專(zhuān)利名稱(chēng)：基于模糊理論決策的雙向二維主成分分析的步態(tài)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)，具體是一種基于模糊理論決策的雙向二維主成分分析步態(tài)識(shí)別方法。
背景技術(shù)：
步態(tài)識(shí)別是一種新型的生物特征識(shí)別技術(shù)。步態(tài)識(shí)別作為一種生物特征識(shí)別方法，就是根據(jù)人走路的姿勢(shì)進(jìn)行人的身份認(rèn)證和識(shí)別。步態(tài)特征具有一定的節(jié)奏和循環(huán)特性，并且本質(zhì)上是周期性的。作為習(xí)慣性的行為特征，一個(gè)人的步態(tài)在相當(dāng)長(zhǎng)的時(shí)間內(nèi)是不會(huì)發(fā)生很大變化的，具有較強(qiáng)的穩(wěn)定性。區(qū)別于人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別等識(shí)別技術(shù)，步態(tài)識(shí)別作為一種生物特征具有以下幾個(gè)特點(diǎn)易于觀察、難于偽裝、對(duì)系統(tǒng)分辨率要求低、遠(yuǎn)距離識(shí)別等。因此步態(tài)識(shí)別是一種理想的非侵犯性生物特征識(shí)別技術(shù)?，F(xiàn)有步態(tài)識(shí)別的方法很多，總體上分為基于模型的方法和基于統(tǒng)計(jì)的方法基于模型的方法旨在構(gòu)建一個(gè)人體的2D或3D的運(yùn)動(dòng)結(jié)構(gòu)模型，通過(guò)提取圖像特征把它們映射到模型的結(jié)構(gòu)成分上來(lái)表征人體的步態(tài)模式。基于統(tǒng)計(jì)的方法是通過(guò)行人在圖像中的輪廓所產(chǎn)生時(shí)空模式的統(tǒng)計(jì)特性來(lái)特征化步態(tài)運(yùn)動(dòng)?，F(xiàn)有的步態(tài)識(shí)別方法一般都是采用相同的行走狀態(tài)條件下的訓(xùn)練視頻序列和測(cè)試視頻序列來(lái)建立步態(tài)識(shí)別的框架。實(shí)際的應(yīng)用中，測(cè)試的視頻序列變化是很大的，例如衣著的不同，攜帶物品的不同等等狀態(tài)，都會(huì)對(duì)實(shí)際的識(shí)別性能產(chǎn)生很大的影響。另外步態(tài)識(shí)別中步態(tài)能量圖應(yīng)用也較廣泛，但步態(tài)特征識(shí)別中的平均步態(tài)能量圖像系數(shù)矩陣元素過(guò)多，維數(shù)過(guò)高的問(wèn)題，對(duì)識(shí)別速度影響較大。在這種情況下，合理的選擇特征量能夠表征真實(shí)的步態(tài)特征，選用合理的步態(tài)識(shí)別方法，可以提高步態(tài)的識(shí)別率和識(shí)別速度成為一個(gè)重要的問(wèn)題。經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，馬勤勇等人在《光電子·激光》(第20卷第四期)第 545頁(yè)到第549頁(yè)上發(fā)表的“基于能量圖分解與運(yùn)動(dòng)偏移特性的步態(tài)識(shí)別”提出了利用平均近鄰圖與平均輪廓圖重建異常的圖像，然后將對(duì)象的步態(tài)能量圖分解為兩部分，并分別為每一部分生成一系列擴(kuò)展圖像，從而構(gòu)造出能量分解圖。最后使用能量分解圖和運(yùn)動(dòng)偏移圖共同進(jìn)行分類(lèi)。這種步態(tài)識(shí)別方法的特征表示方式在很大程度上避免了傳統(tǒng)的步態(tài)能量圖易受步態(tài)形狀寬度影響的缺點(diǎn)。針對(duì)現(xiàn)有基于步態(tài)偏移圖算法仍然保留了大量靜態(tài)形狀信息的問(wèn)題，這種特征表達(dá)方式更加注重輪廓邊緣區(qū)域，而會(huì)丟失一些內(nèi)部的整體信息。同時(shí)，該步態(tài)輪廓圖異常檢測(cè)及校正算法計(jì)算量較大，在識(shí)別速度上還存在提升的空間。通過(guò)檢索張前進(jìn)等人在《工程圖學(xué)學(xué)報(bào)》(第32卷第一期)第39頁(yè)到44頁(yè)上發(fā)表的“一種基于平均步態(tài)能量圖的身份識(shí)別算法”，提出了提出一種基于步態(tài)能量圖的嵌入式隱馬爾可夫模型身份識(shí)別方法。首先提取出運(yùn)動(dòng)人體的側(cè)面輪廓，根據(jù)步態(tài)下肢的擺動(dòng)距離統(tǒng)計(jì)出步態(tài)周期，得到平均步態(tài)能量圖。對(duì)能量圖的各區(qū)域進(jìn)行分析，利用二維離散余弦變換將能量圖觀測(cè)塊轉(zhuǎn)化為觀測(cè)向量，實(shí)現(xiàn)嵌入式隱馬爾可夫模型的訓(xùn)練和身份識(shí)別。最后在USF和 CASIA步態(tài)數(shù)據(jù)庫(kù)上對(duì)所提出的算法進(jìn)行實(shí)驗(yàn)。該算法基于嵌入式隱馬爾可夫模型，該模型在訓(xùn)練和識(shí)別的過(guò)程中，會(huì)耗費(fèi)一定的計(jì)算量；同時(shí)利用二維離散余弦變換將能量圖觀測(cè)塊轉(zhuǎn)化為觀測(cè)向量，步態(tài)的信息會(huì)有部分丟失，對(duì)識(shí)別結(jié)果有一定的影響。這就促使區(qū)尋找一種新的步態(tài)識(shí)別方法，在具有較高的識(shí)別率的同時(shí)提升識(shí)別的速率。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于模糊理論決策的雙向二維主成分分析(DTPCA)的步態(tài)識(shí)別方法。通過(guò)預(yù)處理技術(shù)得到平均步態(tài)能量圖并將得到的圖像分割為多個(gè)子圖像，利用雙向二維主成分分析來(lái)降低平均步態(tài)能量子圖像的系數(shù)矩陣維數(shù)，解決了步態(tài)識(shí)別中平均步態(tài)能量圖像系數(shù)矩陣維數(shù)過(guò)高的問(wèn)題，加快識(shí)別速度。本發(fā)明為解決上述技術(shù)問(wèn)題所采用的技術(shù)方案是基于模糊理論決策的雙向二維主成分分析的步態(tài)識(shí)別方法，包括如下步驟
步驟一、對(duì)一個(gè)步態(tài)序列中的圖像進(jìn)行預(yù)處理采用非線性平滑技術(shù)的中值法，將每一像素點(diǎn)的灰度值設(shè)置為與該點(diǎn)相鄰的所有像素點(diǎn)灰度值的中值，從圖像序列中恢復(fù)出背景圖像，將輸入的連續(xù)N幀圖像像素值的中間值作為背景圖像的像素值；
步驟二、使用間接執(zhí)行差分操作提取人體運(yùn)動(dòng)的輪廓；
步驟三、對(duì)單連通的運(yùn)動(dòng)目標(biāo)圖像進(jìn)行準(zhǔn)周期性分析，通過(guò)分析人體輪廓形狀隨時(shí)間的變化，根據(jù)人體側(cè)面的下肢輪廓寬度從最大到最小又到最大的周期性變化過(guò)程確定步態(tài)周期；
步驟四、根據(jù)確定的步態(tài)周期，構(gòu)建每一個(gè)步態(tài)周期的能量圖，然后再計(jì)算出步態(tài)序列中具有完整周期的步態(tài)能量圖的平均圖像，得到一個(gè)平均步態(tài)能量圖像訓(xùn)練樣本；
步驟五、按照步驟一至四的方法，構(gòu)建M個(gè)平均步態(tài)能量圖像訓(xùn)練樣本
A1, A2,---,Am ,把每個(gè)樣本4.都分成#個(gè)子圖像aS ι =
練圖像樣本對(duì)應(yīng)位置的子圖像組成子圖像集& ;
步驟六、設(shè) 4 = (A^f, (A^y)2(A。、f , A =
和分別表示訓(xùn)練樣本為(k = I 2,-·,Μ)和f
jm
訓(xùn)練樣本的平均圖像；利用協(xié)方差矩陣Gi =——Y y
每個(gè)子圖像集&求出行方向上的最優(yōu)投影矩陣；
步驟七、設(shè)Λ = [(Au))如2))’··-’(4^))], 3=[(,)),(:,m,這里 Am 和
_f.、分別表示』和—的第,個(gè)列向量，利用式句=去ZiK0-Ic0KAiff對(duì)
溢U)AkJMf
每個(gè)子圖像集4求列方向上的最優(yōu)投影矩陣A；
步驟八、利用式 = IfAi-Xj-Af+ ZjrJli-X;求每個(gè)訓(xùn)練圖像樣本為所有子圖像4的
1,2，- -., Μ; j = 1,2,-- ■ ,N),所有訓(xùn)
(#)κ,其中的第i個(gè)行向量，I表示所有特征矩陣G'j，其中Aij表示第i個(gè)訓(xùn)練樣本的第J個(gè)子圖像，I = 1,2,---,M，M為訓(xùn)練樣本
的個(gè)數(shù)，J = 1,2,...,N , n為子圖像集的個(gè)數(shù)，Aj為Xj對(duì)應(yīng)不小于I的特征值組成的對(duì)角
陣，X'j為小于I的特征值對(duì)應(yīng)的特征向量，ω為0-1之間的一個(gè)指數(shù)；
步驟九、對(duì)一幅待識(shí)別的平均步態(tài)能量圖像凡首先分割出各個(gè)子圖像 Bj= (1, 2,…,N),用每個(gè)子圖像向各自對(duì)應(yīng)的投影空間投影，求得每個(gè)子圖像的特征矩陣C'j
步驟十、然后計(jì)算步驟九得到的特征矩陣與步驟八中每個(gè)訓(xùn)練樣本特征矩陣之間的距
離
權(quán)利要求
1.基于模糊理論決策的雙向二維主成分分析的步態(tài)識(shí)別方法，其特征在于包括如下步驟步驟一、對(duì)一個(gè)步態(tài)序列中的圖像進(jìn)行預(yù)處理采用非線性平滑技術(shù)的中值法，將每一像素點(diǎn)的灰度值設(shè)置為與該點(diǎn)相鄰的所有像素點(diǎn)灰度值的中值，從圖像序列中恢復(fù)出背景圖像，將輸入的連續(xù)N幀圖像像素值的中間值作為背景圖像的像素值；步驟二、使用間接執(zhí)行差分操作提取人體運(yùn)動(dòng)的輪廓；步驟三、對(duì)單連通的運(yùn)動(dòng)目標(biāo)圖像進(jìn)行準(zhǔn)周期性分析，通過(guò)分析人體輪廓形狀隨時(shí)間的變化，根據(jù)人體側(cè)面的下肢輪廓寬度從最大到最小又到最大的周期性變化過(guò)程確定步態(tài)周期；步驟四、根據(jù)確定的步態(tài)周期，構(gòu)建每一個(gè)步態(tài)周期的能量圖，然后再計(jì)算出步態(tài)序列中具有完整周期的步態(tài)能量圖的平均圖像，得到一個(gè)平均步態(tài)能量圖像訓(xùn)練樣本；步驟五、按照步驟一至四的方法，構(gòu)建M個(gè)平均步態(tài)能量圖像訓(xùn)練樣本為，為4 ，把每個(gè)樣本4都分成N個(gè)子圖像為f，所有訓(xùn)練圖像樣本對(duì)應(yīng)位置的子圖像組成子圖像集4 ;
全文摘要
基于模糊理論決策的雙向二維主成分分析的步態(tài)識(shí)別方法，先對(duì)一個(gè)步態(tài)序列的圖像預(yù)處理，并提取人體運(yùn)動(dòng)輪廓，確定步態(tài)周期，計(jì)算出具有完整周期的步態(tài)能量圖的平均圖像；構(gòu)建個(gè)平均步態(tài)能量圖像訓(xùn)練樣本，并分成N個(gè)子圖像集；對(duì)每個(gè)子圖像集求出行方向和列方向的最優(yōu)投影矩陣，后求每個(gè)訓(xùn)練樣本子圖像的特征矩陣；對(duì)待識(shí)別的平均步態(tài)能量圖像求每個(gè)子圖像的特征矩陣；后求出待識(shí)別圖像對(duì)各訓(xùn)練樣本的隸屬度，根據(jù)最大隸屬度原則，確定分類(lèi)結(jié)果。本發(fā)明將平均步態(tài)能量圖像分割為多個(gè)子圖像，利用雙向二維主成分分析降低平均步態(tài)能量子圖像的系數(shù)矩陣維數(shù)，解決了步態(tài)識(shí)別中平均步態(tài)能量圖像系數(shù)矩陣維數(shù)過(guò)高的問(wèn)題，提高了識(shí)別率，加快識(shí)別速度。
文檔編號(hào)G06K9/66GK102592150SQ20121001198
公開(kāi)日2012年7月18日 申請(qǐng)日期2012年1月16日 優(yōu)先權(quán)日2012年1月16日
發(fā)明者卜文紹, 孫炎增, 張前進(jìn), 張松燦, 徐素莉, 李佩佩, 李勁偉, 王桂泉, 王雯霞, 祁志娟, 鄭國(guó)強(qiáng), 陳祥濤 申請(qǐng)人:河南科技大學(xué)