本發(fā)明涉及生物識別領(lǐng)域，尤其是涉及了一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法。

背景技術(shù)：

步態(tài)識別常用于智能視頻監(jiān)控、行走功能評定、康復(fù)器具性能的評價(jià)等領(lǐng)域，其中在智能視頻監(jiān)控方面比人臉識別更具優(yōu)勢，通過人們走路的姿態(tài)進(jìn)行身份識別，作為遠(yuǎn)距離下唯一可識別的生物特征識別技術(shù)更是具有難以被人為隱藏或偽裝的優(yōu)點(diǎn)。近年來，反恐暴、信息安全、救援、醫(yī)療、民生的迫切需求，促使步態(tài)識別技術(shù)已成為生物特征識別領(lǐng)域活躍的研究方向之一，新的方法層出不窮，為了推動(dòng)這項(xiàng)極具競爭力和亟需提高性能的研究，能及時(shí)與最前沿方法進(jìn)行比較并評估顯得尤為重要。

本發(fā)明提出了一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法，為可重復(fù)性研究做貢獻(xiàn)，提出了一個(gè)評價(jià)框架和數(shù)據(jù)庫，以改進(jìn)開發(fā)，評價(jià)和比較利用運(yùn)動(dòng)捕獲數(shù)據(jù)的步態(tài)識別方法。評價(jià)框架采集人體步態(tài)數(shù)據(jù)建立數(shù)據(jù)庫GaitMo，通過利用最大間距準(zhǔn)則(MMC)改良的Fisher線性判別分析、并且結(jié)合主成分分析(PCA)和線性判別分析(LDA)學(xué)習(xí)步態(tài)特征，最后根據(jù)特定應(yīng)用場景從四類特征空間的分離系數(shù)和四個(gè)基于秩的分類器性能指標(biāo)中選擇合適的指標(biāo)進(jìn)行評估進(jìn)而評價(jià)系統(tǒng)。本發(fā)明突破新方法層出不窮難以對比分析的局限，通過提供一個(gè)評價(jià)框架，在基準(zhǔn)數(shù)據(jù)庫上對既定評價(jià)指標(biāo)進(jìn)行評估，使得對步態(tài)識別的研究評析變得有效簡便，為可重復(fù)性研究做貢獻(xiàn)，推動(dòng)了步態(tài)識別的研究和發(fā)展。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有方法多需要更有效的對比推動(dòng)研究的問題，本發(fā)明的目的在于提供一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法，通過MMC、PCA+LDA兩種方法學(xué)習(xí)步態(tài)特征的提取，對類可分離度進(jìn)行評估進(jìn)而評價(jià)系統(tǒng)，為可重復(fù)性研究做貢獻(xiàn)，推動(dòng)了步態(tài)識別的研究和發(fā)展。

為解決上述問題，本發(fā)明提供一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法，其主要內(nèi)容包括：

(一)建立數(shù)據(jù)庫；

(二)步態(tài)特征提??；

(三)類可分離度；

(四)評價(jià)框架。

其中，所述的建立數(shù)據(jù)庫，采集人體步態(tài)數(shù)據(jù)，從中提取大量步態(tài)樣本，確定示例性步態(tài)周期，然后通過為骨骼旋轉(zhuǎn)的動(dòng)態(tài)時(shí)間規(guī)整(DTW)距離設(shè)置閾值從而濾出所需步態(tài)周期，最終建立出包含50個(gè)行走主體，共執(zhí)行3,500個(gè)樣本的數(shù)據(jù)庫，其中每個(gè)主體平均約70個(gè)樣本，稱為GaitMo數(shù)據(jù)庫。

其中，所述的步態(tài)特征提取，特征提取由一個(gè)線性變換(特征)矩陣給出，從D維測量空間中的不必要標(biāo)記的步態(tài)樣本到維特征空間的步態(tài)模板，其中且步態(tài)模板是通過由步態(tài)樣本g_n變換而成的，基于給定的標(biāo)記好的學(xué)習(xí)數(shù)據(jù)學(xué)習(xí)變換Φ可以利用最大間距準(zhǔn)則(MMC)或主成分分析+線性判別分析(PCA+LDA)。

進(jìn)一步地，所述的最大間距準(zhǔn)則(MMC)，利用最大間距準(zhǔn)則(MMC)通過Fisher線性判別分析直接從關(guān)節(jié)坐標(biāo)學(xué)習(xí)步態(tài)特征，最后利用馬氏距離比較步態(tài)模板：

人體的模型具有J個(gè)關(guān)節(jié)，并且所有樣本被線性正則化成它們的平均長度T，表示測量空間中的標(biāo)記學(xué)習(xí)數(shù)據(jù)，其中g(shù)_n＝[[γ₁(1)…γ_J(1)]^T...[γ₁(T)...γ_J(T)]^T]^T是一個(gè)樣本(步態(tài)周期)關(guān)于人的位置和方向進(jìn)行正則化是關(guān)節(jié)j∈{1，...，J}在t∈{1，...，T}下的三維空間坐標(biāo))，具有維度D＝3JT，骨骼旋轉(zhuǎn)上的學(xué)習(xí)也是相似的，每個(gè)學(xué)習(xí)樣本都嚴(yán)格地落入一個(gè)學(xué)習(xí)身份類中，類I_c具有N_c個(gè)樣本和先驗(yàn)概率P_c，這里和l_n是步行者身份類的真實(shí)數(shù)據(jù)，約定若樣本g_n和g_n′落在同一類上，相當(dāng)于共享一個(gè)普通步行者，即則利用最大間距準(zhǔn)則學(xué)習(xí)變換Φ的代碼思路如下：

計(jì)算特征向量Ω和對應(yīng)X奇異值分解∑_T＝XX^T的特征值Θ，再通過對Θ^-1/2Ω^Tγ奇異值分解計(jì)算Θ^-1/2Ω^T∑_BΩΘ^-1/2的特征向量Ξ，

Ψ＝ΩΘ^-1/2Ξ (4)

Δ＝Ψ^T∑_BΨ (5)

最后返回變換Φ即Ψ中的特征向量。

進(jìn)一步地，所述的主成分分析+線性判別分析(PCA+LDA)，通過主成分分析(PCA)與線性判別分析(LDA)的融合學(xué)習(xí)步態(tài)特征，通過PCA對線性變換(特征)矩陣Φ進(jìn)行預(yù)處理，使得降維質(zhì)量提高，LDA將帶標(biāo)記的數(shù)據(jù)投影到維度更低的空間時(shí)，投影后的點(diǎn)按類別區(qū)分，最終利用馬氏距離比較步態(tài)模板，類內(nèi)距離越近越好(集中)，類間距離越遠(yuǎn)越好，則利用最大間距準(zhǔn)則學(xué)習(xí)變換Φ的代碼思路如下：

首先與利用MMC的方法相同，按照公式(1)計(jì)算∑_B的值，接著，

計(jì)算∑_L的PCA特征向量Φ_PCA對應(yīng)最大特征值(令)，再通過對(Φ_PCA^T∑_WΦ_PCA)^-1(Φ_PCA^T∑_WΦ_PCA)特征分解計(jì)算LDA的特征向量Φ_LDA，最終返回變換Φ＝Φ_PCAΦ_LDA。

其中，所述的類可分離度，學(xué)習(xí)身份類C_L的學(xué)習(xí)數(shù)據(jù)和評估身份類C_E的評估數(shù)據(jù)必須始終分離，分離體制包含同構(gòu)和異構(gòu)兩種，每個(gè)體制的評估重復(fù)3次，每次選擇新的隨機(jī)C_L和C_E身份類，并報(bào)告平均結(jié)果，對特征空間中的類分離系數(shù)進(jìn)行評價(jià)。

進(jìn)一步地，所述的同構(gòu)體制，學(xué)習(xí)在C_L身份類的樣本上的變換矩陣，并且被從相同C_E＝C_L的身份類的另外樣本得到的模板評估，其中同構(gòu)體制的學(xué)習(xí)和評估身份類均由單個(gè)數(shù)字參數(shù)化即C_E＝C_L；

在同構(gòu)體制中，所有結(jié)果都使用嵌套交叉驗(yàn)證進(jìn)行估計(jì)，其涉及外部3折交叉驗(yàn)證環(huán)，其中一折的模板用于學(xué)習(xí)特征，而剩余兩折的模板用于評價(jià)。

進(jìn)一步地，所述的異構(gòu)體制，學(xué)習(xí)C_L身份類中所有樣本的變換，并且被從其他的C_E身份類得到的所有模板評估，其中異構(gòu)體制的學(xué)習(xí)身份類和評估身份類分別從數(shù)據(jù)庫中隨機(jī)選擇，具有形式(C_L，C_E)。

進(jìn)一步地，所述的對類分離系數(shù)進(jìn)行評價(jià)，對基于秩的分類器性能度量的評價(jià)前進(jìn)到內(nèi)部10折交叉驗(yàn)證環(huán)，以一個(gè)未標(biāo)記的層作為測試集，其他九個(gè)標(biāo)記好的層作為圖庫驗(yàn)證集，十個(gè)模板按勝者全得策略進(jìn)行分類，其中包含一個(gè)測試模板被賦予與圖庫最接近的身份類的標(biāo)記

其中，所述的評價(jià)框架，框架包含四類特征空間的分離系數(shù)和四個(gè)基于秩的分類器性能指標(biāo)，反映特征在類別中的分離程度以及兩個(gè)人的身份的混淆程度，每個(gè)測量都是在特定應(yīng)用的場景下進(jìn)行評估，即選擇其中合適的指標(biāo)進(jìn)行評估進(jìn)而評價(jià)系統(tǒng)。

附圖說明

圖1是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的系統(tǒng)流程圖。

圖2是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的GaitMo數(shù)據(jù)庫。

圖3是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的同構(gòu)及異構(gòu)體制網(wǎng)絡(luò)概要圖。

圖4是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的評估流程圖。

具體實(shí)施方式

需要說明的是，在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互結(jié)合，下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

圖1是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的系統(tǒng)流程圖。主要包括建立數(shù)據(jù)庫、步態(tài)特征提取、類可分離度、評價(jià)框架。

其中，建立數(shù)據(jù)庫，采集人體步態(tài)數(shù)據(jù)，從中提取大量步態(tài)樣本，確定示例性步態(tài)周期，然后通過為骨骼旋轉(zhuǎn)的動(dòng)態(tài)時(shí)間規(guī)整(DTW)距離設(shè)置閾值從而濾出所需步態(tài)周期，最終建立出包含50個(gè)行走主體，共執(zhí)行3,500個(gè)樣本的數(shù)據(jù)庫，其中每個(gè)主體平均約70個(gè)樣本，稱為GaitMo數(shù)據(jù)庫。

其中，步態(tài)特征提取，特征提取由一個(gè)線性變換(特征)矩陣給出，從D維測量空間中的不必要標(biāo)記的步態(tài)樣本到維特征空間的步態(tài)模板，其中且步態(tài)模板是通過由步態(tài)樣本g_n變換而成的，基于給定的標(biāo)記好的學(xué)習(xí)數(shù)據(jù)學(xué)習(xí)變換Φ可以利用最大間距準(zhǔn)則(MMC)或主成分分析+線性判別分析(PCA+LDA)，即：

(1)利用最大間距準(zhǔn)則(MMC)通過Fisher線性判別分析直接從關(guān)節(jié)坐標(biāo)學(xué)習(xí)步態(tài)特征，最后利用馬氏距離比較步態(tài)模板；

(2)通過主成分分析(PCA)與線性判別分析(LDA)的融合學(xué)習(xí)步態(tài)特征，通過PCA對線性變換(特征)矩陣Φ進(jìn)行預(yù)處理，使得降維質(zhì)量提高，LDA將帶標(biāo)記的數(shù)據(jù)投影到維度更低的空間時(shí)，投影后的點(diǎn)按類別區(qū)分，最終利用馬氏距離比較步態(tài)模板。

其中，類可分離度，學(xué)習(xí)身份類C_L的學(xué)習(xí)數(shù)據(jù)和評估身份類C_E的評估數(shù)據(jù)必須始終分離，分離體制包含同構(gòu)和異構(gòu)兩種，每個(gè)體制的評估重復(fù)3次，每次選擇新的隨機(jī)C_L和C_E身份類，并報(bào)告平均結(jié)果，對特征空間中的類分離系數(shù)進(jìn)行評價(jià)。

其中同構(gòu)體制，學(xué)習(xí)在C_L身份類的樣本上的變換矩陣，并且被從相同C_E＝C_L的身份類的另外樣本得到的模板評估，其中同構(gòu)體制的學(xué)習(xí)和評估身份類均由單個(gè)數(shù)字參數(shù)化即C_E＝C_L。在同構(gòu)體制中，所有結(jié)果都使用嵌套交叉驗(yàn)證進(jìn)行估計(jì)，其涉及外部3折交叉驗(yàn)證環(huán)，其中一折的模板用于學(xué)習(xí)特征，而剩余兩折的模板用于評價(jià)。

其中異構(gòu)體制，學(xué)習(xí)C_L身份類中所有樣本的變換，并且被從其他的C_E身份類得到的所有模板評估，其中異構(gòu)體制的學(xué)習(xí)身份類和評估身份類分別從數(shù)據(jù)庫中隨機(jī)選擇，具有形式(C_L，C_E)。

對特征空間中的類分離系數(shù)進(jìn)行評價(jià)，具體地，對基于秩的分類器性能度量的評價(jià)前進(jìn)到內(nèi)部10折交叉驗(yàn)證環(huán)，以一個(gè)未標(biāo)記的層作為測試集，其他九個(gè)標(biāo)記好的層作為圖庫驗(yàn)證集，十個(gè)模板按勝者全得策略進(jìn)行分類，其中包含一個(gè)測試模板被賦予與圖庫最接近的身份類的標(biāo)記

其中，評價(jià)框架，框架包含四類特征空間的分離系數(shù)和四個(gè)基于秩的分類器性能指標(biāo)，反映特征在類別中的分離程度以及兩個(gè)人的身份的混淆程度，每個(gè)測量都是在特定應(yīng)用的場景下進(jìn)行評估，即選擇其中合適的指標(biāo)進(jìn)行評估進(jìn)而評價(jià)系統(tǒng)。

圖2是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的GaitMo數(shù)據(jù)庫。首先采集人體步態(tài)數(shù)據(jù)，從中提取大量步態(tài)樣本，確定示例性步態(tài)周期，然后通過為骨骼旋轉(zhuǎn)的動(dòng)態(tài)時(shí)間規(guī)整(DTW)距離設(shè)置閾值從而濾出所需步態(tài)周期，最終建立出包含50個(gè)行走主體，共執(zhí)行3,500個(gè)樣本的數(shù)據(jù)庫，其中每個(gè)主體平均約70個(gè)樣本。

圖3是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的同構(gòu)及異構(gòu)體制網(wǎng)絡(luò)概要圖。同構(gòu)體制的學(xué)習(xí)和評估身份類均由單個(gè)數(shù)字參數(shù)化即C_E＝C_L，而異構(gòu)體制的學(xué)習(xí)身份類和評估身份類分別從數(shù)據(jù)庫中隨機(jī)選擇，具有形式(C_L，C_E)。

其中在同構(gòu)體制中，所有結(jié)果都使用嵌套交叉驗(yàn)證進(jìn)行估計(jì)，其涉及外部3折交叉驗(yàn)證環(huán)，其中一折的模板用于學(xué)習(xí)特征，而剩余兩折的模板用于評價(jià)。在異構(gòu)體制中，學(xué)習(xí)和評估部分則是基于給定的C_L、C_E分別從數(shù)據(jù)庫中隨機(jī)選擇。利用這兩種體制對類分離性系數(shù)進(jìn)行評價(jià)，對基于秩的分類器性能度量的評價(jià)前進(jìn)到內(nèi)部10折交叉驗(yàn)證環(huán)，以一個(gè)未標(biāo)記的層作為測試集，其他九個(gè)標(biāo)記好的層作為圖庫驗(yàn)證集，十個(gè)模板按勝者全得策略進(jìn)行分類，其中包含一個(gè)測試模板被賦予與圖庫最接近的身份類的標(biāo)記

圖4是本發(fā)明一種基于運(yùn)動(dòng)捕獲框架評估步態(tài)識別性能的方法的評估流程圖。框架包含四類特征空間的分離系數(shù)和四個(gè)基于秩的分類器性能指標(biāo)，反映特征在類別中的分離程度以及兩個(gè)人的身份的混淆程度，首先分析系統(tǒng)的應(yīng)用場景，然后選擇合適指標(biāo)，包含四類特征空間的分離系數(shù)和四個(gè)基于秩的分類器性能指標(biāo)，評估系統(tǒng)輸出評價(jià)。

對于本領(lǐng)域技術(shù)人員，本發(fā)明不限制于上述實(shí)施例的細(xì)節(jié)，在不背離本發(fā)明的精神和范圍的情況下，能夠以其他具體形式實(shí)現(xiàn)本發(fā)明。此外，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍，這些改進(jìn)和變型也應(yīng)視為本發(fā)明的保護(hù)范圍。因此，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。