基于多轮廓特征融合的步态识别方法技术

本发明专利技术公开了基于多轮廓特征融合的步态识别方法，涉及机器视觉技术领域，使用了目前步态识别中常见的基于非模型的方法提取特征，该方法简单有效，所有的特征在同一组图像序列中获取，使得特征方便提取，而且本发明专利技术提取的特征维度较低，因此识别时反应时间较短。本发明专利技术的方法在90度的视角下取得98.33％的识别率，同时在其他角度下也有着90％以上的识别率。

Gait recognition method based on multi contour feature fusion

The invention discloses a gait recognition method based on contour feature fusion, which relates to the technical field of machine vision, using the common method of gait recognition model based on feature extraction, the method is simple and effective, all the features in the same group of image sequence acquisition, feature extraction and so convenient, the method of extracting the feature dimension the lower, therefore the recognition of short reaction time. The method of the present invention has a recognition rate of 98.33% at a 90 degree angle, and at the same time there is more than 90% recognition rate at other angles.

【技术实现步骤摘要】
基于多轮廓特征融合的步态识别方法
本专利技术涉及机器视觉
，特别是涉及基于多轮廓特征融合的步态识别方法。
技术介绍
随着科学技术的发展，安全已经成为了一个不可避免的问题，无论是公共安全还是个人信息安全，都需要得到有效的保护。身份识别是安全中非常重要的一环，它能够鉴别身份并判断其是否具有行使某种权利的资格，可以在刑侦领域提供很多证据，可以作为一个公司考勤的依据等。但传统身份识别方法(例如手工签到和笔迹等)因为技术过于简陋，极易被别人伪造和使用，已经难以满足这个社会的需求。而生物特征识别技术(例如指纹识别、人脸识别和DNA等)能够方便快捷的解决这个问题，并且更加的安全可靠，可以根据不同的应用领域配备不用的设备进行识别，并实现自动化管理。类似于指纹识别、人脸识别和DNA这类的生物特征识别在使用时是需要目标配合并且接近甚至触摸到识别设备的，但是在一些公共场合我们无法要求每个人都配合识别。这时步态识别就进入了我们的视野当中，类似于我们人眼通过一个人走路的姿态来鉴别自己熟悉的人的身份，步态识别从视频中提取目标各类不同的特征，通过这些特征来进行识别。步态识别对视频图像要求不高，不需要目标的配合或者与识别设备有物理上接触，可以在远距离的进行身份识别，另外步态是一个人的习惯使然，是很难去伪装的。综上所述，步态识别相对其他的生物特征识别技术有着许多独特的优势，这些优势使得它成为一种独特的最有前景和潜力的生物特征，在安全监控实、医学治疗及运动等方面有着广泛的应用前景。现有的步态识别有的是基于模型的人体特征为基础的，这类方法人体建模复杂，识别过程繁琐且得到的特征识别率不高；有的是基于非模型的方法，这类方法现在使用较为普遍，但是现有的技术都在考虑用一种方法去解决一些很广泛的问题，并且识别率不高，很显然在不同的场景下使用能够对应相对的问题的方法才能取得较好的识别率。
技术实现思路
本专利技术实施例提供了基于多轮廓特征融合的步态识别方法，可以解决现有技术中存在的问题。基于多轮廓特征融合的步态识别方法，包括以下步骤：使用摄像机获取目标的视频信号，然后从所述视频信号中逐帧获取步态图像，对获取的步态图像转换为灰度图像；对所述灰度图像采用背景减除法获取对应的运动目标图像；以所述运动目标图像中的目标轮廓为基础，相邻三次运动目标图像的宽度达到最大值时的帧数作为一个步态周期，一个步态周期内的多个运动目标图像组成一个步态图像序列；对所述步态图像序列中的各图像分别进行关键距离特征提取、轮廓宽度特征提取和统计小波特征提取三个处理，分别得到关键距离特征、轮廓宽度特征和统计小波特征，将得到的关键距离特征、轮廓宽度特征和统计小波特征用拼接的方法结合在一起，得到一个一维的特征向量作为最终的特征向量；计算上述特征向量和样本空间中各样本之间的欧氏距离，选取计算得到的多个欧式距离中最小的一个，将特征向量分配到相应的样本类中。本专利技术实施例中的基于多轮廓特征融合的步态识别方法，使用了目前步态识别中常见的基于非模型的方法提取特征，该方法简单有效，所有的特征在同一组图像序列中提取，使得特征方便提取，而且本专利技术提取的特征维度较低，因此识别时反应时间较短。本专利技术的方法在90度的视角下取得98.33％的识别率，同时在其他角度下也有着90％以上的识别率。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了基于多轮廓特征融合的步态识别方法，该方法包括以下步骤：获取待测图像序列：使用摄像机获取目标的视频信号，然后从所述视频信号中逐帧获取步态图像，对获取的步态图像转换为灰度图像。运动检测：对上述获得的多个灰度图像采用背景减除法获取对应的多个运动目标图像。周期检测：定义运动目标同一条腿两次向前跨幅达到最大时为一个周期，对上述获取的多个运动目标图像以目标轮廓为基础，相邻三次运动目标图像的宽度达到极大值时的帧数作为一个步态周期，一个步态周期中的运动目标图像组成一个步态图像序列。特征提取：对上述获取的步态图像序列中的各图像进行以下三个处理：关键距离特征提取、轮廓宽度特征提取和统计小波特征提取。关键距离特征提取：首先根据公式(1)计算所述步态图像序列中的各图像中的目标质心(xc，yc)，然后计算目标头顶、双手和双脚五个关键点的位置，最后根据公式(2)提取目标质心到五个关键点的距离di作为步态特征：其中，(xk，yk)为图像轮廓上任一点的坐标，N为轮廓上点的个数。得到每个图像上的五个关键距离后，对这些关键距离求取最大值MaxD、最小值MinD、平均值MeanD、和标准差StdD，最大值MaxD和最小值MinD体现人走动时肢体的摆动幅度大小，当质心到肢体各点距离最大时，代表人体在行走时跨幅达到最大时候的状态，这时质心到头顶的距离也是最小的。平均值MeanD和标准差StdD体现了一个周期内连续帧之间的距离变化情况，体现目标在行走时的时间特征。将上述的得到的五个关键距离的最大值、最小值、平均值和标准差作为目标的关键距离特征F1。轮廓宽度特征提取：提取所述步态图像序列中的各图像中轮廓的双手之间的距离d1、双脚之间的距离d2、以及高度d3，然后对这三类距离d1、d2和d3求取最大值MaxD、最小值MinD、平均值MeanD和标准差StdD。将上述得到的三个距离的最大值、最小值、平均值和标准差作为目标的轮廓宽度特征F2。统计小波特征提取：对所述步态图像序列中的各图像按照6:4的比例分割为上半部和下半部，然后分别对每一部分图像做三级的Haar小波变换，提取两部分小波变换后的低频部分，再对每个图像低频部分的统计特征分别计算平均值和标准差，这时由一个周期内所有图像统计特征的平均值和标准差分别组成平均值向量和标准差向量，最后分别对两个向量进行平均和求标准差的处理，得到值作为统计小波特征F3。最后将经过上述三个特征提取步骤得到的关键距离特征F1、轮廓宽度特征F2和统计小波特征F3用拼接的方法结合在一起，得到一个一维的特征向量作为最终的特征向量。步态识别：使用以下公式计算上述特征向量和样本空间中各样本之间的欧氏距离，作为度量特征向量和样本之间的相似度依据：其中，Dn为特征向量和样本空间中第n个样本之间的欧氏距离，S为特征维度，pm为特征向量的第m个特征分量，qnm为样本空间中第n个样本的第m个特征分量，Dn越小，表示特征向量和，若大于，则视为该特征向量不存在于样本空间中中的样本越相似。选取上述计算得到的多个欧式距离中最小的一个，如果这个欧氏距离小于设定的阈值，则将特征向量分配到样本空间相应的样本类中，若大于，则视为该特征向量不存在于样本空间中。本领域内的技术人员应明白，本专利技术的实施例可提供为方法、系统、或计算机程序产品。因此，本专利技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本专利技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本专利技术是参照根据本专利技术实施例的方法、设备(本文档来自技高网...

【技术保护点】
基于多轮廓特征融合的步态识别方法，其特征在于，包括以下步骤：使用摄像机获取目标的视频信号，然后从所述视频信号中逐帧获取步态图像，对获取的步态图像转换为灰度图像；对所述灰度图像采用背景减除法获取对应的运动目标图像；以所述运动目标图像中的目标轮廓为基础，相邻三次运动目标图像的宽度达到最大值时的帧数作为一个步态周期，一个步态周期内的多个运动目标图像组成一个步态图像序列；对所述步态图像序列中的各图像分别进行关键距离特征提取、轮廓宽度特征提取和统计小波特征提取三个处理，分别得到关键距离特征、轮廓宽度特征和统计小波特征，将得到的关键距离特征、轮廓宽度特征和统计小波特征用拼接的方法结合在一起，得到一个一维的特征向量作为最终的特征向量；计算上述特征向量和样本空间中各样本之间的欧氏距离，选取计算得到的多个欧式距离中最小的一个，将特征向量分配到相应的样本类中。

【技术特征摘要】
1.基于多轮廓特征融合的步态识别方法，其特征在于，包括以下步骤：使用摄像机获取目标的视频信号，然后从所述视频信号中逐帧获取步态图像，对获取的步态图像转换为灰度图像；对所述灰度图像采用背景减除法获取对应的运动目标图像；以所述运动目标图像中的目标轮廓为基础，相邻三次运动目标图像的宽度达到最大值时的帧数作为一个步态周期，一个步态周期内的多个运动目标图像组成一个步态图像序列；对所述步态图像序列中的各图像分别进行关键距离特征提取、轮廓宽度特征提取和统计小波特征提取三个处理，分别得到关键距离特征、轮廓宽度特征和统计小波特征，将得到的关键距离特征、轮廓宽度特征和统计小波特征用拼接的方法结合在一起，得到一个一维的特征向量作为最终的特征向量；计算上述特征向量和样本空间中各样本之间的欧氏距离，选取计算得到的多个欧式距离中最小的一个，将特征向量分配到相应的样本类中。2.如权利要求1所述的基于多轮廓特征融合的步态识别方法，其特征在于，所述关键距离特征提取具体包括：首先根据公式(1)计算所述步态图像序列中的各图像中的目标质心(xc，yc)，然后计算目标头顶、双手和双脚五个关键点的位置，最后根据公式(2)提取目标质心到五个关键点的距离di作为步态特征：其中，(xk，yk)为图像轮廓上任一点的坐标，N为轮廓上点的个数；得到每个图像上的五个关键距离后，对这些关键距离分别求取最大值、最小值、平均值、和标准差，将上述的得到的五个...

【专利技术属性】
技术研发人员：李占利，袁鹏瑞，李洪安，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61