一种具有监督机制的步态识别方法技术

一种具有监督机制的步态识别方法，其采用三层的动态贝叶斯网络模型，模型第一层采用人体步态轮廓为特征，并且当前时刻的状态只与下一个时刻状态相关；模型第二层采用步态帧差图像为特征，并且当前时刻的状态与下一时刻相关，并且与第一层当前时刻状态及下一时刻状态相关；模型第三层为监督层，与第二层当前时刻状态相关及第一层当前时刻状态相关。本发明专利技术改进了传统的模型结构，增加了监督机制；明显改善了参数的优化学习，极大的提高了步态识别率；其实际应用意义与社会效益巨大。

【技术实现步骤摘要】

本专利技术涉及计算机科学及图像处理
，特别提供了。
技术介绍
作为远程生物特征认证技术，步态识别越来越受到人们的重视.步态识别就是根据人走路的姿势进行远距离身份认证.步态具有非侵犯性、难于伪装，不像指纹或虹膜识别在特征提取时需要与被识别目标保持近距离接触，因此步态是远距离视频监控领域最具有潜力的生物特征。近些年来对步态识别的研究日益增多，大都是通过提取人行走的步态轮廓后进行识别，技术可分为两类；一是利用步态轮廓的静态信息，如Kim提出了基于主动轮廓模型及运动预测的步态识别, Computer Vision IET, 2010, 4(1): 25 - 36.],主要是利用人体行走的轮廓信息采用主动形状模型(ASM)进行识别，这类算法依赖人体静态轮廓，通常受穿着，背包影响识别效果，如附图说明图1所示。二是采用提取轮廓的动态信息，这类进行研究的算法很多，如基于步态能量图像(GEI)和2维主成分分析的步态识别方法，中国图象图形学报，2009，14(12):2503-2509]，此方法利用GEI图像作为步态特征图像，进行2维主成分分析，但同样由于GEI图像只是人体步态帧和的平均值构成的图像，必然受到外套、背包等影响，在正常、外套、背包的单一类训练样本中有较高识别率，在外套、背包、正常混合模式下识别率较低，如图2所示；图2为同一个人在正常行走、穿外套、背包下的GEI图像，可以看出GEI图像在三种状态下的外形轮廓静态信息差别很大，故识别率较低；为了改善GEI图像丢失太多的动态信息，Zhang提出的基于主动能量图(AEI)及二维局部投影的方法进行识别, Signal Processing, 2010, 90(7): 2295-2302]，其中 AEI图像是由帧差图像叠加构成，可很好的反应人体运动时的动态步态特征，识别方法新颖，但同时AEI图像忽略了人体的静态信息，如图3所示，可以看出AEI图像对动态的信息表达很好，特别是腿部运动信息，但同样存在着外套、背包对轮廓静态信息的影响；为保留步态行走时的静态信息Chen提出的对提取的不完全步态轮廓采取建立帧差能量图(FDEI)的方式构建步态特征，同时建立隐马尔可夫模型(HMM)进行表述, Pattern Recognition Letters, 2009, 30 (11):977 - 984.],识别效果好，其中帧差能量图(FDEI)是用帧间差图像进行叠加，并且与人体的行走时不动的保持静态的部分求和来构成FDEI图像，FDEI图像能很好的表达人体的静态及动态信息；如图4所示，帧差图像能够很好的表达运动特征，但是由于用步态行走的不动部分作为静态信息，所以构成的FDEI图像依然受背包影响较大。Chen还提出了基于双层的动态贝叶斯网络的步态识别(DBN)，中国图象图形学报，2009，14 (9): 1756-1763.]，首先把整个步态序列分若干段，第一层用动态纹理来表达，第二层用隐马尔可夫模型表达，方法新颖，充分考虑了步态时序特性。Faezeh提出的基于手臂和腿部运动的步态识别，分析腿部和手臂的运动来识别步态,Engineering Applications of Artificial Intelligence, 2010, 23 (8):1237-1246.]；只使用腿部的动态信息的识别方法也有较多应用，识别效果及鲁棒性也较好，如图5所示；图5为从GEI图像中提取的运动动态部分，图像为8位灰度图像，运动阈值取为220，图像为同一个人的正常行走、外套、背包三种条件下的图像，可以看出同一个人的腿部步态信息特征很相似。步态识别从识别方法步骤上大都从建立步态的特征图像下手，利用步态的特征图像进行特征的提取识别。识别方法分为基于特征匹配的方法，中国图象图形学报，2009，14(3):387-393 ；Bashir K, Xiang T, Gong S G.Gait recognition without subject cooperation ,Pattern Recognition Letters, 2010, 31 (13):2052-2060.]，基于动态贝叶斯网络的方法, Pattern Recognition, 2011, 44(4):988 - 995;Suk H, SinB K, Lee S ff.Hand gesture recognition based on dynamic Bayesian networkframework , Pattern Recognition, 43(9): 3059-3072.];其中基于动态贝叶斯网络的方法是目前研究的热点，它充分考虑的步态的时序特性。而隐马尔可夫模型(HMM)及其改进模型作为动态贝叶斯网络的一种形式得到了广泛的应用, Mechatronics, 2011,21(6): 961-970 ；Cheng MH, Ho M F, Chung-Lin Huang.Gait analysis for humanidentification through manifold learning and HMM , Pattern Recognition,2008，41(8): 2541-2553.]，如耦合隐马尔可夫模型(CHMM) ,Information Sciences, 2003, 156(1-2): 21-38.]，嵌入式马尔可夫模型(EHMM)，如张前进提出的基于嵌入式隐马尔可夫模型(EHMM)的步态识别，信息与控制，2010，39 (I): 25-29.]，其中张二虎提出的利用动态部位变化的步态识别，中国图象图形学报，2009，14(9): 1756-1763]，方法融入了时序的特性，用基于最大熵马尔可夫模型(MEMM)作为步态分类器，识别率高，模型的鲁棒性也较好。从步态识别方法研究来看，越来越多的研究者都是从表达步态的特征下手，希望找到更加本质的步态特征，识别方法上考虑时序特征的模型应用也越来越多，希望用基于时间的概率推理来达到更好的识别效果。因此，人们期望获得。
技术实现思路
: 本专利技术的目的是通过步态来对人体身份进行认证，提供。本专利技术提供了，其特征在于:其采用三层的动态贝叶斯网络模型进行步态识别，其中:模型第一层采用人体步态轮廓为特征，并且当前时刻的状态只与下一个时刻状态相关；模型第二层采用步态帧差图像为特征，并且当前时刻的状态与下一时刻相关，并且与第一层当前时刻状态及下一时刻状态相关；模型第三层为监督层，与第二层当前时刻状态及第一层当前时刻状态相关。所述具有监督机制的步态识别方法中，模型第二层中的步态帧差图像特征采用建立特征向量的方法表达，特征向量的建立采用如下步骤: 首先用固定大小的矩形框来分割人体帧差图像，把人体帧差图像进行分段处理； 其次计算每段矩形框的转动惯量； 最后，用转动惯量的值来构建特征向量。 所述具有监督机制的步态识别方法还满足下述要求:监督层根据当前时刻的第一层状态，即判断人体轮廓图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别；同时，还根据当前时刻第二层状态，即判断帧差图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别。 所述具有本文档来自技高网...

【技术保护点】
一种具有监督机制的步态识别方法，其特征在于：其采用三层的动态贝叶斯网络模型进行步态识别，其中：模型第一层采用人体步态轮廓为特征，并且当前时刻的状态只与下一个时刻状态相关；模型第二层采用步态帧差图像为特征，并且当前时刻的状态与下一时刻相关，并且与第一层当前时刻状态及下一时刻状态相关；模型第三层为监督层，与第二层当前时刻状态及第一层当前时刻状态相关。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨旗，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：