[发明专利]基于模糊理论决策的双向二维主成分分析的步态识别方法

摘要

基于模糊理论决策的双向二维主成分分析的步态识别方法，先对一个步态序列的图像预处理，并提取人体运动轮廓，确定步态周期，计算出具有完整周期的步态能量图的平均图像；构建个平均步态能量图像训练样本，并分成N个子图像集；对每个子图像集求出行方向和列方向的最优投影矩阵，后求每个训练样本子图像的特征矩阵；对待识别的平均步态能量图像求每个子图像的特征矩阵；后求出待识别图像对各训练样本的隶属度，根据最大隶属度原则，确定分类结果。本发明将平均步态能量图像分割为多个子图像，利用双向二维主成分分析降低平均步态能量子图像的系数矩阵维数，解决了步态识别中平均步态能量图像系数矩阵维数过高的问题，提高了识别率，加快识别速度。

主权项

1.基于模糊理论决策的双向二维主成分分析的步态识别方法，其特征在于：包括如下步骤：步骤一、对一个步态序列中的图像进行预处理：采用非线性平滑技术的中值法，将每一像素点的灰度值设置为与该点相邻的所有像素点灰度值的中值，从图像序列中恢复出背景图像，将输入的连续N帧图像像素值的中间值作为背景图像的像素值；步骤二、使用间接执行差分操作提取人体运动的轮廓；步骤三、对单连通的运动目标图像进行准周期性分析，通过分析人体轮廓形状随时间的变化，根据人体侧面的下肢轮廓宽度从最大到最小又到最大的周期性变化过程确定步态周期；步骤四、根据确定的步态周期，构建每一个步态周期的能量图，然后再计算出步态序列中具有完整周期的步态能量图的平均图像，得到一个平均步态能量图像训练样本；步骤五、按照步骤一至四的方法，构建个平均步态能量图像训练样本，把每个样本都分成N个子图像，所有训练图像样本对应位置的子图像组成子图像集；步骤六、设，，其中和分别表示训练样本和的第i个行向量，表示所有训练样本的平均图像；利用协方差矩阵对每个子图像集求出行方向上的最优投影矩阵；步骤七、设，，这里和分别表示和的第个列向量，利用式对每个子图像集求列方向上的最优投影矩阵；步骤八、利用式求每个训练图像样本所有子图像的特征矩阵，其中表示第i个训练样本的第j个子图像，，M为训练样本的个数，，N为子图像集的个数，为对应不小于1的特征值组成的对角阵，为小于1的特征值对应的特征向量,为0-1之间的一个指数；步骤九、对一幅待识别的平均步态能量图像B，首先分割出各个子图像，用每个子图像向各自对应的投影空间投影，求得每个子图像的特征矩阵；步骤十、然后计算步骤九得到的特征矩阵与步骤八中每个训练样本特征矩阵之间的距离，根据公式求出待识别样本的子图像对训练样本的隶属度，其中，，为模糊因子；步骤十一、对待识别的平均步态能量图各个子图像与每个训练样本子图像的隶属度相加求和，得到待识别图像对于各个训练样本的隶属度，根据最大隶属度原则，最后的分类结果为，即待识别人脸图像与第S个训练样本同属一类。