一种基于最适宜步态流型空间的步态识别方法技术

本发明专利技术公开了一种基于最适宜步态流型空间的步态识别方法，采用多因子距离度量策略，计算各已知个体的最适宜步态流型空间，并选择相应的基步态样本集。然后将待识别的步态样本转换到各已知个体的最适宜步态流型空间，并计算未知步态到每个基步态样本的距离。最后经过统计分析，将待识别步态判定为具有较小差异的占多数的基步态样本所属的个体。该方法通过多因子距离度量来确定各已知个体的最适宜步态流型空间，并选择相应的基步态样本构造参考集，能够在采集视角变化和存在其它干扰因素的情况下取得较好的步态识别效果。

【技术实现步骤摘要】
一种基于最适宜步态流型空间的步态识别方法
本专利技术涉及生物特征识别领域，尤其涉及基于最适宜步态流型空间的步态识别方法。
技术介绍
在主流的安防监控系统中，通过摄像头远距离对行人进行身份鉴定是一个具有广阔前景的发展方向。虽然当前很多公共场所，比如学校、机场、商城、银行、车站等，已经安装了大量的视频采集设备，但大多还只限于循环录像，无法实现实时预警。技术方面的原因主要在于远距离识别时，很多现有的生物特征识别技术难以发挥作用。目前，能够用于身份识别的生物特征识别技术主要包括人脸、指纹、虹膜和步态，其中人脸和指纹已经得到广泛的应用。然而，在远距离条件下，人脸和指纹信息通常无法精确采集，因此其应用受到很大的限制。而步态识别可以通过分析人走路的动态特征进行身份鉴别，对分辨率要求相对较低，尤其适用于远距离监控环境。此外，基于步态的身份识别，无需被识别人的刻意配合，具有非侵犯性和难于隐藏性等极大优势。另一方面，随着视频采集设备的更新换代，当前主流的摄像设备已经能够采集高清晰度的行人视频。但是现有的步态识别算法在处理高清晰步态视频时，有的是对视频进行强制下采样，造成了一部分步态特征信息的丢失，从而影响了正确识别率；有的是直接处理高分辨率的数据，因为计算量过大，难以做到实时的身份识别。两种情况下都无法有效地利用现有的高清步态视频数据，这极大限制了步态识别技术的实用性。
技术实现思路
本专利技术的目的在于针对现有技术的不足，结合步态信息的特殊性和现有步态采集设备的分辨率较高的情况，提供一种基于最适宜步态流型空间的步态识别方法。本专利技术的目的是通过以下技术方案来实现的：一种基于最适宜步态流型空间的步态识别方法，包括以下步骤：S1：分别提取训练用步态视频和待识别步态视频的步态轮廓图并合成步态增量图；S1.1：分别采集正常步态情况下以及包含干扰信息情况下的行人步态视频；S1.2：对所述的步态视频进行解码，并对得到的连续图像进行运动目标检测、前景分割和二值化处理，从而生成只包含目标个体的二值图像，即得到步态轮廓图；S1.3：将所述的步态轮廓图按周期取平均增量得到初级步态特征，从而得到步态增量图；S2：将S1.3得到的训练用步态的步态增量图进行重组，构造正常步态增量图集G0和包括各种影响因素的N个异常步态增量图集G1,G2,…,GN；S3：通过多因子距离度量来确定每个已知个体的最适宜步态流型空间和相应的基步态样本集；S3.1：针对每个已知个体，分别对其正常步态增量图集G0内的元素进行有放回的随机采样得到M个等容量的数据子集G01,G02,…,G0M，并以此为基础构造对应于正常步态增量图集G0的M个局部线性子空间S1，S2,…,SM；S3.2：针对每个已知个体，分别计算其每个异常步态增量图集G1,G2,…,GN到正常步态增量图G0的M个数据子集G01,G02,…,G0M的平均距离；S3.3：将上一步得到的平均距离从小到大排序，取最小的平均距离对应的局部线性子空间为该已知个体的最适宜步态流型空间SO；同时，取构造SO的正常步态增量图集为相应的的基步态样本集；S4：距离度量与统计：将S1得到的待识别步态的步态增量图转换到各已知个体的最适宜步态流型空间，并计算待识别步态样本到每个基步态样本的距离；在此基础上，采用K近邻的方法统计所得距离，并将待识别步态判定为占多数的基步态样本所属的个体。进一步地，所述S1.3中的步态增量图G的构造方法如下：其中，I为一个周期内的步态图像帧数，(u,v)为坐标，Bi和Bi-1分别表示第i帧和第i-1帧的二值化步态轮廓图。进一步地，所述的S3.2中每个异常步态增量图集到正常步态增量图G0的M个数据子集的平均距离的计算方法为：将该异常步态增量图集中所有样本映射到正常步态增量图G0的M个局部线性子空间，并在该空间内计算每个异常样本到正常样本的平均距离。进一步地，所述S4中计算待识别步态样本到每个基步态样本的距离时，针对每个已知个体，先将未知步态和该个体的基步态样本都映射到对应的最适宜步态流型空间，然后再计算对应的距离。本专利技术的有益效果是：本专利技术根据人类步态的特殊性和步态样本采集条件的多样性，设计了一种基于流型学习理论的步态特征提取及其识别方法，来挖掘能反映不同人行走过程中的本质状态差异的低维特征信息用于后续的步态识别过程。该方法采用多因子策略确定最适宜的步态流型空间，并在此空间内进行步态样本之间的距离度量，增强了对采集视角变化和其它干扰因素的鲁棒性，可在大多数实际应用场景中取得较好的效果。附图说明图1是本专利技术的基于最适宜步态流型空间的步态识别方法的流程图；图2为分别采用本专利技术的方法与四种现有技术中的步态识别方法得到的累积匹配曲线图。具体实施方式下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术的基于最适宜步态流型空间的步态识别方法分为最适宜步态流型空间确定和步态识别实施两个阶段。1.最适宜步态流型空间确定阶段，基于训练步态数据确定最适宜的步态流型空间及其对应的基步态样本集，包括以下子步骤：1.1训练数据采集：使用摄像机分别采集正常步态情况下，以及包含背包和穿大衣等干扰因素情况下的行人步态，建立已知个体的步态视频数据库。在具体实施过程中，包含的干扰因素类型越多，最终系统的适应能力越强。可能的干扰因素除了背包和穿大衣之外，还可能包括摄像机镜头畸变、采集现场光线显著变化、穿不同类型的鞋子，以及表面类型不同的地面等。1.2提取步态轮廓图并合成步态增量图：针对步态视频数据库中的每个已知个体，提取连续的步态轮廓图，并合成步态增量图：其中步态轮廓图提取是指的对步态视频进行解码，并进一步对得到的连续图像进行运动目标检测、前景分割和二值化处理，从而生成只包含目标个体的二值图像的过程。步态增量图合成是指的将步态轮廓图按周期取平均得到初级步态特征图的过程。本专利技术中步态增量图G的构造方法为：其中，I为一个周期内容的步态图像帧数，(u,v)为坐标，Bi和Bi-1分别表示第i帧和第i-1帧的二值化步态轮廓图。1.3构造正常步态增量图集和多个异常步态增量图集：针对每个已知个体的步态增量图，采用有放回的随机抽取方法，构造正常步态增量图集和多个异常步态增量图集；具体地，根据训练步态视频的采集条件，将上一步生成的步态增量图进行重组，构造正常步态增量图集G0和包括各种影响因素(如背包、穿大衣、和光照剧烈变化等)的N个异常步态增量图集G1,G2,…,GN(通常情况下N＝2，即只考虑穿不同类型的衣服和背负不同类型的包裹)；1.4多因子距离度量：通过多因子距离度量来确定每个已知个体的最适宜步态流型空间和相应的基步态样本集，具体包括以下子步骤：(1.4.1)针对每个已知个体，分别对其正常步态增量图集G本文档来自技高网...

【技术保护点】
1.一种基于最适宜步态流型空间的步态识别方法，其特征在于，包括以下步骤：/nS1：分别提取训练用步态视频和待识别步态视频的步态轮廓图并合成步态增量图；/nS1.1：分别采集正常步态情况下以及包含干扰信息情况下的行人步态视频；/nS1.2：对所述的步态视频进行解码，并对得到的连续图像进行运动目标检测、前景分割和二值化处理，从而生成只包含目标个体的二值图像，即得到步态轮廓图；/nS1.3：将所述的步态轮廓图按周期取平均增量得到初级步态特征，从而得到步态增量图；/nS2：将S1.3得到的训练用步态的步态增量图进行重组，构造正常步态增量图集G0和包括各种影响因素的N个异常步态增量图集G

【技术特征摘要】
1.一种基于最适宜步态流型空间的步态识别方法，其特征在于，包括以下步骤：
S1：分别提取训练用步态视频和待识别步态视频的步态轮廓图并合成步态增量图；
S1.1：分别采集正常步态情况下以及包含干扰信息情况下的行人步态视频；
S1.2：对所述的步态视频进行解码，并对得到的连续图像进行运动目标检测、前景分割和二值化处理，从而生成只包含目标个体的二值图像，即得到步态轮廓图；
S1.3：将所述的步态轮廓图按周期取平均增量得到初级步态特征，从而得到步态增量图；
S2：将S1.3得到的训练用步态的步态增量图进行重组，构造正常步态增量图集G0和包括各种影响因素的N个异常步态增量图集G1,G2,…,GN；
S3：通过多因子距离度量来确定每个已知个体的最适宜步态流型空间和相应的基步态样本集；
S3.1：针对每个已知个体，分别对其正常步态增量图集G0内的元素进行有放回的随机采样得到M个等容量的数据子集G01,G02,…,G0M，并以此为基础构造对应于正常步态增量图集G0的M个局部线性子空间S1，S2,…,SM；
S3.2：针对每个已知个体，分别计算其每个异常步态增量图集G1,G2,…,GN到正常步态增量图G0的M个数据子集G01,G02,…,G0M的平均距离；
S3.3：将上一步得到的平均距离从小到大排序，取最小的平均距离对应的局部线性子空间为...

【专利技术属性】
技术研发人员：王修晖，胡少晖，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33