[发明专利]一种基于Kinect的多视角步态识别方法

权利要求书

1.一种基于Kinect的多视角步态识别方法，其特征在于，包含如下步骤：

步骤1、利用Kinect获取若干试验者不同视角下人体行走时骨架关节点三维空间位置信息；

步骤2、将不同视角下的骨架关节点三维空间位置视角归一化到侧面视角下；

步骤3、提取视角归一化后的髋、膝和踝关节点的空间位置坐标计算得到双下肢膝关节角度和髋关节角度作为步态特征，构成一组步态特征变量，将所有试验者的步态特征变量存入形成训练集；

步骤4、基于确定学习理论，根据步骤3视角归一化后提取出来的双下肢膝关节和髋关节角度特征对训练集里每一个人在不同视角下的步态模式所对应的未知非线性步态系统动态建模，设计RBF神经网络辨识器实现对步态系统未知动态的局部准确逼近：

步骤5、根据确定学习理论,沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件,其权值收敛到最优值,取权值收敛后一段时间内各个权值的均值作为学习训练结果,并利用所述学习训练结果建立常值神经网络，所学到的步态动力学知识以常值神经网络权值的形式存储，将不同人在不同视角下的步态模式归一化到侧面视角下，组成训练步态模式库；

步骤6：利用Kinect获取某一视角下人体行走时的骨架关节点三维空间位置信息，将其视角归一化到侧面视角下，计算得到双下肢膝关节和髋关节特征数据，将其作为测试模式的步态特征数据存入测试集；

步骤7：利用常值神经网络构建一组动态估计器，把步骤4和步骤5学习到的训练步态模式库里每一个人在不同视角下的步态模式所对应的一般非线性步态系统动力学知识嵌入到动态估计器中，将测试集里待识别的步态特征数据与这组动态估计器做差，形成一组识别误差，根据最小误差原则把测试模式准确分类识别出来，实现多视角下的步态识别。

2.根据权利要求1所述的基于Kinect的多视角步态识别方法，其特征在于：在步骤1和6中，利用Kinect获取的三维空间位置信息，其中三维空间的坐标系是指Z轴与Kinect摄像机的摄像头中轴线平行,依右手螺旋定则定义与水平方向平行的方向为X轴,竖直平面为Y轴。

3.根据权利要求1所述的基于Kinect的多视角步态识别方法，其特征在于：在步骤4中，所述非线性步态系统动态建模方法如下：

x·=F(x;p)+v(x;p),]]>

其中，x＝[x₁,…,x_n]^T∈Rⁿ是视角归一化后获取到的双下肢膝关节和髋关节角度特征，即步态特征变量，n为步态特征变量的维数，p是系统常参数值,F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了不同人在不同视角下的步态系统动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，将二者合并为一项：

并定义为一般非线性步态系统动态；

设计神经网络辨识器辨识具体为：

采用动态RBF神经网络构造神经网络辨识器，动态RBF神经网络辨识器形式如下：

x^·=-A(x^-x)+W^TS(x),]]>

其中，是神经网络辨识器的状态，即选取的步态特征变量；A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1；是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数；N＞1是神经网络结点数目；ξ_i是神经元中心点；RBF神经网络权值的调节律如下：

W^·i=-ΓiS(x)x~i-σiΓiW^i,i=1,···,n,]]>

其中：i表示n维足底压力特征变量中第i维变量，是状态误差，Γ_i＝Γ_i^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值

对应的步骤5中所述常值神经网络权值是指在一段时间内权值收敛至最优的常值，选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值所述神经网络常值由如下式表示：

W‾i=meant∈[ta,tb]w^i,]]>

其中，[t_a,t_b]代表神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，使由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

所述的步骤7具体如下：

根据步骤5所获取的训练步态模式库中每个人在不同视角下的一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值构造一组动态估计器，表述如下：

χ‾ik=-bi(χ‾ik-xti)+W‾ikTS(xti),i=1,···,n,k=1,···,M,]]>

其中，χ_i为动态估计器的状态，i表示n维足底压力特征变量中第i维变量，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量，b_i为动态估计器参数，x_ti为测试集中测试模式的步态特征数据；

将测试集里待识别的测试模式的步态特征数据x_ti与这组动态估计器做差，得到如下的识别误差系统：

其中，是状态估计误差，计算的平均L₁范数如下：

||χ~ik(t)||1=1Tc∫t-Tct|χ~ik(τ)|dτ,t≥Tc,]]>

其中，T_c表示步态周期；

如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使对所有t＞t^s成立，则出现的步态测试模式可被分类识别出来。