[发明专利]基于二级小波包分解和完全主成分分析的步态识别方法

权利要求书

1.一种基于二级小波包分解和完全主成分分析的步态识别方法，包括人体步态序列的预处理、特征提取，最后根据最近邻分类原理把测试样品归到相应的类中，并对识别效果给予评价，其特征在于：具体步骤如下：

步骤一、预处理

(1)形态学处理

对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；

(2)目标提取

利用8连通分量分析的方法来提取一个单连通的运动目标，即人的侧影，去除残余噪声，从而获得更优的二值轮廓图；

(3)图像归一化

根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素；

步骤二、特征提取

(1)步态周期的检测

利用人体的轮廓宽度随时间发生同步周期性改变的特性，通过人体轮廓的宽度变化信号来划分步态周期；

(2)建立步态能量图，将步态能量图作为不同步态序列的代表；

(3)融合二级小波包分解和完全主成分分析特征选择

首先，采用二级小波包分解步态能量图，经分解后，每幅步态能量图得到20个分解后的图像；然后，分别采用完全主成分分析进一步提取有效特征；最后用最近邻分类器分别进行识别，选择m个最大的识别率所对应的特征矩阵F_i，其中m由用户设定，为大于4且小于21的正整数，则每幅步态能量图经变换后的特征F＝{i|F_i}，即F是m个特征矩阵F_i构成，i为不大于m的正整数；

步骤三、分类识别

所述的分类识别是将每个样本的特征F＝{i|F_i}作为整体，然后将每对样本间的距离计算出来后，最后，根据最近邻分类器原理把测试样本归到相应的类中，并对识别效果给予评价。

2.根据权利要求1所述的基于二级小波包分解和完全主成分分析的步态识别方法，其特征是，所述的步态能量图的提取步骤如下：

在进行步态周期检测之后，通过对一个周期内的步态序列图像处理生成的步态能量图为：

G(x,y)=1N1Σt=1N1Bt(x,y)]]>

式中，G(x，y)是这个周期序列的步态能量图，N₁是完整步态周期序列的长度，B_t(x，y)是一个周期中的第t个步态图像，x，y代表二维图像平面坐标。

3.根据权利要求1所述的基于二级小波包分解和完全主成分分析的步态识别方法，其特征是，所述的分类识别的步骤如下：

(1)经特征提取后，每个样本的特征F都是有m特征矩阵F_i组成，即F＝{i|F_i}，其中i为不大于m的正整数，设测试样本的个数为M，训练样本的个数为N，F_til是第l个测试样本T_l的第i个特征矩阵，记T_l＝{i|F_til}，且l为不大于M的正整数；F_ik是第k个训练样本A_k的第i个特征矩阵，记A_k＝{i|F_ik}，且k为不大于N的正整数，则测试样本T_l与训练样本A_k的距离为D(T_l，A_k)，

D(Tl,Ak)=Σi=1mλi||Ftil||Ftil||F-Fik||Fik||F||F]]>

其中‖·‖_F代表矩阵的L2范式，λ₁+λ₂+…+λ_i+…+λ_m＝1，且λ_i≥0，λ_i为对应矩阵F_til和F_ik的L2范式的权值，其中λ_i通过试探法得初始化值，取λ₁＝0.5，λ₂＝…＝λ_i＝…＝λ_m-1＝0.01，则λ_m＝1-(λ₁+λ₂+…+λ_i+…+λ_m-1)，i为不大于m的正整数；

(2)根据最近邻原理，与T_l最为匹配的样本表示为：

tl*=mink=1ND(Tl,Ak)]]>

其中N为训练样本的个数，T_l^*为第l个测试样本T_l与所有训练样本距离的最小值，这个最小值所对应的训练样本的类别即为T_l的类别。