【技术实现步骤摘要】
本专利技术属于模式识别
，具体涉及一种基于Kinect的多视角步态识别方法。
技术介绍
目前，传统的步态识别方法主要是通过图像处理的方法来获取步态特征数据，该类方法对周围的光照环境较为敏感,光照条件不佳可能会影响步态特征提取的准确性；人体穿戴的衣服、饰物等遮挡物也会对步态特征的提取产生干扰和影响；整个图像处理系统的设计较为复杂。而微软公司的Kinect采用主动红外线技术进行深度探测,避免了周围光照条件和遮挡物的影响,能够实时准确地获取人体骨架关节点的三维空间位置信息,无须借助其他传感设备，降低了系统的复杂度，这对人体步态识别系统的设计很有帮助。因此有必要设计一种基于Kinect的步态识别方法,以充分利用Kinect的优势来进行步态识别。步态识别本质上可以看作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之一。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，C.Wang等提出了确定学习理论，其中...
【技术保护点】
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...
【技术特征摘要】
1.一种基于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
\t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。
2.根据权利要求1所述的基于Kinect的多视角步态识别方法，
其特征在于：在步骤1和6中，利用Kinect获取的三维空间位置信
息，其中三维空间的坐标系是指Z轴与Kinect摄像机的摄像头中轴
线平行,依右手螺旋定则定义与水平方向平行的方向为X轴,竖直平
面为Y轴。
3.根据权利要求1所述的基于Kinect的多视角步态识别方法，
其特征在于：在步骤4中，所述非线性步态系统动态建模方法如下：
x·=F(x;p)+v(x;p),]]>其中，x＝[x1,…,xn]T∈Rn是视角归一化后获取到的双下肢膝关节和
髋关节角度特征，即步态特征变量，n为步态特征变量的维数，p是
系统常参数值,F(x；p)＝[f1(x；p),…,fn(x；p)]T是光滑且未知的非线性动态
变量，代表了不同人在不同视角下的步态系统动态，
v(x；p)＝[v1(x；p),…,vn(x；p)]T是建模不确定项，将二者合并为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。