[发明专利]基于非线性耦合度量学习的步态特征融合方法

权利要求书

1.基于非线性耦合度量学习的步态特征融合方法，其特征在于，包括以下步骤：

步骤一、采用码本检测方法从步态视频流中获取人的二值化轮廓序列，并将每帧图像标准中心化；

步骤二、根据人行走中两腿分离程度的周期性，检测非正面步态周期，并在一个周期中提取步态能量图特征和主动能量图特征；

步骤三、将步态能量图特征和主动能量图特征进行非线性耦合度量学习，并投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征；

步骤四、对得到的新的步态能量图特征和新的主动能量图的特征的向量进行加权融合，得到核耦合空间的新步态特征。

2.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤一中，每帧图像标准中心化为将二值化轮廓序列中的人体居中，每帧图像统一大小。

3.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，非正面步态周期检测公式为：

式中，G_i为第i帧图像腿部区域平均宽度，h₁和h₂分别为某帧前景图像中人的脚踝和膝盖的人体测量学高度，R_j和L_j分别为第j行中属于前景图像的最左边和最右边的像素位置。

4.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，步态能量图特征的提取公式为：

式中，E_GEI为步态能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，B_i(x,y)代表第i帧二值图像。

5.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，主动能量图特征的提取公式为：

式中，E_AEI为主动能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，B_i(x,y)代表第i帧二值图像，B_i+1(x,y)代表第i+1帧二值图像，D_i(x,y)代表连续两帧二值图像的像素差。

6.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤三中，将步态能量图特征和主动能量图特征进行非线性耦合度量学习，最小化公式为：

式中，Tr(·)为矩阵迹的表示符号；A_x和A_y分别为X和Y的变换矩阵，φ(X)A_x＝φ(Y)A_y，φ(X)和φ(Y)分别为样本矩阵X和Y映射到高维Hilbert空间F的结果；T为转置符号；F_x和F_y为对角矩阵，对角元素分别为样本矩阵X和Y的相关关系矩阵C对应行和对应列的累加和；K^x和K^y为核函数，公式如下：

式中，xⁱ和x^j为样本矩阵X的样本，yⁱ和y^j为样本矩阵Y的样本，σ为方差系数。

7.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤三中，将步态能量图特征和主动能量图特征投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征，公式为：

式中，E'_GEI为新的步态能量图特征，E'_AEI为新的主动能量图特征，T为转置符号，和分别为对K^x和K^y的中心化，公式为：

式中，1_nn为矩阵维数n×n的单位矩阵，n分别代表样本矩阵X和Y中样本数。

8.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤四中，对得到的新的步态能量图特征和新的主动能量图的特征的向量进行加权融合，得到核耦合空间的新步态特征，公式为：

E'＝αE'_GEI+(1-α)E'_AEI (10)

式中，E'为核耦合空间的新步态特征，E'_GEI为新的步态能量图特征，E'_AEI为新的主动能量图特征，α为加权系数。