一种基于光流场的步态识别方法
【技术领域】
[0001] 本发明涉及步态识别技术领域，特别涉及一种基于光流场的步态识别方法。
【背景技术】
[0002] 步态识别是生物特征识别技术中的新兴领域，它旨在根据个体行走方式识别身 份。早期的医学研究证明步态具有唯一性，通过实验发现人类可以根据步态识别出人的身 份。近几年，随着计算机视觉研究技术的进步，利用计算机视觉技术来分析和识别人的步态 成为可能，作为识别特征，步态具有如下优点：非侵犯性、非强迫性、清晰度要求低、难以隐 藏和伪、易于采集、可远距离感知等。步态识别的这些优点使它在智能视频监控领域具有很 大的应用价值，比人脸识别更具优势。目前计算机速度以及存储容量在不断提高，摄像设备 在很多区域被安装使用，随着世界安全形势的日益严峻，社会安全意识的日益觉醒，步态识 别的研究将会不断深入和完善，其应用将会广泛渗透到人们日常生产生活中的各个领域。
[0003] 当前关于步态识别方法的研究大致可分成两类，基于模型的方法和基于轮廓的方 法。基于模型的方法旨在从人体运动过程中重建一个结构化模型，通过提取运动人体区域 关节点（脚踝、膝盖、臀部）构建运动模型，这种方法对运动特征的提取信息量少，缺乏代表 性。基于轮廓的方法主要是通过对运动过程中所形成二值图像序列的轮廓进行处理，从人 体轮廓图提取唯一性的步态特征。现有技术中公开了一种基于时空轮廓分析的步态识别方 法，将轮廓形状变化转换为一组距离信号近似表达步态运动的时空变化模式，但是对光照、 阴影、服饰及携带物等干扰的鲁棒性较差。
【发明内容】
[0004] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于光流场的步态识别 方法，该识别方法能很好的提取人行走过程中的步态运动信息，对服饰、携带物等具有很强 的鲁棒性，有效的解决了现有步态识别技术中步态特征提取不充分，代表性不强的问题。
[0005] 本发明的目的通过下述技术方案实现：一种基于光流场的步态识别方法，步骤如 下：
[0006] S1、获取个体的步态轮廓图像序列，其中步态轮廓图像序列中相邻两帧图像形成 一个步态光流场；
[0007] S2、获取各个步态光流场光流纵向分量的代数和，根据光流纵向分量的代数和的 周期变化确定步态周期；
[0008] S3、选定步态轮廓图像序列中的多个步态周期，然后将步态轮廓图像序列中多个 步态周期下的各个步态光流场相叠加，得到每个个体的步态光流图；
[0009] S4、针对每个个体的步态光流图提取以下四个步态特征向量：步态光流图行光流 横向分量和向量、步态光流图行光流纵向分量和向量、步态光流图列光流横向分量和向量 以及步态光流图列光流纵向分量和向量；
[0010] S5、建立步态数据库：根据步骤S1至S4获取到训练集中训练个体的步态光流图的 四个步态特征向量，并且存储于步态数据库中；
[0011] S6、通过步骤Sl至S4获取到测试集中测试个体的步态光流图的四个步态特征向 量，并且与步态数据库存储的训练集各训练个体的步态光流图的四个步态特征向量相匹 配，根据匹配效果识别出测试个体。
[0012] 优选的，所述步骤S2中，各个光流场光流纵向分量的代数和T(t)为：
[0014] 其中X，y分别表不步态光流场的列号和行号，W，H分别表不步态光流场的列号总 数和行号总数，t表示个体步态轮廓图像序列图像的帧数；f v(x，y，t)表示步态轮廓图像序 列中第t帧与第t+Ι帧图像形成的光流场在（X，y)处的纵向分量。
[0015] 优选的，所述步骤S3中每个个体的步态光流图F (X，y)为：
[0017] 其中X，y分别表示步态光流图F(x, y)的列号和行号；fT(x, y, t)表示步态轮廓图 像序列中选定的第T个步态周期内第t帧与第t+Ι帧图像形成的光流场，1表示步态轮廓 图像序列中选定的每个步态周期内图像的总帧数，L为步态轮廓图像序列中选定的步态周 期T的总数。
[0018] 优选的，所述步骤S4中每个个体的步态光流图提取的四个步态特征向量如下，其 中
[0019] 步态光流图行光流横向分量和向量为ru，其中ru(h)为：
[0021] 步态光流图行光流纵向分量和向量为rv，其中rv(h)为：
[0023] 步态光流图列光流横向分量和向量为cu，其中CU(W)为：
[0025] 步态光流图列光流纵向分量和向量为cv，其中cv(w)为：
[0027] 其中h表示每个个体的步态光流图的行号，h = 1，2,…，H，H表示行号总数;w表 示每个个体的步态光流图的列号，w = 1，2,…，W，W表示列号总数；其中u表示步态光流图 光流横向分量，V表示步态光流图光流纵向分量；I (u, h, w)表示步态光流图在行号、列号分 别为h、w处的光流横向分量，I (V, h, w)表示步态光流图在行、列号分别为h、w处的光流纵 向分量。
[0028] 优选的，测试集测试个体的步态光流图的步态特征向量与步态数据库存储的训练 集各训练个体的步态光流图的步态特征向量通过PCA (主成分分析，Principal Components Analysis)算法和LDA(线性判别分析，Linear Discriminant Analysis)算法相结合的方 式进行匹配，根据匹配效果识别出测试个体。
[0029] 更进一步的，所述步骤S5中，建立步态数据库时具体操作步骤如下：
[0030] Step 1、首先对训练集X中的各个训练个体的步态轮廓图像序列进行重心归一化 处理，将重心归一化处理后的步态轮廓图像序列进行步骤Sl至S3的处理，获取到各训练个 体的步态光流图F l j (X，y);其中训练集X中训练个体总数为I，其中各训练个体i的步态光 流图的数目为J1, i = 1，2, 3, ...，I，步态光流图Flj (X，y)表示的是各训练个体i的第j个 步态光流图，其中j = 1，2, 3，...，J1;训练集X总共获取到步态光流图的总数N为：
[
[0032] Step 2、根据步骤S4提取各训练个体i对应J1个步态光流图的以下四个步态特 征向量：步态光流图行光流横向分量和向量、步态光流图行光流纵向分量和向量、步态光流 图列光流横向分量和向量以及步态光流图列光流纵向分量和向量，并且分别将上述J 1个步 态光流图行光流横向分量和向量、J1个步态光流图行光流纵向分量和向量、J1个步态光流 图列光流横向分量和向量以及J i个步态光流图列光流纵向分量和向量形成行数为J i的矩
[0034] rUlj分别表示各训练个体i第j个步态光流图对应的步态光流图行光流横向分量 和向量；
[0036] rVlj分别表示各训练个体i第j个步态光流图对应的步态光流图行光流纵向分量 和向量；
[0038] CUlj分别表示各训练个体i第j个步态光流图对应的步态光流图列光流横向分量 和向量；
[0040] CVlj分别表示各训练个体i第j个步态光流图对应的步态光流图列光流纵向分量 和向量；
[0041] Step 3、分别求取矩阵
的平均值，以分别得到各训练 Τ? 个体i步态光流图行光流横向分量和向量平均向量TM.f、步态光流图行光流纵向分量和向 量平均向量《Τ'、步态光流图列光流横向分量和向量平均向量》以及步态光流图列光流 纵向分量和向量平均向量
[0042] Step 4 :获取到训练集X的总体平均向量：
[0043] 步态光流图行光流横向分量和向量总平均向量：
[0045] 步态光流图行光流纵向分量和向量总平均向量：
[0047] 步态光流图列光流横向分量和向量总平均向量：
[0049] 步态光流图列光流纵向分量和向量总平均向量：
[0051] Step 5、将训练集的各训练个体i的步态光流图行光流横向分量和向量平均 向量％ 、步态光流图行光流纵向分量和向量平均向量/^、步态光流图列光流横向 1 1 分量和向量平均向量^^以及步态光流图列光流纵向分量和向量平均向量^分别对 应减去训练集X的步态光流图行光流横向分量和向量总平均向量M'步态光流图行光 流纵向分量和向量总平均向量M'步态光流图列光流横向分量和向量总平均向量M? 以及步态光流图列光流纵向分量和向量总平均向量M'将上述所形成的差值向量即
作为行向量，i = 1，2, 3,. . .，I，形成一 个I行的矩阵J:
[0053] Step 6、计算
的特征值λ和对应的特征向量^并将特征向量单位化，得到 单位化后的特征向量〇 :
[0055] 根据的特征值λ的值按从大到小的顺序对相应单位化后的特征向量云排 序，选取前^1维度的特征向量组合成？〇4的投影子空间匕。，，^\匕。：，^\11满足如 下关系：
[0057] q表示组成投影空间时选取的维度，Q表示特征向量的总维度；
[0058] St印7、求出各训练个体i的四个特征向量分别在投影子空间PpJu，PpJ v，Ppca'
求出各训 练个体i分别在投影子空间PpJu，PpJv，P pJu，PpJv下
的投影值
求出训练集X分别在投影子空间P