本发明专利技术涉及一种多角度的步态周期检测方法,其特征在于:步骤1:从步态视频流中得到二值化的步态序列,对序列进行正面步态和非正面步态分类;步骤2:若序列为正面步态,则前臂、小腿和脚部区域的图像像素变化,求取极值点,得到步态周期;步骤3:若序列为非正面步态,则检测腿部区域的能量变化,求取极值点,得到步态周期。
【技术实现步骤摘要】
一种多角度的步态周期检测方法
本专利技术涉及一种多角度的步态周期检测方法。
技术介绍
步态识别是近年来计算机视觉和生物特征识别领域的一个备受关注的研究方向,它旨在根据人走路的姿势进行身份识别。人具有相对稳定的行走动作,不同的人行走姿态各不相同,据此可识别人的身份。步态的非接触性、不易伪装、远距离等优点,在智能视频监控中有很大的应用前景。在人行走的过程中,摄像机拍摄的步态序列随着人的手臂和腿部的摆动呈现出明显的周期性,一帧图像不能识别出目标的身份,而应采用一个周期的图像序列来识别目标的身份。目前,国内外很多研究者在步态周期检测上做了研究,BenAbdelkader等根据边界矩形框的宽度分析步态的周期性;Collins等分析了人体高度和宽度的周期性变化,观测步态周期性;Kale等通过观察人体宽度向量的范数随时间变化来分析步态的周期特性;Boulgouris等用前景像素之和的自相关性判断步态的周期;Sarkar等采用人体区域下半部分像素点的多少的周期特性确定步态的周期性变化;Li等将步态排成自相似图(SSP),然后采用线性局部嵌入(LLE)的非线性降维方法提取一维的保留了原始几何形状的特征来分析步态的周期性;陈实等以步态序列中所有行人轮廓区域外接矩形框作为图像区域,在图像区域自底而上的1/4高度内,等量水平分割三个区域,计算各区累计轮廓点数,得到相应的点分布直方图特征检测出步态周期。王科俊等将步态的周期问题转化为单帧图像的区域特征分析问题,即根据每帧中图形区域的特征(如:面积、质心、矩、特殊点和边界框等)的变化情况来分析步态的周期,取得了较好的检测效果。周期检测分两种情况:正面步态和非正面步态。当摄像机视角与人体行走方向成0°和180°时,称为正面步态,其余的情况统称为非正面步态。对于非正面步态,上述方法在大多数情况下均能取得较好的检测效果。但当提取的步态序列图像质量较差,有较大轮廓噪声,脚下阴影面积较大的情况下,鲁棒性并不是很好。针对正面步态的周期检测方法不是很多,主要有王科俊等采用上肢摆动引起的前臂区域像素变化来检测周期,这里既包括了上肢的左右运动,还包括了上肢在其他方向上的运动,该方法检测的局限性在于:当人穿着不同的外套时,会受到很大的干扰;当人携带物品时,其中一只胳膊,甚至两只胳膊都可能没有摆动,与躯干保持相对静止;当摄像机以较大俯角俯视场景时,对上肢的前后运动也会产生很大的影响。因此仅依靠上肢的摆动并不能适用于所有情况。高海燕采用下肢在前后运动时所引起的小腿和脚部区域的左右像素差检测周期。该方法检测的局限在于:除要求人体与摄像机的距离外,阴影对下肢有很大的影响,只有在阴影处理得很好的前提下,该方法才能取得理想的效果。
技术实现思路
本专利技术目的在于提供一种多角度的步态周期检测方法,能适应摄像机与人体距离和角度变化,对有轮廓噪声和阴影的图像序列有很好的鲁棒性。实现本专利技术目的技术方案:一种多角度的步态周期检测方法,其特征在于:步骤1:从步态视频流中得到二值化的步态序列,对序列进行正面步态和非正面步态分类;步骤2:若序列为正面步态,则前臂、小腿和脚部区域的图像像素变化,求取极值点,得到步态周期;步骤3:若序列为非正面步态,则检测腿部区域的能量变化,求取极值点,得到步态周期。步骤2中,将上肢摆动引起的前臂区域像素变化检测到的步态周期,与下肢前后运动引起的小腿、脚部区域的左右像素差检测到的步态周期,进行加权融合,加权融合公式(1)为:式中,x和y分别为融合后的步态周期始末帧,x1和y1分别为单独对上肢检测,并采用像素和的极大值得到的周期始末帧,x2和y2为单独对下肢检测得到的周期始末帧;λ为上下肢运动所占比例,0≤λ≤1。步骤2中,加权融合检测包括以下步骤:步骤2.1:分析图像质量确定参数λ,当λ≥0.5时,则进入步骤2.2;当λ<0.5时,则进入步骤2.5;步骤2.2:先进行上肢图像的检测,求出x1和y1;步骤2.3:再进行下肢图像的检测,在下肢图像检测的曲线上,以x1为中心,向左右两侧搜索过零点,如果左右两侧超过阀值均未找到,则结束检测;如果找到,则该点即为x2,进入步骤2.4;步骤2.4:在下肢图像检测的曲线上,以y1为中心,向左右两侧搜索过零点,如果左右两侧超过阀值均未找到,则结束检测;如果找到,则该点即为y2,进入步骤2.8;步骤2.5:先进行下肢图像的检测,求出x2和y2;步骤2.6:再进行上肢图像的检测,在上肢图像检测的曲线上,以x2为中心,向左右两侧搜索过零点,如果左右两侧超过阀值均未找到,则结束检测;如果找到,则该点即为x1,进入步骤2.7;步骤2.7:在上肢图像检测的曲线上,以y2为中心,向左右两侧搜索过零点,如果左右两侧超过阀值均未找到,则结束检测;如果找到,则该点即为y1,进入步骤2.8;步骤2.8:利用加权融合公式(1),求得x和y。步骤3中,检测腿部区域的能量变化,通过如下公式实现:I(x3,y3,n)是第n帧步态序列的灰度值,(x3,y3)是步态图像某处的坐标,h2-h1是图像中膝盖与小腿某处的高度差。h2-h1取值为小腿高度的二分之一。所说的阀值为3帧。本专利技术所具有的有益效果:本专利技术对序列进行正面步态和非正面步态分类,分类进行检测,能适应摄像机与人体距离和角度变化。若序列为正面步态,本专利技术将上肢摆动引起的前臂区域像素变化检测到的步态周期,与下肢前后运动引起的小腿、脚部区域的左右像素差检测到的步态周期,进行加权融合,相对于使用单一信息的检测方式,本专利技术使用更为全面的信息进行周期检测,使得检测方法的适用范围更广,检测结果也更为准确,对有轮廓噪声和阴影的图像序列有很好的鲁棒性。若序列为非正面步态,本专利技术检测腿部区域的能量变化,提出了一种腿部运动范围向宽度方向投影的非正面周期检测方法,在图像质量较差,脚步有阴影,背包、穿大衣等情况下有着很好的鲁棒性。附图说明图1是提取的运动目标图;图2是本专利技术多角度步态周期检测流程图;图3是基于前臂摆动的正面步态周期检测曲线示意图;图4是基于下肢的正面步态周期检测曲线示意图;图5是本专利技术的正面步态周期检测结果示意图;图6是步态周期图;图7是人体测量学高度图;图8是X-TPlaneEnergyImage图9是非正面步态的周期检测曲线图;图10是非正面步态的周期检测结果;图11是正面步态周期检测结果对比表。具体实施方式步骤1:采用码本检测方法从步态视频流中得到二值化的步态序列,用K近邻分类器(KNN)对序列中正面和非正面步态分类;步骤2:若序列为正面步态,则前臂、小腿和脚部区域的图像像素变化,求取极值点,得到步态周期;当两个手臂竖直下垂时,投影到图像平面上,左右下臂区域像素数均出现极大值,当手臂摆高时,投影到图像平面上,左右下臂区域像素数均出现极小值。图3(a)、(b)、(c)分别为室内数据库CASIA(B)中同一人在不同条件下的正面步态的测试结果。图3(a)采用正常步态时,人体正面步态周期变化在该曲线上的表现还是很明显的,尤其是当人体离摄像机较近时;而穿外套和背包时,曲线的周期性很差。这里步态周期的起始帧为像素累加和第一次出现局部极小值(极大值),终止帧为第三次出现局部极小值(极大值)的前一帧。仅依靠上肢的摆动并不能适用于所有情况。下肢运动主本文档来自技高网...
【技术保护点】
一种多角度的步态周期检测方法,其特征在于:步骤1:从步态视频流中得到二值化的步态序列,对序列进行正面步态和非正面步态分类;步骤2:若序列为正面步态,则前臂、小腿和脚部区域的图像像素变化,求取极值点,得到步态周期;步骤3:若序列为非正面步态,则检测腿部区域的能量变化,求取极值点,得到步态周期。
【技术特征摘要】
1.一种多角度的步态周期检测方法,包括如下步骤:步骤1:从步态视频流中得到二值化的步态序列,对序列进行正面步态和非正面步态分类;步骤2:若序列为正面步态,则前臂、小腿和脚部区域的图像像素变化,求取极值点,得到步态周期;步骤3:若序列为非正面步态,则检测腿部区域的能量变化,求取极值点,得到步态周期;其特征在于:步骤2中,将上肢摆动引起的前臂区域像素变化检测到的步态周期,与下肢前后运动引起的小腿、脚部区域的左右像素差检测到的步态周期,进行加权融合,加权融合公式(1)为:式中,x和y分别为融合后的步态周期始末帧,x1和y1分别为单独对上肢检测,并采用像素和的极大值得到的周期始末帧,x2和y2为单独对下肢检测得到的周期始末帧;λ为上下肢运动所占比例,0≤λ≤1;步骤2中,加权融合检测包括以下步骤:步骤2.1:分析图像质量确定参数λ,当λ≥0.5时,则进入步骤2.2;当λ<0.5时,则进入步骤2.5;步骤2.2:先进行上肢图像的检测,求出x1和y1;步骤2.3:再进行下肢图像的检测,在下肢图像检测的曲线上,以x1为中心,向左右两侧搜索过零点,如果左右两侧超过阀值均未找到,则结束检测;如果找到,则该点...
【专利技术属性】
技术研发人员:王科俊,吕卓纹,阎涛,唐墨,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。