專利名稱：基于多特征屬性的多類別Bagging步態(tài)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別技術(shù)領(lǐng)域，具體涉及一種基于多步態(tài)特征屬性的多類別Bagging步態(tài)識別新方法，是一種利用計算機(jī)技術(shù)、數(shù)字圖象處理技術(shù)、模式識別等實(shí)現(xiàn)人的步態(tài)的自動分析與判別的方法，是生物特征識別領(lǐng)域中關(guān)于步態(tài)特征提取與識別的算法。
背景技術(shù)：
生物特征識別技術(shù)是指利用人類本身所擁有的、能夠標(biāo)識其身份的生理特征或行為特征進(jìn)行身份驗(yàn)證的技術(shù)。與傳統(tǒng)的身份驗(yàn)證技術(shù)相比，生物特征識別技術(shù)從根本上杜 絕了偽造和竊取，具有更高的可靠性、安全性，已經(jīng)越來越廣泛的應(yīng)用于一些安全系統(tǒng)的身份認(rèn)證。步態(tài)識別技術(shù)作為一種新型的生物特征識別技術(shù)，它是根據(jù)視頻序列中人走路的姿勢進(jìn)行身份識別的生物識別技術(shù)。和其它生物特征識別技術(shù)相比，步態(tài)識別技術(shù)以其非侵犯性、遠(yuǎn)距離識別性以及難以隱藏等優(yōu)點(diǎn)受到了人民的青睞，在國家公共安全、金融安全、身份認(rèn)證、視頻監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用前景。關(guān)于步態(tài)的特征提取技術(shù)，有文獻(xiàn)采用小波包分解較好地解決了這個問題，但小波包分解后的圖像特征維數(shù)較高，且其采用經(jīng)典的PCA算法對進(jìn)行特征提取，即采用奇異值分解的方法來求相關(guān)矩陣的特征值和特征向量時，計算耗費(fèi)大。二維主成分分析(2DPCA)可直接對圖像數(shù)據(jù)矩陣進(jìn)行計算，計算量相對少很多，但2DPCA后需要n*k(其中，η為圖像分辨率，k為變換后選取特征列向量個數(shù)，且k < η)個數(shù)據(jù)來表示圖像，特征向量的維數(shù)仍較高。完全主成分分析((2D)2PCA)可以進(jìn)一步降低特征向量的維數(shù)，從而降低識別耗費(fèi)，且其識別性能上與2DPCA相當(dāng)，甚至優(yōu)于2DPCA。目前已經(jīng)有人提出一種關(guān)于兩類問題的屬性Bagging算法AB，本發(fā)明是在兩類問題的屬性Bagging算法AB的基礎(chǔ)上,提出一種基于多步態(tài)特征屬性的多類別Bagging步態(tài)識別新方法-MCAB(Multi-class Attribute Bagging)算法。

發(fā)明內(nèi)容
本發(fā)明的內(nèi)容是提出了一個基于多步態(tài)特征屬性的多類別Bagging(MCAB)步態(tài)識別新方法。該方法用INN作為弱分類器，通過將兩類屬性Bagging方法擴(kuò)展到多類別來構(gòu)建集成分類器MCAB(Multi-class Attribute Bagging)。我們在NLPR步態(tài)數(shù)據(jù)庫上對該方法進(jìn)行了評測，結(jié)果表明，與單純采用小波包和(2D)2PCA等識別方法相比，本方法具有更高的識別率和視角變化魯棒性。本發(fā)明的技術(shù)內(nèi)容如下為利用MCAB算法進(jìn)行實(shí)驗(yàn)，我們需首先通過對預(yù)處理后的歸一化步態(tài)圖像序列進(jìn)行周期檢測，來提取步態(tài)能量圖，以克服步態(tài)數(shù)據(jù)量過大問題；再對步態(tài)能量圖進(jìn)行小波包分解和完全主成分分析，得到的結(jié)果圖像分別表示了步態(tài)圖像不同側(cè)面的特征；最后依據(jù)前述不同特征的分類性能，通過將各特征視為步態(tài)的不同屬性并用MCAB算法進(jìn)行分類?！獋€基于多步態(tài)特征屬性的多類別Bagging(MCAB)步態(tài)識別新方法,該方法的步驟包括人體步態(tài)序列的預(yù)處理、特征提取，最后利用MCAB算法把測試樣品歸到相應(yīng)的類中，并對識別效果給予評價，其具體步驟如下步驟一、預(yù)處理
(I)形態(tài)學(xué)處理對已經(jīng)背景分離的人體運(yùn)動目標(biāo)圖像進(jìn)行形態(tài)學(xué)處理，以去除二值化圖像存在的空洞，獲得更優(yōu)的分割效果；(2)目標(biāo)提取利用8連通分量分析的方法來提取一個單連通的運(yùn)動目標(biāo)，即人的側(cè)影去除殘余噪聲，從而獲得更優(yōu)的二值輪廓圖；(3)圖像歸一化根據(jù)人體輪廓坐標(biāo)裁剪出標(biāo)準(zhǔn)的步態(tài)圖像，得到尺寸歸一化圖像，其中，圖像的大小統(tǒng)一為64*64像素。步驟二、特征提取(I)步態(tài)周期的檢測利用人體的輪廓寬度隨時間發(fā)生同步周期性改變的特性，通過人體輪廓的寬度變化信號來劃分步態(tài)周期；(2)建立步態(tài)能量圖(GEI)，將步態(tài)能量圖作為不同步態(tài)序列的代表；步態(tài)能量圖在進(jìn)行步態(tài)周期檢測之后，通過對一個周期內(nèi)的步態(tài)序列圖像處理生成GEI為
權(quán)利要求
1.一種基于多步態(tài)特征屬性的多類別Bagging步態(tài)識別方法,其特征在于,步驟如下 步驟一、預(yù)處理 對已經(jīng)背景分離的人體運(yùn)動目標(biāo)圖像依次進(jìn)行形態(tài)學(xué)處理、目標(biāo)提取、以及圖像歸一化處理； 步驟二、特征提取 經(jīng)過步態(tài)周期的檢測，建立步態(tài)能量圖，將步態(tài)能量圖作為不同步態(tài)序列的代表，利用WPD+(2D) 2PCA方法計算20個特征的識別率； 步驟三、分類識別 選擇步驟二中識別率大于等于50%的特征作為待重抽樣的原始特征集合AttributeSet，利用MCAB算法對測試樣本進(jìn)行最終識別；具體如下 (1)在MCAB算法中，首先需要對原始訓(xùn)練實(shí)例的屬性集合進(jìn)行η次有放回的重抽樣，η為經(jīng)過步驟二后識別率大于等于50%的屬性個數(shù)，這η屬性可能會出現(xiàn)多次，有的可能一次也不會出現(xiàn)，由這η個屬性構(gòu)成新的訓(xùn)練實(shí)例，再由這些新的訓(xùn)練實(shí)例構(gòu)造弱分類器； (2)利用MCAB算法進(jìn)行分類識別 i:確定重抽樣屬性的個數(shù)n，確定迭代次數(shù)T ;其中η為識別率大于等于50%的屬性的個數(shù)，T取值為10 100 ； iiFor t = I : T執(zhí)行以下3步； a):從AttributeSet中重抽樣η個屬性得到屬性集At,對訓(xùn)練集S中的每個樣本,只取At中的屬性，得到新的屬性St; b):在屬性St上用INN算法訓(xùn)練出基分類器ht(x)— Y; c):計算權(quán)值
2.根據(jù)權(quán)利要求I所述的基于多步態(tài)特征屬性的多類別Bagging步態(tài)識別方法,其特征是，所述的步態(tài)能量圖的提取步驟如下 在進(jìn)行步態(tài)周期檢測之后，通過對一個周期內(nèi)的步態(tài)序列圖像處理生成的步態(tài)能量圖為
全文摘要
基于多步態(tài)特征屬性的多類別Bagging步態(tài)識別方法，屬于模式識別技術(shù)領(lǐng)域。該方法用最近鄰分類器作為弱分類器，在基于小波包分解和完全主成分分析后的20個步態(tài)屬性特征集合上，通過將兩類屬性Bagging方法擴(kuò)展到多類別來構(gòu)建集成分類器，進(jìn)行步態(tài)身份鑒別。該方法的步驟包括預(yù)處理、特征提取，最后用最近鄰分類原理與MCAB算法相結(jié)合的方法對測試樣本進(jìn)行歸類。本發(fā)明首次采用融合WPD和(2D)2PCA方法來提取并選擇步態(tài)特征，解決已有基于小波變換的步態(tài)識別方法中高頻分量丟失或簡單采用全部數(shù)據(jù)所致維數(shù)過大問題，具有更高的識別率和視角變化魯棒性。
文檔編號G06K9/00GK102663374SQ20121013418
公開日2012年9月12日 申請日期2012年4月28日 優(yōu)先權(quán)日2012年4月28日
發(fā)明者楊新武, 楊躍偉, 翟飛 申請人:北京工業(yè)大學(xué)