本发明专利技术公开了一种基于多角度步态信息融合的行人性别分类方法，该方法包括：采用０度、９０度和１８０度三个角度步态图像，这里０度对应着行人的正面，９０度对应着行人的侧面，１８０度对应着行人的背面；对图像进行区域划分，对每个划分的区域用椭圆进行拟合，计算椭圆参数作为步态特征；计算步态特征的男性和女性相似度；采用支持向量机方法对三个角度的相似度进行融合和分类。本发明专利技术方法的优点在于，具有较高分类正确率，对步态图像中存在的噪声具有鲁棒性，所用特征数较少，分类速度快。
【技术实现步骤摘要】
本专利技术涉及，属于计算机视觉中的智能监控技术，特别是步态分类技术。
技术介绍
步态分类致力于依据获取的步态信息，识别出目标的性别、年龄、衣着、携带状况等类别属性。 在一些监控环境中，由于环境限制不能准确识别出目标的身份，或者不需要识别出具体的目标身份，而对目标的一些类别属性更感兴趣，例如性别，年龄，携带状况，步行姿态是否正常等。具体的，如在大使馆、油库、飞机场周围，对行人的携带状况感兴趣；在人口密集和海关、机场等场所，对步行姿态是否正常感兴趣；在危险作业区域内，对步行者的年龄感兴趣；在商场中，对行人的性别感兴趣。 性别分类便是步态分类中的一个重要问题。因为性别是人们自身所具有的属性特征，所以正确的性别分类，不但对于人口学统计具有很大的促进作用，而且对于确保敏感场合的安全和做出正确安全预警具有重要意义。另外，在商业应用调查中，对于商品的用户定位分析也具有潜在应用。 医学界最早开始展开基于步态特征的性别分类研究，Kozlowski和Cutting最早进行了一系列重要实验，在参考文献:Kozlowski L. T and Cutting J.E..Recognizing the sexof a walker from dynamic point-light display.Perception & Psychophysics，1977，V21(6):575-580中可以看到。 Kozlowski和Cutting于1977年开始了基于步态的性别分类研究，他们证明观察者有能力区分出由点光源表示的个体性别属性。在他们的实验中，记录了3位男性和3位女性行走时身体侧面的发光点位置变化信息。实验结果表明性别分类平均正确率为63％。他们还发现晃动手臂，改变行走速度，或是遮挡一部分身体都会对识别率产生较大影响。当个体不自然地摆动上肢时，分类正确率几乎下降到随机选择的水平。只显示上半身对分类正确率的影响比只显示下半身更为强烈。这些变化都没有使得分类结果向某一特定性别倾斜，只有速度的变化使得对个体的判断更倾向于女性，但是，这并没有达到统计的显著程度。 Barclay等对点光源表示的步态数据进行了进一步研究，分析了其中四个参数对分类正确率的影响，在参考文献Barclay C.D，Cutting J.E，and Kozlowski L.T..Temporaland spatial actors in gait perception that influence gender recognition.Perception & Psychophysics，1978，V23(2)145-152中可以看到。第一个实验主要关注的是显示给观察者观看的时间长短产生的影响，结果显示，要正确识别出个体性别，至少需要显示两个完整步态周期。在第二个实验中，他们改变了个体行走的速度，不同于Kozlowski和Cutting的实验，他们是在正常速度下采集个体的步态数据，然后通过快速播放的模拟方法使得看起来个体行走速度变快。这一变化使得性别正确分类率下降到随机选择的水平。在第三个实验中，他们将点光源变模糊，使得它们看起来像一个个光斑，这同样也使得正确分类率下降到随机选择的水平。最后，他们将图像上下颠倒显示，这使得正确识别率急剧下降。如果一个女性个体点光源表示图像被上下颠倒，那么她容易被认为是男性；而男性个体则容易被认为是女性。Barclay指出，这一现象是由于男性和女性身体结构不同造成的。男性肩比臀宽，而女性则臀比肩宽，因此颠倒点光源图像会使得肩部和臀部位置颠倒，观察者容易将男性认为是女性，而女性认为是男性。实验中他们给出的最好性别正确分类率为86％。 Mather和Murdoch进行的一系列实验，找出了运动中的结构信息和动态信息在性别识别中的不同作用，在参考文献Mather G.and Murdoch L..Gender discrimination inbiological motion displays based on dynamic cues.Proceedings of the RoyalSocietyBiological Sciences，1994，V258(1353)273-279中可以看到。实验中他们所关注的结构信息是肩部和臀部的宽度比，而动态信息则是身体的横向摆动。在动态信息方面，他们的实验有别于Cutting所做的实验，Cutting实验中关注的动态信息是径向平面上肩部和臀部的运动差异。而在Mather和Murdoch的实验中，他们发现男性上半身横向摆动的幅度比女性大，并且在使用点光源图像使得动态信息和静态信息发生冲突时，动态信息比静态结构信息更占优势，即人们更多的依据动态信息做出性别判断。实验中他们给出的性别分类正确率为79％。 Troje将生物运动特征分析作为一个线性特征识别问题来对待，并在处理过程中两次采用主成分分析(Principle Component Analysis，简称为PCA)方法对步态信息进行特征提取，在参考文献Troje N.F..Decomposing biological motionA framework foranalysis and synthesis of human gait patterns.Journal of Vision，2002，V2(5):371-387中可以看到。首先使用PCA方法对所有个体的步态数据进行处理，然后再一次使用PCA方法对所有个体被处理后的数据进行处理，最后采用线性分类器进行分类，得到的分类正确率为92.5％。他的实验也证明了动态信息比运动过程中的静态结构信息包含更多的有用信息。他们的实验数据包含20个男性和20个女性个体，同样也使用点光源表示法。 以上提到的方法都是基于点光源表示法的，这种方法的优点在于定位准确，而缺点一是采集设备昂贵，二是在实际监控场景中有其不可克服的局限性，即不可能在被监控个体的关节都贴上发光/反光器。因此，近来Lee和Grimson采用视频处理的方法，使用从图像序列中提取出的特征进行性别分类。他们设计了一种独特的步态表示方法，首先将二值图像归一化，使得每个个体在图像中具有相同的高度；其次计算每幅图像的重心位置，依据重心位置将图像划分为7个区域，7个区域大致分别对应头部，前部躯干，后部躯干，前大腿，后大腿，前小腿，后小腿；然后使用椭圆去逼近每个区域，计算出椭圆的四个参数，包括中心坐标，长轴短轴比，长轴倾角；最后对图像序列中的对应区域、对应参数求平均值，以此来代表个体的步态信息。提取出相应特征后，使用支持向量机(Support Vector Machine，简称为SVM)方法对性别进行分类，在包含24个个体的数据库中，他们得到的分类正确率为84％，在参考文献:Lee L. and Grimson W.E.L..Gait analysis for recognition andclassification.In IEEE International Conference on Automatic Face & GestureRecognition(FG)，2002148-155中可以看到。 视频处理的方法本文档来自技高网...
【技术保护点】
一种基于融合多角度步态信息的行人性别分类方法，该方法包括以下步骤： 步骤一：背景建模； 步骤二：步态轮廓提取； 步骤三：归一化二值步态轮廓图像； 其特征在于，该方法还包括如下步骤： 步骤四：用椭圆模型提取步态特征； 采用基于椭圆模型的步态特征提取方法，对步骤三得到的二值步态轮廓图像进行区域划分，划分后的人体的每个部分用椭圆去建模，提取椭圆参数，组成步态特征向量； 步骤五：计算相似度； 根据步骤四得到的步态特征向量，计算男性和女性相似度； 首先，选取训练集，依据性别属性，将训练集进一步划分为男性训练集和女性训练集； 然后，分别计算每个角度下的男性训练集和女性训练集的特征向量平均值； 最后，计算相应角度的测试集中每个样本的特征向量与男性训练集的相似度以及与女性训练集的相似度； 步骤六：使用ＳＶＭ方法对三个角度的相似度进行融合和分类； 首先，把三个角度０度、９０度和１８０度下的平均欧式距离向量ＤＦ↓［ｔ］和ＤＭ↓［ｔ］分别表示为ＤＦ↓［ｔ］↑［０］、ＤＦ↓［ｔ］↑［９０］、ＤＦ↓［ｔ］↑［１８０］和ＤＭ↓［ｔ］↑［０］、ＤＭ↓［ｔ］↑［９０］、ＤＭ↓［ｔ］↑［１８０］； 然后，分别把表示女性和男性的平均欧式距离向量连接成特征向量ＣＦ↓［ｔ］和ＣＭ↓［ｔ］： ＣＦ↓［ｔ］＝ｃｏｎｃａｔｅｎａｔｅ（ＤＦ↓［ｔ］↑［０］，ＤＦ↓［ｔ］↑［９０］，ＤＦ↓［ｔ］↑［１８０］） ＣＭ↓［ｔ］＝ｃｏｎｃａｔｅｎａｔｅ（ＤＭ↓［ｔ］↑［０］，ＤＭ↓［ｔ］↑［９０］，ＤＭ↓［ｔ］↑［１８０］） 接下来，把连接后的特征向量的每一维的值都归一化到［０，１］之间： ＊＊＊ 其中，ｍａｘ和ｍｉｎ表示由训练集中的步态序列得到的ＣＦ↓［ｔ］或者ＣＭ↓［ｔ］的第ｋ维的最大值和最小值； 接着再把每一维的值相加起来，得到ＣＦ″↓［ｔ］和ＣＭ″↓［ｔ］： ＣＦ″↓［ｔ］＝＊ＣＦ′↓［ｔ］（ｋ） ＣＭ″↓［ｔ］＝＊ＣＭ′↓［ｔ］（ｋ） 其中，Ｎ表示ＣＦ′↓［ｔ］或者ＣＭ′↓［ｔ］的维数。 将ＣＦ″↓［ｔ］和ＣＭ″↓［ｔ］连接成一个特征向量Ｇ↓［ｔ］： Ｇ↓［ｔ］＝ｃｏｎｃａｔｅｎａｔｅ（ＣＦ″↓［ｔ］，ＣＭ″↓［ｔ］） 然后，将训练集中的Ｇ↓［ｔ］作为ＳＶＭ方法的输入，训练ＳＶＭ分类器； 最后，把测试集中每个样本所对应的特征向量Ｓ↓［ｐ］输入训练好的分类器，得到性别分类的结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王蕴红，黄国昌，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]
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。