一种基于记忆增强的渐进式学习步态识别方法

技术特征：
1.一种基于记忆增强的渐进式学习步态识别方法，其特征在于，包括以下步骤：s1、获取用于训练步态识别模型的训练数据集；s2、建模训练数据集中的样本难度，并根据训练进度和样本难度确定训练数据集中的样本权重；s3、在三元组损失约束基础上结合记忆体对特征空间进行辅助约束，利用所述训练数据集对所述对步态识别模型进行迭代训练，且计算三元组损失时以所述样本权重对正样本和负样本相对于锚点之间的距离进行加权修正；s4、利用训练后的步态识别模型对目标步态数据进行步态识别。2.如权利要求1所述的基于记忆增强的渐进式学习步态识别方法，其特征在于，所述s1中，获取的训练数据集i
train
中包含不同人员在不同视角和不同行走条件下采集的步态视频序列。3.如权利要求2所述的基于记忆增强的渐进式学习步态识别方法，其特征在于，所述s2中，基于各样本与锚点(anchor)的距离建模训练数据集中的样本难度，对于正样本而言，在特征空间中距离锚点越远，难度越大；对于负样本而言，在特征空间中距离锚点越近，难度越大。4.如权利要求3所述的基于记忆增强的渐进式学习步态识别方法，其特征在于，步骤s2中，所述训练数据集中每一个样本x的权重结合当前的模型训练进度和样本难度进行计算，计算函数如下：其中：σ表示归一化函数，d为距离计算函数，d(f(x
*
),f(x))表示样本x与锚点x
*
之间的距离，δ
t
表示与模型训练的当前迭代次数正相关的模型进度，表示以x
*
为锚点的样本集合。5.如权利要求4所述的基于记忆增强的渐进式学习步态识别方法，其特征在于，所述s3的具体方法如下：s31、设置记忆体m的内容为：其中，s为训练数据集中索引为i的人员id对应的视频序列s
i
中的一段，f(s)为视频序列段2经过特征提取器f提取后得到的特征，n
s
为视频序列s
i
中的总段数；s32、设置记忆体m的更新策略为：
其中，m[i]
t
和m[i]
t-1
分别表示更新后和更新前记忆体m的内容，y
b
表示当前训练批次中出现过的人员id组成的标签集合，y
b
表示当前训练批次中样本b的人员id标签，b表示当前训练批次中包含的样本集合，n
b
表示当前训练批次的大小，f(b)表示样本b经过特征提取器f提取后得到的特征，α和β分别表示两种动量更新的动量超参数；s33、设置记忆体m对整体训练流程的监督信号来约束特征空间的类间分散程度以及类内紧凑性，记忆体监督信号损失的计算公式为：其中，τ是用来平衡特征分布的温度系数，表示当前批次的平均特征；s34、针对三元组中正样本和负样本相对于锚点之间的距离用所述样本权重相乘进行加权修正，并用加权修正后的距离值代替原距离值计算三元组损失，以三元组损失和所述记忆体监督信号损失之和作为总损失，利用所述训练数据集对所述对步态识别模型进行迭代训练直至总损失收敛，得到训练后的步态识别模型。

技术总结
本发明公开了一种基于记忆增强的渐进式学习步态识别方法，通过对步态数据中的难易样本进行从易到难的渐进式学习，从而让模型学到更好的特征表达。该方法具体步骤如下：获取步态数据；定义优化目标；建模当前样本难易程度；根据样本难度以及训练进度确定当前样本权重；使用记忆体来对特征空间进行辅助约束；迭代训练。本发明适用于步态识别的复杂场景，面对各类行走条件具有较好的效果和鲁棒性。类行走条件具有较好的效果和鲁棒性。类行走条件具有较好的效果和鲁棒性。


技术研发人员：李玺 窦洹彰 张芃怡 赵彧涵 秦泽群 方毅
受保护的技术使用者：浙江大学
技术研发日：2022.01.28
技术公布日：2022/5/10