[发明专利]一种多视角多状态的步态识别方法

说明书

技术领域

本发明属于模式识别技术领域，具体涉及一种多视角多状态的步态识别方法。

背景技术

步态即人的行走方式。人在行走过程中上肢、下肢关节处呈现有规律的变化，这种变化反映了个体独有的运动方式，能够有效进行身份识别。通过对步态的分析，我们可以得到身份、性别、种族等多种有用信息。

最近几十年来，大量的监控摄像头已经被安装于银行、商场、地铁站、监狱等场所，这些安全敏感场合迫切需要一种智能化的预警手段。人工的监控手段已经不符合当前的安全需要，因为这不仅耗费大量的人力财力，而且监控人员的生理视觉疲劳也使得安全预警的目的很难达到。理想的智能监控系统应该能够自动的分析摄像机采集到的图像数据，在恶性事件尚未发生前进行预警，最大限度的减少人员伤害和经济损失。比如，发生恶性事件时立即确定场景内所有人的身份信息，对犯罪嫌疑人进行跨区域跟踪，出现通缉犯时及时报告等。这就要求监控系统不仅能判断人的数量、位置和行为，而且还需要分析这个人的身份特征信息。而人脸、指纹、虹膜等生物特征受到分辨率低、需主动配合、要求特殊采集设备等因素的影响，在智能视频监控中往往不能达到好的效果。由于步态是一种可以从远距离获取的难于隐藏和伪装的生物特征，其识别技术已经成为计算机视觉与模式识别中一个重要研究方向。

在监控场景中进行步态识别时，最大的难点在于视角变化所带来的影响。由于监控摄像头的位置差异和人行走方向的改变，视角问题是步态识别无法逃避的问题。从目前的研究来看，很多识别方法在固定视角下可以取得很好的性能，却在视角变化较大时无法适用。并且，如果获取的行人的视频较短，导致不能获取完整的步态周期时，很多已有方法性能也会大大降低甚至失效。

发明内容

针对现有技术在多视角步态识别问题上需要在待识别的视角下有完整的步态周期，而在很多监控场景中无法获取到如此长的行走视频，步态识别很难在实际应用中推广；且对整个周期的特征进行分析会丢掉很多局部信息，难以对步态运动的变化过程进行准确描述，识别率低等缺点，为了解决现有技术的问题，本发明的提供一种多视角多状态的步态识别方法。

一种多视角多状态的步态识别方法，其特征在于：具体包括以下几个步骤：

步骤一：对训练集里多个已知视角的多段步态视频进行轮廓提取和时间同步，对不同视角下的多状态模型进行参数估计，建立表象期望值、视角、状态和身份之间的投影关系；

(1)对训练集里每一个人在不同视角下的行走视频，顺次通过前景检测、形态学滤波和归一化处理，提取每一个人各视角下的人体步态轮廓序列；

(2)采用局部线性嵌入、互相关系数分析和序列平移的方法，将获得的各个视角的人体步态轮廓序列进行时间上的同步；

(3)在训练集中选择一个视角作为基础视角，根据该基础视角的所有人的人体步态轮廓序列，建立一个包含状态间的转移参数和各状态的表象参数的多状态模型来表征该基础视角下的步态特性；状态间的转移参数表征各状态之间的转移关系，各状态的表象参数表征各状态下表现出来的步态特征；各个视角下的多状态模型选择隐马尔可夫-混合高斯模型，其状态间的转移参数用维数为状态数的转移概率矩阵表示，各状态的表象参数用混合高斯模型表示，使用波氏估计算法得到基础视角下的状态间的转移参数和各状态的表象参数，得到多状态模型；

(4)建立训练集里除基础视角以外其他所有视角的多状态模型，其状态间的转移参数直接由基础视角下多状态模型中的状态间的转移参数复制得到，对于各状态的表象参数，先采用步骤一(3)中基础视角下的多状态模型对基础视角的所有人体步态轮廓序列进行维特比解码求出人体步态轮廓序列中各帧的状态，按照各帧状态的不同，将基础视角下的所有人体步态轮廓序列分成若干子序列，分割后的每个子序列内的所有帧拥有同一状态，然后将步骤一(2)中时间同步后的其他所有视角下的所有人体步态轮廓序列依照基础视角下的分割产生各状态的子序列进行分割，再以这些其他所有视角下的各状态的子序列为样本，用混合高斯模型的期望最大化算法估计出其他所有视角下的各状态的表象参数，根据状态间的转移参数和各状态的表象参数，得到除基础视角以外其他所有视角的多状态模型；