[发明专利]一种具有监督机制的步态识别方法

权利要求书

1.一种具有监督机制的步态识别方法，其特征在于：其采用三层的动态贝叶斯网络模型进行步态识别，其中：模型第一层采用人体步态轮廓为特征，并且当前时刻的状态只与下一个时刻状态相关；模型第二层采用步态帧差图像为特征，并且当前时刻的状态与下一时刻相关，并且与第一层当前时刻状态及下一时刻状态相关；模型第三层为监督层，与第二层当前时刻状态及第一层当前时刻状态相关。

2.按照权利要求1所述的一种具有监督机制的步态识别方法，其特征在于：模型第二层中的步态帧差图像特征采用建立特征向量的方法表达，特征向量的建立采用如下步骤：

首先，用固定大小的矩形框来分割人体帧差图像，把人体帧差图像进行分段处理；

其次，计算每段矩形框的转动惯量；

最后，用转动惯量的值来构建特征向量。

3.按照权利要求2所述的一种具有监督机制的步态识别方法，其特征在于：所述具有监督机制的步态识别方法还满足下述要求：监督层根据当前时刻的第一层状态，即判断人体轮廓图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别；同时，还根据当前时刻第二层状态，即判断帧差图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别。

4.按照权利要求3所述的一种具有监督机制的步态识别方法，其特征在于：

所述具有监督机制的贝叶斯网络模型含有3个状态变量                                                ,,及5个观测变量；其中用来表达步态序列的静态帧信息，即t-1时刻步态帧、t时刻步态帧，上述的步态帧信息只包含当前时刻的步态静态的信息；用来表达帧差图像，用来表示对和状态的监督；观测变量、、为步态静态帧信息的关节角、高度、宽度信息；观测变量、为步态运动的帧差的速度及幅度信息；

在3层的动态贝叶斯网络模型中，模型第一层及第二层的状态用以描述人行走时步态的动态信息及静态信息；在每个模型层中动态概率过程假设是马氏的，即未来时刻的概率只与当前时刻有关而与过去时刻无关：依赖于；由于步态行走是个时序的过程，反映的是随时刻t步态帧的姿态、幅度、轮廓以及节奏的变化；随时刻t变化的动态信息能反应出人行走时的步态幅度、节奏的变化，而随时刻t变化的静态信息能很好的表达步态的姿态、轮廓外形的信息；在模型中动态信息受当前时刻及前一时刻静态信息的作用来表达。

5.按照权利要求2、3或4所述的一种具有监督机制的步态识别方法，其特征在于：

所述具有监督机制的步态识别方法中，步态帧差图像特征采用建立特征向量的方法表达，特征向量的建立采用如下步骤：

首先从上到下用固定大小的矩形框来分割人体帧差图像，把人体帧差图像分为若干段；其次计算每段矩形框的转动惯量；最后，用转动惯量的值来构建特征向量；即：

，其中m取为像素点的像素值，帧差为二值图像，白色区域应该为255，但为了便于计算试验中像素值设定常量值为1；r为像素点到矩形中心的距离，设定矩形中心点为坐标（0，0）点，即，矩形区域中动态部位的像素点坐标为（x，y），即图像中白色区域的坐标点，以此特征值建立特征向量；

所述具有监督机制的步态识别方法，模型第三层为监督层，监督层根据当前时刻第一层状态，即判断人体轮廓图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别；以及根据当前时刻第二层状态，即判断帧差图像是否为非人体步态的异常行为，来决定当前模型是否进行模型学习及识别；

步态行走是个时序的过程，在单位时间片t内，不仅包含有由步态序列帧表达的外形轮廓静态信息，还包含有由帧差图像表达的人体行走时的节奏性动态信息：运动幅度、速度；在动态信息的表达中，人在步态行走时，通常表现为左右肢体交替性的有节奏的摆动，这种摆动从人体侧面90度视角观察时，表现为人体的左右部分由前向后，再由后向前的运动过程，在此过程步态帧差中：帧差的前向部分和帧差的后向部分表达了人体运动左右部分的动态运动特性；

由如上动态信息和静态信息的融合构建具有监督机制的贝叶斯网络模型： 具有监督机制的贝叶斯网络模型含有3个状态变量,,及5个观测变量；其中用来表达步态序列的静态帧信息，即t-1时刻步态帧、t时刻步态帧，此步态帧信息只包含了当前时刻的步态静态的信息：外形轮廓、姿态；用来表达帧差图像，用来表示对和状态的监督；观测变量、、为步态静态帧信息的关节角、高度、宽度信息；观测变量、为步态运动的帧差的速度及幅度信息；

具有监督机制的步态识别方法采用3层的动态贝叶斯网络模型，模型中第一层及第二层的状态用来来描述人行走时步态的动态信息及静态信息，第三层用来作为监督层，而在每层中动态概率过程假设是马氏的（Markovian），即未来时刻的概率只与当前时刻有关而与过去时刻无关：依赖于；由于步态行走是个时序的过程，反映的是随时刻t步态帧的姿态、幅度、轮廓以及节奏的变化；随时刻t变化的动态信息能很好的反应出人行走时的步态幅度、节奏的变化，而随时刻t变化的静态信息能很好的表达步态的姿态、轮廓外形的信息；在模型中动态信息受当前时刻及前一时刻静态信息的作用来表达，模型能融合步态行走的动静态信息；

推理动态贝叶斯网络模型就是计算在给定观察序列计算隐状态变量的边缘概率，通过计算所有状态节点的联合概率分布，然后再边缘化，进而计算所有状态节点的概率分布，模型推理的全局联合概率分布为：

在上式中，任一状态节点的联合概率分布为：

    条件概率分布为：

模型学习根据给定的训练数据来估计模型的参数进行，令表示t时刻的状态，表示状态序列，表示t时刻的观测数据，表示观测序列；模型学习的任务是根据给定的训练数据来估计模型的参数，对于给定训练观测序列，由模型参数最大似然方法估计，即：

, 

观测是不完全的，故通过Expectation-maximization（EM）算法来进行迭代求解：

(14)

其中表示第n次迭代时的参数估计，通过上式迭代收敛到一个局部极值，至少达到局部最优；

在使用模型的步态识别上来看，基于动态贝叶斯网络识别是一个推理迭代求解过程，给定R个训练好的模型，其中每个模型对应一个人的步态，通过测试，观测序列为,则由下式确定分类：

          

其中为模型的先验概率，取为平均值1/R，设模型参数为，则，观测序列给定，则，则上式推导为：

由以上公式确定分类，进而进行识别。