[发明专利]一种基于Kinect的多视角步态识别方法

摘要

本发明公开了一种基于Kinect的多视角步态识别方法,采集骨架关节点三维空间位置信息并视角归一化到侧面视角下；提取视角归一化后的步态特征，对训练集里不同视角下的步态系统动态进行神经网络建模、辨识；建立常值神经网络；构建动态估计器，利用不同视角下的步态模式之间在步态系统动力学上的差异，根据最小误差原则实现对测试模式的识别。本发明利用Kinect获取骨架关节点的三维空间位置信息,无需借助其它传感设备,不用进行图像处理,降低了系统复杂度，提高了特征数据的提取精度。

主权项

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。