[发明专利]基于静动态特征融合的可变视角步态识别方法

说明书

技术领域

本发明属于模式识别中的生物特征识别领域，具体是一种融合了不同类型步态特征的步态识别方法。

背景技术

步态识别是远距离下最具潜力的生物特征识别技术之一，它能够在不考虑服饰、视角和肤色等因素的条件下根据人走路的方式及动力学特征来实现身份识别。步态识别的基本步骤是：首先，从包含待检测目标步态信息的视频中将步态图像抽取出来形成图像序列，并通过背景减除等预处理技术进行提取和轮廓优化。其次，进行步态周期的检测，筛选出完整的周期性图像序列。由于每个人的周期的图像数量不相同，所以通常采用等间隔采样使每个人的各半周期中图像数量一致。然后，从周期性图像序列中提取步态特征。步态特征的选取和精确提取是步态识别中最重要的环节之一，将直接影响后续的识别正确率。最后，选取适当的分类方法进行步态分类。

相比于人脸识别、指纹识别等技术，由于步态识别的发展时间相对较短，目前的步态识别技术和一些算法仍处于研究的阶段，缺少系统的方法和理论。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提供了一种基于静动态特征融合的可变视角步态识别方法，包括如下步骤：

步骤一、基于整个人体区域的像素个数变化情况进行半步态周期提取；

步骤二、跟半步态周期提取结果，基于区域平均距离提取静态步态特征和通过双向光流预测和误差度量自适应提取动态步态特征；

步骤三、基于K近邻思想，将静态步态特征和动态步态特征融合进行步态分类与识别。

进一步的，步骤一中，在对每一个人的图像序列进行处理时，根据步态周期检测结果，去除序列两边多余的非半周期的图像。

进一步的，步骤二中，所述提取静态步态特征为：

经过前景检测和二值化的人体轮廓图像可以表示为：

E(x,y)的值表示坐标为(x,y)的像素点是否属于前景区域，即在图像中是否属于人体所在区域；

计算当前人体区域的重心：

这里，n表示图像中人体区域的像素个数：

获得人体区域重心后，以重心为原点建立二维直角坐标系，一张图像的部分特征变量表示如下：

这里,Η_θ表示属于(θ，θ+Δθ)角度范围内的人体区域像素集，表示在此区域内的像素总个数，d(θ)表示在此范围内的人体区域中所有像素到重心的平均距离；

通过积分来计算某角度范围内的所有像素点到人体重心的平均距离和一个区域内的距离总和为：

一个区域的面积为：

根据上面的公式(6)和公式(7)计算所得的数据，计算出该区域所有像素到重心的平均距离为：

进一步的，步骤二中，所述提取动态步态特征：

在一个半步态周期的第t帧提取m个轮廓区域特征点{P_i|i＝1,2,...,m},然后从第t帧图像的特征点P_i跟踪到第t+1帧图像的预测点P_i',最后从第t+1帧图像的P_i'反向跟踪到第t帧图像的反馈点P_i".从而对于{P_i|i＝1,2,...,m}中的每个特征点,生成了前向和后向两个轨迹{P_i'|i＝1,2,...,m},{P_i"|i＝1,2,...,m}，如公式(9)和(10)所示：

P_i'＝g(F_t,F_t+1,P_i),(9)

P_i"＝g(F_t,F_t+1,P_i'),(10)

这里，g为光流函数，F_t和F_t+1分别为第t和t+1帧图像；

然后通过度量预测轨迹和反馈轨迹之间的匹配程度，得到反馈误差D：

D_i＝{||P_i”-P_i|||i＝1,2,...,m},(11)

这里,||||表示欧几里德距离；

定义基于高斯分布的动态权重函数w:

这里，D_min最小距离，σ²是标准方差；