本發(fā)明涉及一種基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法，屬于模式識(shí)別以及機(jī)器學(xué)習(xí)領(lǐng)域。
背景技術(shù)：
：近年來，采用人體不變性生物特征進(jìn)行身份識(shí)別與鑒定技術(shù)發(fā)展迅速，在安防監(jiān)控、案件偵查、網(wǎng)絡(luò)安全、軍事、商業(yè)甚至娛樂等領(lǐng)域都展現(xiàn)出良好的應(yīng)用前景。采用人臉、指紋、虹膜、靜脈、視網(wǎng)膜等生物特征進(jìn)行身份認(rèn)證技術(shù)發(fā)展較早，目前已經(jīng)相對(duì)成熟，而步態(tài)研究起步較晚，存在大量有待解決的問題。步態(tài)特征，指的是一個(gè)人走路時(shí)所表現(xiàn)出的姿態(tài)的特征，是極少能夠不通過身體接觸和近端感應(yīng)來測(cè)量的生物特征之一，具有非接觸性、遠(yuǎn)距離檢測(cè)和不易偽裝等優(yōu)點(diǎn)，在安防監(jiān)控、案件偵查以及公共安全等領(lǐng)域具有十分重要的應(yīng)用前景和價(jià)值。在實(shí)際生活場(chǎng)景中存在大量能夠顯著影響人類行走步態(tài)的因素，如衣服、鞋子、攜帶物、行走路面、行走速度以及攝像機(jī)角度變化等，其中，拍攝角度變化被視為步態(tài)識(shí)別技術(shù)最富挑戰(zhàn)性的影響因素之一。拍攝角度的變化會(huì)對(duì)捕獲的步態(tài)特征造成十分嚴(yán)重的影響，因其可以實(shí)質(zhì)性地改變可見的視覺特征，對(duì)匹配造成不利后果。此外，人體不同部位受到拍攝角度變化的影響也不盡相同。因此，跨角度步態(tài)識(shí)別技術(shù)近年來成為了炙手可熱的研究課題。跨角度步態(tài)識(shí)別研究起步較晚，近幾年吸引了大量研究者的研究興趣。2009年，Bodor等人提出了一種基于圖像重構(gòu)的獨(dú)立視角人類動(dòng)作分類方法，同年，Han等提出了一種自標(biāo)定的角度無關(guān)的步態(tài)生物統(tǒng)計(jì)模型；2010年，Bashir等設(shè)計(jì)了一種基于關(guān)聯(lián)強(qiáng)度的跨域步態(tài)識(shí)別方法，對(duì)跨域情況下的步態(tài)識(shí)別情況進(jìn)行了測(cè)試，同年，Wu等人提出了一種基于優(yōu)化的步態(tài)能量圖(GEI)的角度變換模型的多角度步態(tài)識(shí)別方法，對(duì)跨域步態(tài)識(shí)別的識(shí)別率進(jìn)行了一定的提升；2011年，Liu等人提出了一種角度無關(guān)的步態(tài)識(shí)別的聯(lián)合子空間學(xué)習(xí)方法，首次提出了子空間學(xué)習(xí)的概念；2014年，Wu等人在此前研究的基礎(chǔ)上提出了一種通過相關(guān)動(dòng)作聚合的跨域步態(tài)識(shí)別方法，識(shí)別率得到進(jìn)一步提升。但是這些方法有一定的缺點(diǎn)，首先，它們只適用于完全受控的多照相機(jī)環(huán)境之中，這樣的環(huán)境太過于昂貴、復(fù)雜；其次，它們需要十分復(fù)雜的相機(jī)標(biāo)定；而且，需要進(jìn)行復(fù)雜的后期計(jì)算。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法。本發(fā)明與現(xiàn)有其他識(shí)別方法相比，識(shí)別性能有所提高，不需要完全受控的環(huán)境，也不需要復(fù)雜的相機(jī)標(biāo)定，同時(shí)，本發(fā)明提出的方法不需要進(jìn)行矩陣的求逆運(yùn)算，減少了運(yùn)算量，減少了小樣本問題，是一種高魯棒性的跨域步態(tài)識(shí)別方法。本發(fā)明的技術(shù)方案如下：一種基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法，包括在線訓(xùn)練和離線測(cè)試；所述在線訓(xùn)練包括如下步驟：首先，使用主成分分析對(duì)不同視角下的步態(tài)能量圖樣本集合分別進(jìn)行特征提取，構(gòu)造不同視角的步態(tài)能量圖特征；例如：對(duì)視角I、II、III的步態(tài)能量圖特征進(jìn)行主成分分析，提取出各視角的步態(tài)能量圖特征；其中視角I、II、III是指彼此不同角度視角，可以賦予其不同的視角值；然后，跨角度尋找同一個(gè)人的步態(tài)能量圖特征的同類近鄰與異類近鄰；跨角度尋找同一個(gè)人的步態(tài)能量圖特征的同類近鄰與異類近鄰，使得某個(gè)步態(tài)能量圖特征的k1個(gè)同一人的步態(tài)能量圖特征最近鄰樣本之間距離最小，使該樣本的k2個(gè)其他人的步態(tài)能量圖特征之間最近鄰樣本的距離最大，構(gòu)造跨角度多耦合判別局部塊對(duì)齊的判別函數(shù)；之后，構(gòu)造跨角度多耦合判別局部塊對(duì)齊的判別函數(shù)，得到所述判別函數(shù)之后，對(duì)該判別函數(shù)進(jìn)行譜分解，得到不同視角的步態(tài)能量圖特征投影矩陣，使得類內(nèi)的散度最小，類間散度最大；對(duì)于訓(xùn)練視角I、II，可以得到訓(xùn)練視角的步態(tài)能量圖特征集合，從而能夠得到其的步態(tài)能量圖特征樣本集，至此訓(xùn)練過程完畢；所述離線測(cè)試包括如下步驟：對(duì)于給定訓(xùn)練樣本集和待測(cè)樣本；首先，通過在線訓(xùn)練由主成分分析方法得到投影矩陣對(duì)訓(xùn)練樣本集和待測(cè)樣本進(jìn)行步態(tài)能量圖特征提??；對(duì)于視角III，經(jīng)過投影變換之后可以將特征映射到共同的子空間得到視角III的步態(tài)能量圖特征，與注冊(cè)的步態(tài)能量圖特征集合對(duì)比，進(jìn)行測(cè)試；然后，通過多耦合判別塊對(duì)齊方法得到的一組投影矩陣對(duì)上述獲得的步態(tài)能量圖特征分別進(jìn)行線性映射；最后，通過基于歐氏距離的最近鄰分類器進(jìn)行分類識(shí)別。本專利提出的基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法大大的提高了識(shí)別性能和算法的魯棒性。根據(jù)本發(fā)明優(yōu)選的，所述基于歐氏距離的最近鄰分類器進(jìn)行分類的方法包括步驟如下：首先，對(duì)所述步態(tài)能量圖特征進(jìn)行主成分分析(PCA)，對(duì)步態(tài)能量圖特征進(jìn)行提取，構(gòu)成不同角度的步態(tài)特征數(shù)據(jù)集該不同角度的步態(tài)能量特征數(shù)據(jù)集包含N個(gè)屬于不同角度的步態(tài)樣本對(duì)即Fθ＝[fθ1,fθ2,…,fθN]∈Rθ×N，然后，訓(xùn)練尋找一對(duì)投影矩陣，多耦合判別局部塊對(duì)齊的目的即找到一組投影矩陣將不同角度的步態(tài)能量圖特征映射到一個(gè)共同的子空間，即對(duì)于給定的步態(tài)能量圖特征樣本fθi，根據(jù)樣本集的標(biāo)簽信息，將不同角度的步態(tài)能量圖特征樣本分成兩組：一組是與fθi屬于同一個(gè)人的不同角度的步態(tài)能量圖特征樣本，另一組是與fθi不屬于同一個(gè)人的步態(tài)能量圖特征樣本；在與xi屬于同一個(gè)人的步態(tài)能量圖特征樣本當(dāng)中，選擇k1個(gè)近鄰樣本，按照近鄰順序進(jìn)行排列，表示為在與xi不屬于同一個(gè)人的步態(tài)能量圖特征樣本中，選擇k2個(gè)近鄰異構(gòu)樣本，按照近鄰順序進(jìn)行排列，表示為合并和建立一個(gè)新的步態(tài)能量圖樣本fθi同理，建立樣本fθi對(duì)應(yīng)的不同角度的步態(tài)能量圖特征樣本的局部塊對(duì)于每個(gè)新構(gòu)成的步態(tài)能量圖特征樣本，Xi對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)閅i對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)閆i對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)樵谒龉餐淖涌臻g中，令同一個(gè)人的步態(tài)能量圖特征樣本之間的距離最小，不屬于同一個(gè)人的步態(tài)能量圖特征之間的距離最大，即argminaiΣj=1k1||ai-bij||2+argminaiΣj=1k1||ai-cij||2+argminbiΣj=1k1||bi-cij||2---(2)]]>argmaxaiΣj=1k2||ai-b‾ij||2+argmaxaiΣj=1k2||ai-c‾ij||2+argmaxbiΣj=1k2||bi-c‾ij||2---(3)]]>由于新構(gòu)成的步態(tài)能量圖樣本是近似線性的，因此通過線性處理形成局部判別式，即argminai[(Σj=1k1||ai-bij||2+Σj=1k1||ai-cij||2)-ζ(argmaxaiΣj=1k2||ai-b‾ij||2+Σj=1k2||ai-c‾ij||2)]+argminbi(Σj=1k1||bi-cij||2-ζΣj=1k2||bi-c‾ij||2)---(4)]]>在公式(4)中，β是量化因子，β∈[0,1]，目的是使不同人的步態(tài)能量圖特征樣本之間的距離和同一個(gè)人的步態(tài)能量圖特征樣本之間的距離保持一致性；同時(shí)，定義系數(shù)向量因此，式(4)化簡(jiǎn)為其中，Wi＝diag(wi)；令則式(6)轉(zhuǎn)化為Ji(P)＝PTΩiP(7)通過對(duì)式(7)進(jìn)行疊加，整體對(duì)齊，表示為argminPΣi=1Ntr(PTΩiP)=argminPtr(PT(Σi=1NΩi)P)=argminPtr(PTΩP)---(8)]]>其中，Ω＝[Ω1,Ω2,…,ΩN]，為了唯一的定義P，給式(7)強(qiáng)加約束因子PTP＝I，其中，I是單位矩陣，因此，目標(biāo)函數(shù)被定義為argminPtr(PTΩP)s.t.PTP=I---(9)]]>由線性理論可知，式(9)轉(zhuǎn)化為廣義特征值求解問題，Ωp＝λp(10)其中，λ是廣義特征值；令p1,p2,…,pd是前d個(gè)最小特征值對(duì)應(yīng)的特征向量，式(10)的最優(yōu)解為則訓(xùn)練樣本經(jīng)投影矩陣映射為A=Pθ*T*Fθ---(12)]]>對(duì)于不同角度的其他樣本Y和Z，經(jīng)投影矩陣映射后為最后，使用最近鄰分類器進(jìn)行分類。根據(jù)本發(fā)明優(yōu)選的，所述基于歐氏距離的最近鄰分類器進(jìn)行識(shí)別的方法包括步驟如下：給定Gallery樣本給定Probe樣本那么Probe樣本用以下公式進(jìn)行分類：πi其中該式基于訓(xùn)練后的投影矩陣對(duì)其中πi是除了Probe樣本的步態(tài)特征樣本的分類標(biāo)簽。本發(fā)明的有益效果是：本發(fā)明提供的是一種基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法，相比于已有的跨角度步態(tài)識(shí)別方法，本發(fā)明減小了跨角度數(shù)據(jù)之間的差異，提高了跨角度步態(tài)識(shí)別性能，具有較強(qiáng)的魯棒性。附圖說明圖1本發(fā)明流程圖；圖2CASIA(B)庫同一樣本不同視角的步態(tài)能量圖；圖3CASIA(B)庫步態(tài)樣本錄制示意圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述，但不限于此。實(shí)施例1、一種基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法，包括在線訓(xùn)練和離線測(cè)試；所述在線訓(xùn)練包括如下步驟：首先，使用主成分分析對(duì)不同視角下的步態(tài)能量圖樣本集合分別進(jìn)行特征提取，構(gòu)造不同視角的步態(tài)能量圖特征；例如：對(duì)視角I、II、III的步態(tài)能量圖特征進(jìn)行主成分分析，提取出各視角的步態(tài)能量圖特征；其中視角I、II、III是指彼此不同角度視角，可以賦予其不同的視角值；然后，跨角度尋找同一個(gè)人的步態(tài)能量圖特征的同類近鄰與異類近鄰；跨角度尋找同一個(gè)人的步態(tài)能量圖特征的同類近鄰與異類近鄰，使得某個(gè)步態(tài)能量圖特征的k1個(gè)同一人的步態(tài)能量圖特征最近鄰樣本之間距離最小，使該樣本的k2個(gè)其他人的步態(tài)能量圖特征之間最近鄰樣本的距離最大，構(gòu)造跨角度多耦合判別局部塊對(duì)齊的判別函數(shù)；之后，構(gòu)造跨角度多耦合判別局部塊對(duì)齊的判別函數(shù)，得到所述判別函數(shù)之后，對(duì)該判別函數(shù)進(jìn)行譜分解，得到不同視角的步態(tài)能量圖特征投影矩陣，使得類內(nèi)的散度最小，類間散度最大；對(duì)于訓(xùn)練視角I、II，可以得到訓(xùn)練視角的步態(tài)能量圖特征集合，從而能夠得到其的步態(tài)能量圖特征樣本集，至此訓(xùn)練過程完畢；所述離線測(cè)試包括如下步驟：對(duì)于給定訓(xùn)練樣本集和待測(cè)樣本；首先，通過在線訓(xùn)練由主成分分析方法得到投影矩陣對(duì)訓(xùn)練樣本集和待測(cè)樣本進(jìn)行步態(tài)能量圖特征提取；對(duì)于視角III，經(jīng)過投影變換之后可以將特征映射到共同的子空間得到視角III的步態(tài)能量圖特征，與注冊(cè)的步態(tài)能量圖特征集合對(duì)比，進(jìn)行測(cè)試；然后，通過多耦合判別塊對(duì)齊方法得到的一組投影矩陣對(duì)上述獲得的步態(tài)能量圖特征分別進(jìn)行線性映射；最后，通過基于歐氏距離的最近鄰分類器進(jìn)行分類識(shí)別。本專利提出的基于多耦合判別局部塊對(duì)齊的跨角度步態(tài)識(shí)別方法大大的提高了識(shí)別性能和算法的魯棒性。根據(jù)本發(fā)明優(yōu)選的，所述基于歐氏距離的最近鄰分類器進(jìn)行分類的方法包括步驟如下：首先，對(duì)所述步態(tài)能量圖特征進(jìn)行主成分分析(PCA)，對(duì)步態(tài)能量圖特征進(jìn)行提取，構(gòu)成不同角度的步態(tài)特征數(shù)據(jù)集該不同角度的步態(tài)能量特征數(shù)據(jù)集包含N個(gè)屬于不同角度的步態(tài)樣本對(duì)即Fθ＝[fθ1,fθ2,…,fθN]∈Rθ×N，然后，訓(xùn)練尋找一對(duì)投影矩陣，多耦合判別局部塊對(duì)齊的目的即找到一組投影矩陣將不同角度的步態(tài)能量圖特征映射到一個(gè)共同的子空間，即對(duì)于給定的步態(tài)能量圖特征樣本fθi，根據(jù)樣本集的標(biāo)簽信息，將不同角度的步態(tài)能量圖特征樣本分成兩組：一組是與fθi屬于同一個(gè)人的不同角度的步態(tài)能量圖特征樣本，另一組是與fθi不屬于同一個(gè)人的步態(tài)能量圖特征樣本；在與xi屬于同一個(gè)人的步態(tài)能量圖特征樣本當(dāng)中，選擇k1個(gè)近鄰樣本，按照近鄰順序進(jìn)行排列，表示為在與xi不屬于同一個(gè)人的步態(tài)能量圖特征樣本中，選擇k2個(gè)近鄰異構(gòu)樣本，按照近鄰順序進(jìn)行排列，表示為合并和建立一個(gè)新的步態(tài)能量圖樣本fθi同理，建立樣本fθi對(duì)應(yīng)的不同角度的步態(tài)能量圖特征樣本的局部塊對(duì)于每個(gè)新構(gòu)成的步態(tài)能量圖特征樣本，Xi對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)閅i對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)閆i對(duì)應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)樵谒龉餐淖涌臻g中，令同一個(gè)人的步態(tài)能量圖特征樣本之間的距離最小，不屬于同一個(gè)人的步態(tài)能量圖特征之間的距離最大，即argminaiΣj=1k1||ai-bij||2+argminaiΣj=1k1||ai-cij||2+argminbiΣj=1k1||bi-cij||2---(2)]]>argmaxaiΣj=1k2||ai-b‾ij||2+argmaxaiΣj=1k2||ai-c‾ij||2+argmaxbiΣj=1k2||bi-c‾ij||2---(3)]]>由于新構(gòu)成的步態(tài)能量圖樣本是近似線性的，因此通過線性處理形成局部判別式，即argminai[(Σj=1k1||ai-bij||2+Σj=1k1||ai-cij||2)-ζ(argmaxaiΣj=1k2||ai-b‾ij||2+Σj=1k2||ai-c‾ij||2)]+argminbi(Σj=1k1||bi-cij||2-ζΣj=1k2||bi-c‾ij||2)---(4)]]>在公式(4)中，β是量化因子，β∈[0,1]，目的是使不同人的步態(tài)能量圖特征樣本之間的距離和同一個(gè)人的步態(tài)能量圖特征樣本之間的距離保持一致性；同時(shí)，定義系數(shù)向量因此，式(4)化簡(jiǎn)為其中，Wi＝diag(wi)；令則式(6)轉(zhuǎn)化為Ji(P)＝PTΩiP(7)通過對(duì)式(7)進(jìn)行疊加，整體對(duì)齊，表示為argminPΣi=1Ntr(PTΩiP)=argminPtr(PT(Σi=1NΩi)P)=argminPtr(PTΩP)---(8)]]>其中，Ω＝[Ω1,Ω2,...,ΩN]，為了唯一的定義P，給式(7)強(qiáng)加約束因子PTP＝I，其中，I是單位矩陣，因此，目標(biāo)函數(shù)被定義為argminPtr(PTΩP)s.t.PTP=I---(9)]]>由線性理論可知，式(9)轉(zhuǎn)化為廣義特征值求解問題，Ωp＝λp(10)其中，λ是廣義特征值；令p1,p2,…,pd是前d個(gè)最小特征值對(duì)應(yīng)的特征向量，式(10)的最優(yōu)解為則訓(xùn)練樣本經(jīng)投影矩陣映射為A=Pθ*T*Fθ---(12)]]>對(duì)于不同角度的其他樣本Y和Z，經(jīng)投影矩陣映射后為最后，使用最近鄰分類器進(jìn)行分類。所述基于歐氏距離的最近鄰分類器進(jìn)行識(shí)別的方法包括步驟如下：給定Gallery樣本給定Probe樣本那么Probe樣本用以下公式進(jìn)行分類：πi其中該式基于訓(xùn)練后的投影矩陣對(duì)其中πi是除了Probe樣本的步態(tài)特征樣本的分類標(biāo)簽。通過在中國科學(xué)院自動(dòng)化所錄制的CASIA(B)步態(tài)數(shù)據(jù)庫上驗(yàn)證本發(fā)明所述識(shí)別方法來評(píng)估其有效性。CASIA(B)步態(tài)數(shù)據(jù)庫包含124個(gè)人，每個(gè)人有6次正常錄制的樣本，每次正常錄制的樣本包括0°，18°，36°，54°，72°，90°，108°，126°，144°，162°與180°共11個(gè)視角，如圖3所示。本發(fā)明所述識(shí)別方法選擇0°視角和18°-180°視角的前3次記錄作為訓(xùn)練樣本，0°-180°視角的后3次記錄作為測(cè)試樣本。實(shí)驗(yàn)結(jié)果如表1所示。表1本專利所提供的方法在CASIA(B)步態(tài)數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果(1)同時(shí)，我們以除去某一特定角度的其余角度的前三次作為訓(xùn)練樣本，以0°-180°視角的后3次記錄作為測(cè)試樣本，實(shí)驗(yàn)結(jié)果如表2所示。表2本專利所提供的方法在CASIA(B)步態(tài)數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果(2)由表1和表2可以看出，本專利所述識(shí)別方法的識(shí)別率很高，最高達(dá)到100％的識(shí)別率，且識(shí)別率的平均值在90％以上，具有非常好的結(jié)果。當(dāng)前第1頁1 2 3