[发明专利]基于分块矩阵的步态识别方法

说明书

(一)技术领域

本发明属于模式识别技术领域，具体涉及一种步态识别方法。

(二)背景技术

随着安全敏感场合(银行、机场等)对智能视觉监控系统的需求，一些传统的生物特征识别系统难以满足实际应用的需要。这种非接触式远距离的身份识别研究——基于运动视觉的第二代生物特征识别技术，引起了研究人员的广泛关注。人脸、指纹等生物特征通常要求近距离或接触性的感知。它们在远距离情况下将不可能使用，而步态此时，在被观测者未知的情况下是唯一一个难以隐藏、难以伪装和可被捕获感知的生物特征。因此，步态识别技术对于计算机视觉与模式识别领域的科学研究人员来说具有重要的社会和科学研究意义。

步态特征蕴含在人的行走过程中，包括人的行走频率相位，躯干倾斜度，脚踝变化，胳膊摆动的不同等等，所以通常一个周期序列图像中提取出来的步态特征才可以表征一个人的步态特点。但是，在进行步态识别时就面临着一个实质性的问题：数据量过于庞大。而数据量过大直接导致步态特征提取复杂，运算时间过长等问题。步态能量图像就能很好地解决这个问题，它利用加权平均的简单步骤将一周期步态图(GEI)合成为一幅图像，这幅图保留了轮廓、频率、相位等步态信息。这样，步态数据量减少到了原来的几十分之一。由于步态能量图有这样的优势，研究人员利用步态能量图作为特征直接用于分类。

关于步态的特征提取技术，2001年中国科学院自动化所模式识别国家重点实验室(NLPR)提出3种步态识别算法，并申请了一项发明专利——基于步态的远距离身份识别方法(申请专利号01144157.7)，三种识别算法都是结合传统的主成分分析(Principal ComponentAnalysis，PCA)的降维方法。西安电子科技大学采用了GEI与主成分分析(PCA)、GEI与核主成分分析(KPCA)、GEI与KPCA+LDA(线性判别分析)等特征提取方法。但这些方法都由于特征提取不精简存在着计算量大，识别精度不高等问题。

(三)发明内容

本发明的目的在于提供一种能够有效提高步态识别速度和精度的基于分块矩阵的步态识别方法。

本发明的目的是这样实现的：

包括行人目标轮廓的获取、步态的周期检测、特征提取和身份识别步骤；

所述的行人目标轮廓的获取的方法为：首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为64^*64像素；

所述的步态的周期检测是根据是根据步态视频序列中每帧图像标准中心化后图形区域拟合的椭圆短轴和离心率的变化情况来观测步态的周期；

所述的特征提取采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取；

所述的身份识别是将每个有效子块的特征合为整体，采用最近邻分类器进行身份判别。

所述的采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取的步骤包括：

(1)步态能量图

在进行步态的周期检测之后，通过对一个周期内的步态序列图像处理生成GEI，GEI为：

G(x,y)=1N=Σt11Bt(x,y)]]>

式中，N是完整步态周期序列的长度，t代表时间，x，y代表二维图像平面坐标；

(2)基于分块矩阵的特征提取