(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 202211110679.0 (22)申请日 2022.09.13 (71)申请人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 罗成文　姚瑶　饶荣　王海涛　 李坚强　 (74)专利代理 机构 深圳青年人专利商标代理有 限公司 4 4350 专利代理师 吴桂华 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 基于步态信息的用户识别方法、 装置、 电子 设备及存 储介质 (57)摘要 本发明实施例公开了一种基于步态信息的 用户识别方法、 装置、 电子设备及存储介质， 方法 包括： 对待识别用户进行步态数据采集， 获得步 态数据； 基于预先训练获得的当前身份识别模 型， 对所述步态数据进行用户识别处理， 获得识 别结果； 在所述识别结果未包含目标用户标签的 情况下， 为所述步态数据添加用户标签； 基于所 述步态数据以及相对应的用户标签， 对所述当前 身份识别模 型进行模型训练， 获得更新后的当前 身份识别模 型， 以基于所述更新后的当前身份识 别模型对步态数据进行用户识别； 在所述识别结 果包含目标用户标签的情况下， 基于所述目标用 户标签获得所述待识别用户的用户身份。 本发明 实施例的技术方案可以提高用户身份识别的准 确度。 权利要求书2页 说明书10页 附图3页 CN 115527266 A 2022.12.27 CN 115527266 A 1.一种基于步态信息的用户识别方法， 其特 征在于， 包括： 对待识别用户进行步态数据采集， 获得步态数据； 基于预先训练获得的当前身份识别模型， 对所述步态数据进行用户识别处理， 获得识 别结果； 在所述识别结果未包含目标用户标签的情况下， 为所述步态数据添加用户标签； 基于 所述步态数据以及相对应的用户标签， 对所述当前身份识别模型进行模型训练， 获得更新 后的当前身份识别模型， 以基于所述更新后的当前身份识别模型对步态数据进行用户识 别； 在所述识别结果包含目标用户标签的情况下， 基于所述目标用户标签获得所述待识别 用户的用户身份。 2.根据权利要求1所述的基于步态信 息的用户识别方法， 其特征在于， 所述基于预先训 练获得的当前身份识别模型， 对所述 步态数据进行用户识别处 理， 获得识别结果， 包括： 基于所述当前身份识别模型中的当前卷积网络模型， 对步态数据进行特征提取， 得到 特征向量； 基于所述身份识别模型中的分类模型对所述特征向量进行用户识别处理， 获得识别结 果。 3.根据权利要求2所述的基于步态信 息的用户识别方法， 其特征在于， 所述基于所述身 份识别模型中的分类模型对所述特 征向量进行用户识别处 理， 获得识别结果， 包括： 基于所述身份识别模型中的分类模型对特征向量进行分类处理， 得到所述特征向量属 于各个用户标签的概 率； 确定各概 率中数值 最高、 且大于预设阈值的概 率为目标概 率； 将所述目标概 率对应的用户标签确定为目标用户标签， 以获得 所述识别结果。 4.根据权利要求1所述的基于步态信 息的用户识别方法， 其特征在于， 在所述基于预先 训练获得的当前身份识别模型， 对所述步态数据进 行用户识别处理， 获得识别结果之前， 所 述方法还 包括： 对训练数据集进行三元组采样， 得到多个三元组数据； 通过初始卷积网络模型中的初始特征提取子模型对每个三元组数据进行处理， 得到多 个步态特 征向量； 通过所述初始卷积网络模型中的三元组损失函数对每个步态特征向量进行处理， 得到 多个三元组数据的损失值， 根据每 个三元组数据的损失值， 得到整体损失值； 基于所述整体损失值对所述初始特征提取子模型进行调整， 直至所述整体损失值位于 预设范围内， 以获得 所述当前 卷积网络模型。 5.根据权利要求1所述的基于步态信 息的用户识别方法， 其特征在于， 所述基于所述步 态数据以及相对应的用户标签， 对所述当前身份识别模型进行模型训练， 包括： 基于所述步态数据以及相对应的用户标签， 对所述当前身份识别模型中的当前卷积网 络模型进行模型训练， 具体包括： 确定未包 含有目标用户标签的若干目标识别结果； 获取各所述目标识别结果对应的目标步态数据； 对各所述目标步态数据进行聚类， 获得若干数据类别；权　利　要　求　书 1/2 页 2 CN 115527266 A 2为各所述数据类别添加用户标签； 将各所述用户标签以及与用户标签对应的至少一个目标步态数据添加到训练数据集 中， 以得到新的训练数据集； 基于所述新的训练数据集对所述当前身份识别模型中的当前卷积网络模型进行模型 训练。 6.根据权利要求5所述的基于步态信 息的用户识别方法， 其特征在于， 所述对各所述目 标步态数据进行聚类， 获得若干数据类别， 包括： 按照预定的时间间隔， 定时获取所述预定的时间间隔内的各目标步态数据， 以至基于 各所述目标步态数据， 定时对所述所述当前身份识别模型中的当前卷积网络模型进行模型 更新。 7.根据权利要求2 ‑3中任一项所述的基于步态信息的用户识别方法， 其特征在于， 所述 当前卷积网络模型包括ResNet网络模型， 所述分类模型包括KN N模型。 8.一种基于步态信息的用户识别装置， 其特 征在于， 包括： 步态数据获取模块， 用于对待识别用户进行步态数据采集， 获得步态数据； 识别结果获取模块， 用于基于预先训练获得的当前身份识别模型， 对所述步态数据进 行用户识别处 理， 获得识别结果； 模型更新模块， 用于在所述识别结果未包含目标用户标签的情况下， 为所述步态数据 添加用户标签； 基于所述步态数据以及相对应的用户标签， 对所述当前身份识别模型进行 模型训练， 获得更新后的当前身份识别模型， 以基于所述更新后的当前身份识别模型对步 态数据进行用户识别； 用户身份确定模块， 用于在所述识别结果包含目标用户标签的情况下， 基于所述目标 用户标签获得 所述待识别用户的用户身份。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑7中任一所述的基于步态信息的用户识别方法。 10.一种包含计算机可执行指令的存储介质， 其特征在于， 所述计算机可执行指令在由 计算机处理器执行时用于执行如权利要求1 ‑7中任一所述的基于步态信息的用户识别方 法。权　利　要　求　书 2/2 页 3 CN 115527266 A 3