基于非线性耦合度量学习的步态特征融合方法技术

基于非线性耦合度量学习的步态特征融合方法，属于模式识别技术领域。解决了现有技术中的步态表征方法识别性能低的技术问题。本发明专利技术的步态特征融合方法，步骤如下：步骤一、采用码本检测方法从步态视频流中获取人的二值化轮廓序列，并将每帧图像标准中心化；步骤二、根据人行走中两腿分离程度的周期性，检测非正面步态周期，并在一个周期中提取步态能量图特征和主动能量图特征；步骤三、将步态能量图特征和主动能量图特征进行非线性耦合度量学习，并投影到核耦合空间，得到两个新的特征；步骤四、对得到的两组新特征向量进行加权融合，得到核耦合空间的新步态特征。该步态特征融合方法对非正面周期步态序列有效，识别率高。

【技术实现步骤摘要】
基于非线性耦合度量学习的步态特征融合方法
本专利技术属于模式识别
，具体涉及一种基于非线性耦合度量学习的步态特征融合方法。
技术介绍
步态识别是近年来计算机视觉和生物特征识别领域的一个备受关注的研究方向，与其他生物特征识别技术相比，步态识别是生物特征识别中唯一可以远距离识别的方法[1]。步态的非接触性、不易伪装等优点，在智能视频监控中有很大的应用前景。然而，行人在行走过程中会受到外在环境和自身因素的影响，例如不同行走路面、不同视角、不同服饰等因素。在上述影响因素存在的条件下，步态表征差异给步态识别带来困难。可以通过融合不同方式得到的步态特征，尽可能提取有益于识别的步态信息，解决在不同行走条件下步态识别率低的问题。国内外提出了很多基于类能量图的步态表征方法，它是周期性时空步态特征按照一定规则的累积类。典型的类能量图法主要有：A.信息累计法：Han等人[2]提出步态能量图(GaitEnergyImage,GEI)，将归一化的一个周期图像能量叠加，像素的浓度代表在该像素位置人体运动的能量，但是该方法会丢失前后帧联系的运动特征。为了改善GEI丢失前后帧联系的运动特征，Zhang[3]提出主动能量图(ActiveEenergyImag，AEI)，得到更具判别能力的特征；但AEI取得的完全是人体运动的动态信息，静态信息完全的舍弃掉了。Lee等人[4]提出一种步态运动模式的统计学描述，计算步态周期中每帧每个像素的二项分布，所有像素的均值和方差的累积得到步态概率图，该方法同样缺少帧间的时序特征。B.动态信息引入法：Wang等人[5]提出了一种时间保持能量图提取有时序的步态特征；Ksakunniran等人[6]提出时空感兴趣点表征步态；但这两种方法的计算复杂度较高。C.信息融合法：Hofmann等人[7]实现了深梯度直方能量图和步态能量图决策级融合，但该方法丢失了部分步态信息。与专利技术相关的公开报道包括：[1]贲晛烨,徐森,王科俊.行人步态的特征表达及识别综述[J].模式识别与人工智能,2012,25(1):71-81.[2]HanJ,BhanuB.Statisticalfeaturefusionforgait-basedhumanrecognition[C],Proceedingsofthe2004IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR),Washington,DC.IEEE,2004:II-842-II-847.[3]ZhangE,ZhaoY,XiongW.Activeenergyimageplus2DLPPforgaitrecognition[J],SignalProcessing,2010,90(7):2295-2302.[4]LeeCP,TanAWC,TanSC.Gaitprobabilityimage:Aninformation-theoreticmodelofgaitrepresentation[J],JournalofVisualCommunicationandImageRepresentation,2014,25(6):1489-1492.[5]WangC,ZhangJ,WangL,etal.Humanidentificationusingtemporalinformationpreservinggaittemplate[J],IEEETransactionsonPatternAnalysisandMachineIntelligence,2012,34(11):2164-2176.[6]KusakunniranW.Attribute-basedlearningforgaitrecognitionusingspatio-temporalinterestpoints[J],ImageandVisionComputing,2014,32(12):1117-1126.[7]HofmannM,GeigerJ,BachmannS,etal.TheTUMgaitfromaudio,imageanddepth(GAID)database:Multimodalrecognitionofsubjectsandtraits[J],JournalofVisualCommunicationandImageRepresentation,2014,25(1):195-206.
技术实现思路
本专利技术的目的是解决现有技术中的步态表征方法因为识别有益的步态特征少，造成识别率低；特别是测试步态的行走状态与注册步态的行走状态不匹配时，识别性能明显下降的技术问题；提供一种基于非线性耦合度量学习的步态特征融合方法。本专利技术解决上述技术问题采取的技术方案如下。本专利技术的基于非线性耦合度量学习的步态特征融合方法，包括以下步骤：步骤一、采用码本检测方法从步态视频流中获取人的二值化轮廓序列，并将每帧图像标准中心化；步骤二、根据人行走中两腿分离程度的周期性，检测非正面步态周期，并在一个周期中提取步态能量图特征和主动能量图特征；步骤三、将步态能量图特征和主动能量图特征进行非线性耦合度量学习，并投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征；步骤四、对得到的新的步态能量图特征和新的主动能量图的特征的向量进行加权融合，得到核耦合空间的新步态特征。进一步的，所述步骤一中，每帧图像标准中心化为将二值化轮廓序列中的人体居中，每帧图像统一大小。进一步的，所述步骤二中，非正面步态周期检测公式为：式中，Gi为第i帧图像腿部区域平均宽度，h1和h2分别为某帧前景图像中人的脚踝和膝盖的人体测量学高度，Rj和Lj分别为第j行中属于前景图像的最左边和最右边的像素位置。进一步的，所述步骤二中，步态能量图特征的提取公式为：式中，EGEI为步态能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，Bi(x,y)代表第i帧二值图像。进一步的，所述步骤二中，主动能量图特征的提取公式为：式中，EAEI为主动能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，Bi(x,y)代表第i帧二值图像，Bi+1(x,y)代表第i+1帧二值图像，Di(x,y)代表连续两帧二值图像的像素差。进一步的，所述步骤三中，将步态能量图特征和主动能量图特征进行非线性耦合度量学习，最小化公式为：式中，Tr(·)为矩阵迹的表示符号；Ax和Ay分别为X和Y的变换矩阵，φ(X)Ax＝φ(Y)Ay，φ(X)和φ(Y)分别为样本矩阵X和Y映射到高维Hilbert空间F的结果；T为转置符号；Fx和Fy为对角矩阵，对角元素分别为样本矩阵X和Y的相关关系矩阵C对应行和对应列的累加和；Kx和Ky为核函数，公式如下：式中，xi和xj为样本矩阵X的样本，yi和yj为样本矩阵Y的样本，σ为方差系数。进一步的，所述步骤三中，将步态能量图特征和主动能量图特征投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征，公式为：式中，E'GEI为新的步态能量图特征，E'AEI为新的主动能量图特征，T为转置符号，和分别为对Kx和Ky的中心化，公式为：式中，1nn为矩阵维数n×n的本文档来自技高网...

【技术保护点】
1.基于非线性耦合度量学习的步态特征融合方法，其特征在于，包括以下步骤：步骤一、采用码本检测方法从步态视频流中获取人的二值化轮廓序列，并将每帧图像标准中心化；步骤二、根据人行走中两腿分离程度的周期性，检测非正面步态周期，并在一个周期中提取步态能量图特征和主动能量图特征；步骤三、将步态能量图特征和主动能量图特征进行非线性耦合度量学习，并投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征；步骤四、对得到的新的步态能量图特征和新的主动能量图的特征的向量进行加权融合，得到核耦合空间的新步态特征。

【技术特征摘要】
1.基于非线性耦合度量学习的步态特征融合方法，其特征在于，包括以下步骤：步骤一、采用码本检测方法从步态视频流中获取人的二值化轮廓序列，并将每帧图像标准中心化；步骤二、根据人行走中两腿分离程度的周期性，检测非正面步态周期，并在一个周期中提取步态能量图特征和主动能量图特征；步骤三、将步态能量图特征和主动能量图特征进行非线性耦合度量学习，并投影到核耦合空间，得到新的步态能量图特征和新的主动能量图特征；步骤四、对得到的新的步态能量图特征和新的主动能量图的特征的向量进行加权融合，得到核耦合空间的新步态特征。2.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤一中，每帧图像标准中心化为将二值化轮廓序列中的人体居中，每帧图像统一大小。3.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，非正面步态周期检测公式为：式中，Gi为第i帧图像腿部区域平均宽度，h1和h2分别为某帧前景图像中人的脚踝和膝盖的人体测量学高度，Rj和Lj分别为第j行中属于前景图像的最左边和最右边的像素位置。4.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，步态能量图特征的提取公式为：式中，EGEI为步态能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，Bi(x,y)代表第i帧二值图像。5.根据权利要求1所述的基于非线性耦合度量学习的步态特征融合方法，其特征在于，所述步骤二中，主动能量图特征的提取公式为：式中，EAEI为主动能量图特征，N为一个步态周期中包含的步态帧数，(x,y)代表二维图像平面坐标，...

【专利技术属性】
技术研发人员：吕卓纹，谢瑞强，冯娟，宰文姣，王一斌，
申请(专利权)人：四川师范大学，
类型：发明
国别省市：四川,51