体身份识别方法是由邓木清;胡文举设计研发完成,并于2021-05-27向国家知识产权局提交的专利申请。

一种基于正面视角步态数据的个体身份识别方法在说明书摘要公布了:本发明公开了一种基于正面视角步态数据的个体身份识别方法,包括以下步骤:采集人体正面视角轮廓序列;提取正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据及曲线;分别构建径向基函数神经网络提取三类时变步态数据下的步态动力学特征,并使用深度迁移学习机制进行二次特征提取;利用不同个体之间在步态动力学上的差异,计算二次特征提取后三类特征的特征融合加权权值;将加权融合后的特征输入到全连接网络进行训练和分类。本发明采用步态动力学特征与深度迁移学习机制的结合,对正面视角下步态数据进行迁移特征学习与智能融合,简单方便、容易操作,能够实现正面视角下识别率的有效提升。

本发明授权一种基于正面视角步态数据的个体身份识别方法在权利要求书中公布了:1.一种基于正面视角步态数据的个体身份识别方法,其特征在于:包括如下步骤:步骤一、获取人体行走步态轮廓图,并提取正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据及曲线;步骤一中,正面视角下人体轮廓时变数据提取方法为:将正面视角下的行走图像序列进行背景减除以及形态学处理,获得人体行走的二值步态轮廓图;将人体二值轮廓从上而下根据人体轮廓高度分为三等分等高度子区域,并选择最底下区域为兴趣区域;提取每一帧兴趣区域的轮廓面积类特征、长度类特征及角度类三类时变数据及曲线;提取每一帧的下肢双腿轮廓面积比值、下肢双腿轮廓面积差值、下肢双腿对地三角形面积,组成步态面积数据;提取每一帧的下肢双腿轮廓垂直到地长度比值、下肢双腿下极端点连线长度值、下肢双腿轮廓下极端点到上界线中点距离长度差值,组成步态长度数据;提取每一帧下肢双腿下极端点连线对地夹角、下肢左腿下极端点与上界线中点连线的垂直夹角、下肢右腿下极端点与上界线中点连线的垂直夹角、组成步态角度数据;得到正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据的周期或类周期变化曲线;步骤二、构建径向基函数神经网络,对三类步态时变数据内在的非线性步态动力学信息进行神经网络的逼近和辨识,以常值神经网络权值矩阵进行存储;在步骤二中,对三类步态时变数据内在的非线性步态动力学信息进行神经网络辨识,具体方法为:对前述每一类时变数据分别建立其非线性动力学模型;其中,是提取到的三个面积、长度或者角度特征,是系统常参数值;代表内在的非线性步态动力学项,是引入的建模不确定项;将建模不确定项和步态非线性动力学项合并为一项:,并定义为总的步态非线性动力学项;构建确定学习机制下的RBF神经网络用于辨识非线性步态动力学,非线性步态动力学特征以常值神经网络权值矩阵的形式进行存储,选取收敛的部分权值取数值平均,获取相应的神经网络常值的权值;步骤三、将三类步态动力学特征分别作为预训练深度学习神经网络模型的输入,进行迁移特征学习,完成二次特征提取,将三种单网络提取的特征进行自适应加权融合拼接;在步骤三中,迁移特征学习方法具体为:将三类步态动力学特征分别输入到预训练深度学习神经网络模型Inception-v3,Resnet152和Inception-Resnet-v2中的一种或以上,并在其单独或组合中进行迁移特征学习,完成二次特征提取;在模式训练环节,将测试模式对应数据与所得二次数据特征进行比较,产生一组L1范数形式的识别误差,将其作为衡量训练步态模式中各项二次特征权重占比的标准;识别误差取值在[-10,10]区间,权值取80;识别误差取值在[-20,-10及(10,20]区间,权值取60;识别误差取值在其余区间,权值取20;依据所得权重值,将预训练模型获取的二次特征进行拼接:Q=a×长度数据迁移学习特征数值+b×面积数据迁移学习特征数值+c×角度数据迁移学习特征数值,其中,a,b,c为权值,Q为拼接后的步态特征;步骤四:构建全连接网络根据训练模式与测试模式之间关于非线性动力学特征间的差异,把测试模式准确分类识别出来,实现正面视角下的步态识别。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人广东工业大学,其通讯地址为:510000 广东省广州市越秀区东风东路729号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。