[发明专利]一种基于超限学习机的步态识别方法

说明书

本发明公开了一种基于超限学习机的步态识别方法。本发明包括预处理、特征提取和分类识别，具体如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1‑1.提取运动目标轮廓序列；1‑2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2‑1.提取步态周期；2‑2.提取动作能量图；2‑3.通过2维主成分分析进行降维；所述采用核超限学习机(KELM)进行分类识别：3‑1构建核超限学习机神经网络模型；3‑2.训练核超限学习机神经网络；3‑3.分类识别。本发明提取的动作能量图包含较多的动静态信息，无需借助复杂的图像处理过程，提取方式简单，具有很好的表征性。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于超限学习机与动作能量图的步态识别方法。

背景技术

近年来，生物特征识别技术的广泛研究和应用，有力地促进了安全防范系统的智能化水平的提高与进步，作为生物特征的一种，步态是指人走路的姿态和方式，是一种可以通过视频获取的重要生物特征。相较于其他生物特征，采用步态作为生物特征可以在低分辨率的视频图像中对人身份进行辨识。不需要被监测人的配合及肢体上的物理接触。同时步态难以伪装、模仿或隐藏，并具有非侵犯性的特点。基于以上优点，步态可广泛应用于监狱、机场、银行等特殊场所的访问控制和安全鉴定，在智能视觉监控方面也具有潜在的应用价值。此外，步态还能协助公安机关刑事侦查以及进行特定目标搜寻等。

当前，步态识别研究领域涌现了许多有价值的方法，但都存在一个不可避免的问题，即识别精度与计算效率的平衡问题。已有的很多步态识别方法，虽然可以达到很高的识别率，但同时也承担着巨大的计算负荷，难以在实际监控环境中推广使用。

发明内容

本发明的目的是克服现有步态识别技术存在的计算效率与识别精度不能共存的问题，实现计算效率与识别精度的优化平衡，提出一种更为快速准确的基于超限学习机的步态识别方法

本发明解决其技术问题所采用的技术方案如下：

步骤1.步态检测；

所述步态检测，用于获取标准大小的运动目标图像序列，包括以下步骤：

1-1.获得步态运动目标轮廓序列；

1-1-1.采用中值滤波的方式从步态视频序列中重构背景图像；

设I是一个包含N帧的步态视频序列，I^t表示步态视频序列中的第t幅图像；则背景图像B(x,y)表达为：

1-1-2.利用当前视频帧图像与背景图像B(x,y)进行差分运算，获得步态二值图像序列，其计算公式表达为：

其中，ε为设定的阈值，R^t(x,y)为第t帧的步态二值图像，其中1表示步态运动区域，0表示背景；

1-1-3.形态学处理；

采用膨胀、腐蚀和区域填充等方法对步态二值图像序列中的每一帧步态二值图像R^t(x,y)进行形态学处理；

1-1-4、连通区域分析；

对经过形态学处理的步态二值图像序列运用连通区域分析方法进一步去除噪声获得连通的运动目标区域；

1-1-5、检测步态运动目标区域；

使用Canny算子检测运动目标区域，获得步态运动目标轮廓序列。

1-2.图像标准化；

1-2-1.提取步态二值图像序列中每一帧的运行目标图像，并将其中的冗余帧图像与干扰帧图像去除，获取运动目标图像序列；