[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

说明书

技术领域

本发明属于模式识别技术领域，具体涉及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，是一种利用计算机技术、数字图象处理技术、模式识别等实现人的步态的自动分析与判别的方法，是生物特征识别领域中关于步态特征提取与识别的算法。

背景技术

生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术从根本上杜绝了伪造和窃取，具有更高的可靠性、安全性，已经越来越广泛的应用于一些安全系统的身份认证。

步态识别技术作为一种新型的生物特征识别技术，它是根据视频序列中人走路的姿势进行身份识别的生物识别技术。和其它生物特征识别技术相比，步态识别技术以其非侵犯性、远距离识别性以及难以隐藏等优点受到了人民的青睐，在国家公共安全、金融安全、身份认证、视频监控等领域有着广泛的应用前景。

关于步态的特征提取技术，2001年中国科学院自动化研究所模式识别国家重点实验室提出了三种步态识别算法，这三种识别算法都是结合传统的主成分分析(PCA)的降维方法。西安电子科技大学采用GEI与主成分分析、GEI与核主成分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计算量大，识别精度不高等问题。

发明内容

本发明的目的在于针对现有算法的不足，提供了一种基于二级小波包分解(WPD)和完全主成分分析((2D)²PCA)的步态识别方法。这种方法能更为准确地提取反应运动人体行走特征的有效信息和减少用于识别步态的特征维数，以提高步态识别正确率，且对视角变化具有很好的鲁棒性。

本发明的技术内容如下：

一种基于二级小波包分解(WPD)和完全主成分分析((2D)²PCA)的步态识别方法，该方法的步骤包括：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(GEI)，将步态能量图作为不同步态序列的代表；

步态能量图：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GEI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)融合WPD+(2D)²PCA特征选择