本发明专利技术提供的是一种基于区域特征分析的步态周期检测方法。包括行人目标轮廓的获取和步态周期检测；所述的行人目标轮廓的获取的方法为，首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为６４＊６４像素；所述的步态周期检测是将步态周期分析问题转化为单帧的图形区域特征分析问题，即根据每帧中图形区域的特征变化情况来分析步态的周期。本发明专利技术不但计算量小，而且已经达到人主观判断步态周期的精度，为实时的步态识别提供了可能。
【技术实现步骤摘要】
本专利技术涉及的是一种模式识别技术，具体地说是一种步态识别中的步态周期 检测方法。(二)
技术介绍
步态识别的目的是根据人们走路的姿势进行身份识别。步态识别可以在不让 研究对象觉察的情况下得到该步态特征，具有非侵犯性、非接触性、对系统分辨 率要求不高、远距离、难以伪装，受环境影响小等优点。因此，从视频监控的观 点来看，步态是远距离情况下最有潜力的生物特征。步态识别在门禁系统、安全 监控、人机交互、医疗诊断等领域具有广泛的应用前景和经济价值，因此激发了 国内外广大科研工作者的研究热情。步态序列图像是周期性的时空联合信号，如果研究整段视频来识别个体，不 但造成数据量大的缺点，而且信息上还存在冗余。因此需要运用周期分析的方法 来确定起始帧和结束帧，进而确定一个步态周期，从而在一个周期内提取特征， 达到最终识别的目的。国内、外很多研究者在步态周期检测上做了研究， BenAbddkader等人通过计算人体轮廓的自相似性来确定步态周期； BenAbdelkader等人还根据边界矩形框的宽度分析步态的周期性；Collins等人分 析了人体高度和宽度的周期性变化，进而观测步态周期；Kale等人通过观察人 体宽度向量的范数随时间的变化来分析步态的周期特性；Boulgouris等人用前景 像素之和的自相关性判断步态的周期；Sarkar等人采用人体区域下半部分像素点 的多少的周期特性确定步态的周期性变化；Li等人将步态排成自相似图(SSP)， 然后采用线性局部嵌入(LLE)的非线性降维方法提取一维的保留了原始几何形 状的特征来分析步态的周期性；陈实等人以步态序列中所有行人轮廓区域外接矩 形框作为图像区域，在图像区域自底而上的1/4高度内，等量水平分割三个区域， 计算各区累计轮廓点数，得到相应的点分布直方图特征检测出步态周期；这些方 法普遍存在计算量大的缺点。由于步态周期分割的准确程度严重影响了步态识别 问题的精度，现有大多数文献都是在假定步态周期分割很好的情况下提出的步态识别算法。与本专利技术相关的公开报道包括BenAbdelkader C， Culter R, Davis L. Motion based recognition of people in eigengait space In:proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition. Washington DC，USA，2002:254-259P;Boulgouris N V, Plataniotis K N, Hatzinakos D. Gait recognition using dynamic time warping, 2004 IEEE 6th Workshop on Multimedia Signal Processing,2004:263-266;Li Hong-gui， Shi Cui-ping， Li Xing-guo. LLE based gait recognition.In: Proceedings of 2005 International Conference on Machine Learning and Cybernetics，2005,7:4516-4521;陈实，马天骏,黄万红,等.用于步态识别的多层窗口图像矩.电子与信息学报，2009， 31(1):116-119。
技术实现思路
本专利技术的目的在于提供一种能够有效提高步态周期检测速度和精度，从而为 实时的步态识别提供可能的。 本专利技术的目的是这样实现的包括行人目标轮廓的获取和步态周期检测；所述的行人目标轮廓的获取的方 法为首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的 中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形 态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的 大小统一为64*64像素；所述的步态周期检测是将步态周期分析问题转化为单帧 的图形区域特征分析问题，即根据每帧中图形区域的特征变化情况来分析步态的 周期，从第一次出现局部极值到第三次再出现局部极值即为一个步态周期。本专利技术还可以包括1、 所述的图形区域特征是每帧中图形区域的面积、质心、拟合椭圆或圆、 特殊点、边界框特征中的一种。2、 所述的面积是固有面积、凸壳面积、填充空洞后的面积或固有面积占凸 壳的比例中的一种。3、 所述的拟合椭圆或圆是人体区域具有相同的二阶空间矩的椭圆的长、短 轴以及离心率或者与人体区域的面积相等的圆。4、 所述的边界框特征是运动人体边界框的宽度逐帧变化或者运动人体占边 界框比例的变化。本专利技术的主要效果在于不但计算量小，而且巳经达到人主观判断步态周期4的精度，为实时的步态识别提供了可能。(四) 附图说明图l步态周期检测的流程图2(a)-图2(e)提取人体目标的预处理过程，其中图2(a)灰度变换、图2 (b)背景重建、图2(c)背景减除、图2(d)人体轮廓、图2(e)标准化中心化； 图3步态序列图像；图4凸壳示意图5(l)-图5(20)各种方法检测步态周期，其中图5 (1)根据固有面积，图5 (2)根据凸壳面积，图5 (3)根据填充空洞后的面积，图5 (4)根据图形占凸 壳的比例，图5 (5)根据质心的纵坐标，图5 (6)根据质心的横坐标，图5 (7) 根据拟合椭圆长轴，图5 (8)根据拟合椭圆短轴，图5 (9)根据拟合椭圆离心 率，图5 (10)根据拟合圆的直径，图5 (11)根据right-top横坐标，图5 (12) 根据right-top纵坐标，图5( 13 )根据right-bottom横坐标，图5( 14)根据right-bo加m 纵坐标，图5 (15)根据left-bottom横坐标，图5 (16)根据left-bottom纵坐标， 图5 (17)根据left-top横坐标，图5 (18)根据left-top纵坐标，图5 (19)根 据人体边界框的宽度，图5 (20)根据图形占边界框的比例；图6存在空洞的步态单帧图像，图6中的4帧从左至右分别为图3中的第 10、 12、 22和49帧，圆圈标注了真实步态轮廓上出现的空洞；图7图形区域拟合的椭圆，其中l为椭圆的焦点，2为椭圆的长轴，3为椭 圆的短轴，4椭圆；图8 (1)-图8 (2)八个特殊点的定位，图8 (1)为一般情况，图8 (2) 为(1)的特殊情况，其中1为top-right， 2为right-top， 3为right-bottom, 4为 bottom-right, 5为top-left， 6为left-top, 7为left-bottom, 8为bottom-left;图9人体区域的边界框。具体实施方式 本专利技术的包括行人目标轮廓的获取和步态周期检测；所述的行人目标轮廓的获取的方法为首先从视频中提取单帧 图像进行灰度变换，然后计算各像素点在逐帧中的中值，作为整个序列的背景图 像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为64*64像素；所述 的步态周期检测本文档来自技高网...
【技术保护点】
一种基于区域特征分析的步态周期检测方法，包括行人目标轮廓的获取和步态周期检测；其特征是：所述的行人目标轮廓的获取的方法为，首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为６４＊６４像素；所述的步态周期检测是将步态周期分析问题转化为单帧的图形区域特征分析问题，即根据每帧中图形区域的特征变化情况来分析步态的周期，从第一次出现局部极值到第三次再出现局部极值即为一个步态周期。
【技术特征摘要】
【专利技术属性】
技术研发人员：王科俊，贲晛烨，唐墨，阎涛，王晨晖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93[中国|哈尔滨]
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。