一种基于特征融合的步态识别身份认证方法技术

基于特征融合的步态识别身份认证方法，该方法包括：首先，摄像头实时采集当前背景图像和检测目标的步态原始图像序列，采用灰度化、欧式算法、中值滤波等方法获得二值步态图像序列；然后直接对人物轮廓像素点进行提取，获得基于高宽比的静态特征值和基于步态轮廓质心距离的动态特征值；最后利用SVM算法和贝叶斯算法相融合的新算法对检测目标分类，输出最终的识别结果。该方法能够快速准确地去除背景，且提高了不同环境下的适应性。此外，由于传统贝叶斯算法的前验概率是根据以往的经验而人为设定的，导致其识别率较低，而融合了SVM算法后能够提高贝叶斯算法的前验概率，使得整体的识别精度能有显著提升。

【技术实现步骤摘要】

本专利技术涉及步态识别
，具体涉及一种基于特征融合的步态识别身份认证 方法。
技术介绍
步态识别是利用计算机技术，通过人的行走方式和姿态来确认身份。用步态作为 生物特征来识别身份具有一些独特优势：可以远距离数据采集，在被测者不知情的前提下 完成识别，步态识别成为近年来生物特征识别领域的热点之一。从国内外研究成果来看，步 态识别的难点主要集中在背景建模，步态特征提取，步态识别速度和精度等方面。 -、背景建模方面，去除背景是一项重大的难题，从目前的研究成果来看，去除背 景的方法大多采用"迭代消除"的思想，但是该方法迭代次数多，算法效率慢，降低系统性 能，其处理出的步态图像效果并不理想。 二、步态特征提取方面，国内外的研究论文涵盖了用于步态识别的十几种特征，包 括步态周期、步态频率、关节角度变化规律、最外轮廓、距离信号等。这些特征提取方式都较 为复杂。 三、步态识别速度和精度方面，普遍的步态识别系统因采用的算法效率低，运行环 境大都依赖超级计算机的支持，在大众化的PC机上无法满足实际需要。目前还没有商用的 步态识别软件，就现有的步态识别程序而言，识别率不是很理想。
技术实现思路
本专利技术的目的是为克服上述的技术缺点和不足，提供了一种基于特征融合的步态 识别身份认证方法。 本专利技术采用的技术方案如下： 基于特征融合的步态识别身份认证方法，包括以下步骤： S1.摄像头实时采集当前环境的背景图像和检测目标的步态原始图像，对图像进 行灰度化处理，得到灰度化的图像序列；S2.将灰度化后的步态序列图像用欧式算法去除背景，初步得到去除背景后的步 态序列二值图像； S3.将初步得到的步态序列图像进行中值滤波处理，将图像中的孤点噪声去除，最 终得到去除背景后的步态序列二值图像； S4.直接对人物轮廓像素点进行提取，获得轮廓边缘特征向量； S5.对所获得的轮廓边缘特征向量进行处理，得到基于高宽比的静态特征值和基 于步态轮廓质心距离的动态特征值； S6.利用步态特征向量数据库中的所有步态特征向量分别以动态特征和静态特征 用基于径向基核函数的SVM分类器分类得到新的特征向量； S7.将SVM的训练结果交由基于m估计的贝叶斯算法进行识别；S8.输出识别结果。 步骤S1中所述的步态图像灰度化处理过程中，参照重要程度，将RGB三个分量以 不同的权值进行加权平均；由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对 RGB三分量进行加权平均能得到较合理的灰度图像，f(i，j) = 0· 30R(i，j)+0. 59G(i，j)+0.llB(i，j)。 步骤S2中所述的欧式算法去除背景的方法是：计算步态原始图像与背景图像的 每个彩色像素点的欧氏距离d， 其中\、Xg、xb分别表示步态原始图像序列中图像的像素矢量红、绿、蓝三种颜色分 量的值，μ。yg、yb分别表示背景像素矢量的红、绿、蓝三种颜色分量的值； 计算图像中所有像素点的R，G，B颜色分量的平均值为阈值Ta，如果图像像素与对 应背景像素的欧氏距离不小于Ta，该图像像素为前景，否则为背景；阈值Ta是前景与背景 差别的量度，即前景与背景的距离至少相差Ta;阈值太大，则像素有更大可能被判成为背 景，前景被误判成背景的可能性大；阈值太小，则像素有更大可能被判成为前景，背景被误 判成前景的可能性大；B(x，y)是背景图像，F(x，y)是遍历当前帧的每一个像素，若则视该像素点为背景点予以去除，下标r，g，b分别表示背景红绿蓝三种颜色分量。 步骤S3所述的中值滤波由以下步骤组成：S31.将滤波模板在图像中漫游，并将滤波模板中心与图像中某个像素位置重合；S32.读取滤波模板中各对应像素的灰度值；S33.将这些灰度值从小到大排列；S34.取这一列数据的中间数据，将该中间数据赋给对应滤波模板中心位置的像 素；如果滤波模板中有奇数个元素，中值取元素按灰度值大小排序后的中间元素灰度值； 如果滤波模板中有偶数个元素，中值取元素按灰度值大小排序后，中间两个元素灰度的平 均值。 步骤S4所述的轮廓像素点提取方法为：S41.从图片的第一行的第一个点开始，横向查找一坐标（xl，yl)使得颜色为白 色，标记该点；从该点再横向搜素像素为黑色的点，该点记为（x2，yl);S42.从下一行第一个点开始，以上述方式横向遍历；S43.重复步骤S42,直到遍历整张图片。 步骤S5的特征提取方法具体如下：S51.基于高宽比的静态特征值提取 读取单帧步态的高度y和宽度X，然后计算高宽比k= (y/x);S52.基于步态轮廓质心距离的动态特征值提取 轮廓质心的特征提取是根据质心公5Η十算外轮廓的质 心，其中（X。，y。）是质心的坐标，η是外轮廓上像素点的个数，1彡i彡n，（Xi,yj是外轮 廓上像素点的坐标；动态特征值是人物图像中最高点（xl,yl),最低点（x2,y2),最左点 (x3，y3)，最右点（x4，y4)这4个特征点分别到质心的距离，它们到质心的距离满足下面的 公式： 步骤S6得到新的特征向量的具体方法如下： S61.将得到的原训练集的原始特征向量的前四列动态特征和第六列标签作为新 的训练集，将原测试集的前四列作为新的测试集，以此新的训练集和测试集做如下操作：S611.选择径向基核函数exp(-| | |2/2γ2)，其中γ= 0· 00001;S612.选用C-支持向量机模型作为单个二分类器模型，令C= 1000,求解：S613.利用训练数据求参数a%再求:??????????S614.构造决策函獎S615.对每个样本的数据构造"一对一"模式多分类模型；S616.将分类结果组成新的集合的第一列；S62.将得到的原训练集的原始特征向量的第五列静态特征和第六列标签作为新 的训练集，将原测试集的第五列作为新的测试集，以此新的训练集和测试集做上述同样的 操作得到新的集合的第二列；S63.最后一列标签直接作为新的集合的第三列。 步骤S7，融合算法的流程：S71.假定有k种特征方法，和t种类型，令Θ表示类型集，即Θ= {〇!, 02, . . . , 0J；S72.对未知类型样本0eΘ，最大后验概率（MAP)目标识别融合识别判决写成： 式中，01为第i个特征方法SVM识别后对未知样本的识别判决；0mp为对样本的多 特征融合识别判决；Ρ^μλρΙο1，o2,...，〇k)为k种特征方法SVM识别的联合概率密度函数；上 式能够表示成： S73.根据Bayes推理公式，融合识别判决为： 式中，P(0)为0eΘ的先验概率；上式中分母是全概率公式，与〇的取值无关，故 可简化为：S74.由于各种特征提取方法是各自独立的，因此能够表示为： 式中，P(011 0)为第i个特征方法SVM识别的似然函数。 步骤S7中，将原来识别样本的剩下一半作为识别样本，用上一步的结果作为训练 样本，进行分类，计算人物相似概率，将最高概率人物作为最终识别结果。 本专利技术的优点和有益效果 本专利技术能够快速进行背景去除，并运用灰度化和中值滤波技术提高其在不同情境 下的适应性。此外，由于传统贝叶斯算法的前验概率是根据以往的经验而人为设定的，导致 其识别率较低，而融合了SVM算法后能够提高贝叶斯算法的前验概率，使得整体的识别精 度有了显著提升。【附图说本文档来自技高网...

【技术保护点】
一种基于特征融合的步态识别身份认证方法，其特征在于包括以下步骤：S1.摄像头实时采集当前环境的背景图像和检测目标的步态原始图像，并对图像进行灰度化处理，得到灰度化的图像序列；S2.将灰度化后的步态序列图像用欧式算法去除背景，初步得到去除背景后的步态序列二值图像；S3.将初步得到的步态序列图像进行中值滤波处理，将图像中的孤点噪声去除，得到最终的去除背景后的步态序列二值图像；S4.直接对人物轮廓像素点进行提取，获得轮廓边缘特征向量；S5.对所获得的轮廓边缘特征向量进行处理，得到基于高宽比的静态特征值和基于步态轮廓质心距离的动态特征值；S6.利用步态特征向量数据库中的所有步态特征向量分别以动态特征和静态特征用基于径向基核函数的SVM分类器分类得到新的特征向量；S7.将SVM的训练结果交由基于m估计的贝叶斯算法进行识别；S8.输出识别结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄玮，殷铭，王劲松，田永生，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12