[发明专利]一种深度信息分层编码的步态周期检测方法

说明书

技术领域

本发明涉及图像处理、模式识别领域，尤其涉及一种深度信息分层编码的步态周期检测方法。

背景技术

随着计算机存储以及编码技术的快速发展，深度信息在计算机视觉以及图像处理领域越来越受到重视。不同于二维光学图像，深度图像中每个像素代表了一个相对的深度信息，通过该信息来描述物体的表面几何形状。与传统的光学图像相比，深度图像不受环境光照以及阴影的影响，这大大地提高了数据的可靠性。

在步态识别领域，使用深度数据来进行身份识别也渐渐受到重视。步态识别是从人们走路的姿势上获取被研究对象的步态特征来识别个体身份的。深度图像处理对人体的几何特征和物理特征都没有特殊限制，它直接利用三维信息，大大地简化了人体步态的识别和定位问题。在远距离视频监控应用中，深度信息在步态识别中的应用受到越来越多的研究者的青睐。

在步态识别中，如果把整段视频作为研究对象，不但存在大量的冗余信息，而且大量数据参与运算会大大地增加CPU的计算负担。然而，一个步态周期几乎已经包括了全部的步态信息，因此，只需要提取步态序列图像中的一个步态周期进行分析就能达到步态识别的目的。从现有的文献可以看出：国内外的很多研究者已对步态周期检测做了深入研究。BenAbdelkader等人提出了人体轮廓的自相似性以及边界矩形框宽度的步态周期检测法(BenAbdelkader C,Culter R,Davis L.Motion based recognition of people in eigengait space[C].In proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition.Washington DC,USA,2002:254-259P)；Boulgouris等人提出了前景像素和的自相关分析法(Boulgouris N V,Plataniotis K N,Hatzinakos D.Gait recognition using dynamic time warping[C].2004IEEE6th Workshop on Multimedia Signal Processing,2004:263-266)；陈实等人通过轮廓外接矩形框自底而上的1/4高度内水平分割出了三个区域，再统计轮廓点的分布直方图特征来检测步态周期(陈实,马天骏,黄万红,等.用于步态识别的多层窗口图像矩[J].电子与信息学报，2009,31(1):116-119)；贲晛烨等人提出了基于固有面积、凸壳面积、去空洞面积、人体占凸壳比例、质心纵坐标、拟合椭圆短轴、拟合椭圆离心率、拟合圆的直径、right-top(bottom)横坐标和人体占边界框比例等局部区域特征的步态周期检测方法(王科俊，贲晛烨，唐墨，阎涛，王晨晖.基于区域特征分析的步态周期检测方法，中国发明专利，ZL200910073004.1)。后来，贲晛烨等人又提出一种双椭圆拟合的鲁棒步态周期检测算法(Xianye Ben,Weixiao Meng,Rui Yan.Dual-ellipse fitting approach for robust gait periodicity detection[J].Neurocomputing,2012(79):173-178)，它是以步态轮廓的中心将步态图像分成左、右两部分，这两部分分别用椭圆拟合，拟合时保证拟合区域与椭圆具有相同的二阶空间矩，用左、右两部分拟合椭圆的离心率构造出一个新的信号，再找到该信号的极值点，从而完成周期检测。该方法对步态图像具有平移、尺度不变性，对饰物（背包、外套）变化、视角变化也具有鲁棒性。但是，这些方法都是针对步态视频流所做的工作，很难直接移植到深度序列图像上的步态周期检测，而且不能充分利用深度图像的灰度特征。现有的大多数步态识别算法是在假定步态周期准确地分隔出来的基础上提出，因此，步态周期的准确性对识别精度有至关重要的作用。

发明内容

本发明的目的就是为了解决上述问题，提供一种深度信息分层编码的步态周期检测方法，充分利用深度图像的灰度特征，分隔出的步态周期精确度高，为高性能的步态识别奠定了一定的基础。

为了实现上述目的，本发明采用如下技术方案：

一种深度信息分层编码的步态周期检测方法，它将深度序列信息转化为单帧的深度特征分析问题，即根据每帧中图像深度的分层特征变化情况来分析步态周期，所述检测方法包括如下步骤：

1）提取去除背景后的单帧深度图像的灰度值；