(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210140293.8 (22)申请日 2022.02.16 (71)申请人 武汉众智数字技 术有限公司 地址 430074 湖北省武汉市东湖新 技术开 发区珞喻路546号 (72)发明人 喻涵　 (74)专利代理 机构 北京汇泽知识产权代理有限 公司 11228 专利代理师 吴静 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度可分离卷积的步态轮廓提取 方法和系统 (57)摘要 一种基于深度可分离卷积的步态轮廓提取 方法， 包括： 对输入的步态图像序列进行预处理； 采用空洞卷积神经网络对输入的步态 图像序列 进行特征提取； 对featuremap图进行边缘细粒度 进行修正； 对提取的浅层特征图像和深层特征图 像进行特征融合； 通过上采样得到原图大小； 输 出步态轮廓图。 本发明使用深度可分离卷积代替 普通的卷积神经网络， 极大地减少了encoder和 decoder部分的参数量， 加快了提取速度； 对 featuremap上的点做不稳定排序， 对混乱的边界 分类进行了重新预测， 极大地提高了边缘分割的 准确率和完整性。 权利要求书2页 说明书5页 附图2页 CN 114724173 A 2022.07.08 CN 114724173 A 1.一种基于深度可分离卷积的步态轮廓提取 方法， 其特 征在于， 包括： S100.对输入的步态图像序列进行 预处理； S200.采用空洞卷积神经网络对输入的步态图像序列进行 特征提取； S300.对featuremap图进行边 缘细粒度进行修 正； S400.对提取的浅层特 征图像和深层特 征图像进行 特征融合； S500.通过上采样得到原图大小； S600.输出步态轮廓图。 2.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S100中， 对输入的步态图像序列进行 预处理， 包括： 将输入图像尺寸 转换为513 *513*3大小。 3.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S200中， 采用空洞卷积神经网络对输入的步态图像序列进行 特征提取， 包括以下步骤： S201.以Xcepti on65为主干网络； S202.通过多层串行的空洞卷积神经网络对输入的图像序列进行特征提取， 输出特征 S1， 同时将S1分成两 部分S1‑1和S1‑2； S203.对输出S1 ‑2使用不同rate的多层并行空洞卷积神经网络进行特征提取， 对输出 的特征图通过1*1深度可分离卷积进行 特征压缩得到特 征S2。 4.如权利要求3所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S300中， 对featuremap图进行边 缘细粒度进行修 正， 包括以下步骤： 对S1‑1 featuremap上的点做不稳定排序， 选取 K个点出来； 在Xception65网络中， 输出为c1、 c2、 c3、 c4； 其中c1是较高分辨率下的featuremap(1/ 4)， c4是最终的featuremap(1/16)， 将选择的K个点在这两个图上的对应特 征提出来； 将这K个点的对应位置的特 征粘合到一 起； 使用MLP进行细分预测， 使这些点归属为不同的类， 用预测结果替换输出中的不稳定 点； 输出特征图S1‑1‑1； 按照上述方法， 对S2也进行不稳定性排序， 找出最不稳定的K个点， 对这K个点进行类别 预测和修正， 输出特征图S2‑1。 5.如权利要求4所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S300中， 对S1 ‑1 featuremap上的点做不稳定排序， 选取 K个点出来， K为819 2。 6.如权利要求4所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S400中， 对提取的浅层特 征图像和深层特 征图像进行 特征融合， 包括： 对S1‑1‑1图1*1深度可分离卷积进行 特征压缩得到特 征S1‑1‑2； 通过双线性插值对S2 ‑1进行一次上采样， 得到S2 ‑2； 将S1‑1‑2和S2‑2的特征进行融合， 输出S3 。 7.如权利要求6所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S500中， 通过 上采样得到原图大小的方法为： 将S3通过3 *3深度可分离卷积神经网络， 得到S4； 通过双线性插值对S4进行一次上采样， 得到S5 。 8.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法， 其特征在于， S600中， 输出步态轮廓图， 输出步态黑白二 值轮廓图。权　利　要　求　书 1/2 页 2 CN 114724173 A 29.一种基于深度可分离卷积的步态轮廓提取系统， 其特征在于， 包括步态图像序列预 处理单元、 步态图像特征提取单元、 边缘细粒度修正单元、 图像特征融合单元、 上采样单元 和步态轮廓图输出 单元； 其中： 步态图像序列预处 理单元， 用于对输入的步态图像序列进行 预处理； 步态图像特征提取单元， 用于采用空洞卷积神经网络对输入的步态图像序列进行特征 提取； 边缘细粒度修 正单元， 用于对featuremap图进行边 缘细粒度进行修 正； 图像特征融合单 元， 用于对提取的浅层特 征图像和深层特 征图像进行 特征融合； 上采样单 元， 用于通过 上采样得到原图大小； 步态轮廓图输出 单元， 用于输出步态轮廓图。权　利　要　求　书 2/2 页 3 CN 114724173 A 3