一种基于渐弱运动轨迹图的步态特征表示和特征提取方法技术

本发明专利技术公开一种基于渐弱运动轨迹图的步态特征表示和特征提取方法，以每一帧为主，辅以后续的k‑1帧，共同构造一种特殊的轨迹图，其中第一帧权重最大，后续帧的权重逐步减少，这种权重的渐弱效果体现在目标轨迹图中对应于不同帧的灰度值递减上。该方法无需预先进行精确的步态周期分割，能够提取蕴含于序列图像之间的时序化步态特征，而且不会造成步态样本数量的锐减，相对于基于传统的步态能量图和步态轮廓图的步态特征表示和提取方法，识别准确率更高。

A gait feature representation and feature extraction method based on fading motion trace

【技术实现步骤摘要】
一种基于渐弱运动轨迹图的步态特征表示和特征提取方法
本专利技术涉及生物特征识别
，尤其涉及一种基于渐弱运动轨迹图的步态特征表示和特征提取方法。
技术介绍
在智能监控等领域中，远距离身份识别是一个具有广阔应用前景的研究方向。通过在学校、广场、城市道路、商场等公共场所大量架设视频监控设备，可以提高公共安全和加大对犯罪份子的威慑力，已经成为人们的共识。然而，这些设备采集的视频数据，目前大多仅仅应用于记录取证，主要技术原因在于难以有效地远距离对视频中人员进行身份识别。与其它的生物特征识别，如人脸识别、指纹识别和虹膜识别相比，步态识别技术更适用于远距离的人物识别。虹膜识别通常需要目标在30厘米以内，人脸识别需在5米以内，而步态识别在超高清摄像头下，识别距离可达50米。同时，即使在较低分辨率的视频环境下，步态识别也能达到较高的识别率，且具有非侵犯性和难于隐藏性等极大优势。但是，目前步态识别技术主要集中于基于步态能量图的方法，该类方法只有在固定视角等诸多限制条件下才可以取得较高的稳定识别率，这极大限制了步态识别的应用范围。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于渐弱运动轨迹图的步态特征表示和特征提取方法。本专利技术的目的是通过以下技术方案来实现的：一种基于渐弱运动轨迹图的步态特征表示和特征提取方法，其特征在于，该方法具体包括如下步骤：S1：提取二值化步态轮廓图序列：从原始步态视频中提取所有帧的步态轮廓二值化图像，该图像中，在人体区域内部的像素值为1，其它部分像素值为0；S2：生成权重序列：通过分析原始步态视频的帧率和行人步频，自适应选择跨度值k，并根据k生成一系列具有等比级数关系的权重值；其中，公比r小于1，且跨度值k的取值范围为：一个自然步态周期所包含的图像帧数<k<<原始步态视频的总帧数N；S3：合成渐弱运动轨迹图：针对每个特定帧及其后续的k-1帧，分别使用S2中生成的权重值与该k帧图像进行加权融合，得到该k帧图像对应的渐弱运动轨迹图，该步骤共合成的减弱运动轨迹图数量为N-k+1幅，作为步态特征表示形式。进一步地，所述的S3中，使用S2中生成的权重值与该k帧图像进行加权融合具体为灰度值的加权融合。进一步地，所述的S2中的公比r的计算公式为：其中，b为衰减系数，取值范围为(0,1]，表示后续k-1帧对当前帧的影响指数；a为人正常走路时，对应所述的原始步态视频中一个周期内的帧数，取值范围为[10，50]。本专利技术的有益效果如下：本专利技术通过分析不同步态视频中的采集频率和人的行走速度等内容，自适应地选择一个跨度值k，并在此基础上，将步态视频中的每一帧和其后续k-1帧中的步态特性编码为一个灰度差图像，即渐弱运动轨迹图，作为步态特征表示形式。编码后生成的渐弱运动轨迹图不仅包括了连续k帧之间的动态步态特性，还描述了在连续k帧运动过程中，人的位移属性，即运动轨迹。基于本专利技术提出的渐弱运动轨迹图，可以为后续的分类器训练和识别过程提供更加有区分能力的步态特征，从而降低了对视角变化和其它干扰因素的敏感性，可在跨视角等步态识别和分类应用中取得更好的效果。附图说明图1是本方法的实施流程；图2是含位移信息的整幅轮廓图样例；图3是渐弱运动轨迹图样例。图4是采用CASIA步态数据库的DatasetB数据子集进行步态识别测试的结果；图5是采用CASIA步态数据库的DatasetC数据子集进行步态识别测试的结果。具体实施方式下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术的基于渐弱运动轨迹图的步态特征表示和特征提取方法，包括四个具体步骤，S1：提取二值化步态轮廓图序列：从原始步态视频中提取所有帧的步态轮廓二值化图像，该图像中，在人体区域内部的像素值为1，其它部分像素值为0。该步骤中通过提取每一时刻的瞬间步态特性得到二值化轮廓图像，如图2所示，无需提取人体区域和步态周期分割。与目前主流的步态能量图作为步态特征的方案比较，该方法无需提取出人体区域以及后续的对齐操作，在有效地保留了步态位移信息的同时，减少了不必要的预处理操作。S2：生成权重序列：通过分析原始步态视频的帧率和行人步频，自适应选择跨度值k，并根据k生成一系列具有等比级数关系的权重值；其中，公比r小于1，且跨度值k的取值范围为：一个自然步态周期所包含的图像帧数<k<<原始步态视频的总帧数N；其中帧率是与硬件采集频率相关的特性，通过选取频率相关的k值，可以有效地平衡不同硬件采集设备对提取的步态特征质量的影响。人的行走速度分析的依据是步态轮廓水平方向的移动速度和加速度变化，是动态步态特征的重要组成部分，通过选取关联的k值，可以确保用于计算机轨迹图的步态图像序列包含适当多的步态周期数量。作为其中一种实施方式，所述的等比数列的公比r的计算公式如下：其中，b为衰减系数，取值范围为(0,1]，表示后续k-1帧对当前帧的影响指数；a为人正常走路时，对应所述的原始步态视频中一个周期内的帧数，取值范围为[10,50]，该参数为经验参数。S3：合成渐弱运动轨迹图：针对每个特定帧及其后续的k-1帧，分别使用S2中生成的权重值与该k帧图像进行加权融合，得到该k帧图像对应的渐弱运动轨迹图，如图3所示，该步骤共合成的减弱运动轨迹图数量为N-k+1幅，作为步态特征表示形式。下面将本专利技术的方法与现有的步态特征提取方法进行对比。对比1：采用CASIA步态数据库的DatasetB数据子集进行步态识别的正确率测试。CASIADatasetB是一个大规模的多视角步态数据集。该数据集采集于2005年，共包含124个人的15004个步态视频。每个人的步态从11个视角(0，18，36，…,180度)进行采集，行走条件包括三种：普通条件、穿大衣和背包。本实施例将以本申请提出的渐弱运动轨迹图步态特征，与步态能量图(GEI,IndividualRecognitionUsingGaitEnergyImage,IEEETransactionsonPatternAnalysisandMachineIntelligence,2006)、逐帧步态能量图(ff-GEI，HumanGaitRecognitionBasedonFrame-by-FrameGaitEnergyImagesandConvolutionalLongShort-TermMemory.XWang,WQYan，InternationalJournalofNeuralSystems,2019)，以及简单步态轮廓图步态特征进行比较，并使用支持向量机(SVM)作为分类器进行步态识别获得正确识别率实验结果。训练数据获取方法:随机选取正常状态下每个人90度视角的不同比例步态数据用于训练，剩余90度本文档来自技高网...

【技术保护点】
1.一种基于渐弱运动轨迹图的步态特征表示和特征提取方法，其特征在于，该方法具体包括如下步骤：/nS1：提取二值化步态轮廓图序列：从原始步态视频中提取所有帧的步态轮廓二值化图像，该图像中，在人体区域内部的像素值为1，其它部分像素值为0；/nS2：生成权重序列：通过分析原始步态视频的帧率和行人步频，自适应选择跨度值k，并根据k生成一系列具有等比级数关系的权重值；其中，公比r小于1，且跨度值k的取值范围为：一个自然步态周期所包含的图像帧数<k<<原始步态视频的总帧数N。/nS3：合成渐弱运动轨迹图：针对每个特定帧及其后续的k-1帧，分别使用S2中生成的权重值与该k帧图像进行加权融合，得到该k帧图像对应的渐弱运动轨迹图，该步骤共合成的减弱运动轨迹图数量为N-k+1幅，作为步态特征表示形式。/n

【技术特征摘要】
1.一种基于渐弱运动轨迹图的步态特征表示和特征提取方法，其特征在于，该方法具体包括如下步骤：
S1：提取二值化步态轮廓图序列：从原始步态视频中提取所有帧的步态轮廓二值化图像，该图像中，在人体区域内部的像素值为1，其它部分像素值为0；
S2：生成权重序列：通过分析原始步态视频的帧率和行人步频，自适应选择跨度值k，并根据k生成一系列具有等比级数关系的权重值；其中，公比r小于1，且跨度值k的取值范围为：一个自然步态周期所包含的图像帧数<k<<原始步态视频的总帧数N。
S3：合成渐弱运动轨迹图：针对每个特定帧及其后续的k-1帧，分别使用S2中生成的权重值与该k帧图像进行加权融合，得到该k帧...

【专利技术属性】
技术研发人员：王修晖，黎光艳，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33