基于多步态特征属性的多类别Bagging步态识别方法，属于模式识别技术领域。该方法用最近邻分类器作为弱分类器，在基于小波包分解和完全主成分分析后的20个步态属性特征集合上，通过将两类属性Bagging方法扩展到多类别来构建集成分类器，进行步态身份鉴别。该方法的步骤包括：预处理、特征提取，最后用最近邻分类原理与MCAB算法相结合的方法对测试样本进行归类。本发明专利技术首次采用融合WPD和(2D)2PCA方法来提取并选择步态特征，解决已有基于小波变换的步态识别方法中高频分量丢失或简单采用全部数据所致维数过大问题，具有更高的识别率和视角变化鲁棒性。
【技术实现步骤摘要】
本专利技术属于模式识别
，具体涉及一种基于多步态特征属性的多类别Bagging步态识别新方法，是一种利用计算机技术、数字图象处理技术、模式识别等实现人的步态的自动分析与判别的方法，是生物特征识别领域中关于步态特征提取与识别的算法。
技术介绍
生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术从根本上杜 绝了伪造和窃取，具有更高的可靠性、安全性，已经越来越广泛的应用于一些安全系统的身份认证。步态识别技术作为一种新型的生物特征识别技术，它是根据视频序列中人走路的姿势进行身份识别的生物识别技术。和其它生物特征识别技术相比，步态识别技术以其非侵犯性、远距离识别性以及难以隐藏等优点受到了人民的青睐，在国家公共安全、金融安全、身份认证、视频监控等领域有着广泛的应用前景。关于步态的特征提取技术，有文献采用小波包分解较好地解决了这个问题，但小波包分解后的图像特征维数较高，且其采用经典的PCA算法对进行特征提取，即采用奇异值分解的方法来求相关矩阵的特征值和特征向量时，计算耗费大。二维主成分分析(2DPCA)可直接对图像数据矩阵进行计算，计算量相对少很多，但2DPCA后需要n*k(其中，η为图像分辨率，k为变换后选取特征列向量个数，且k < η)个数据来表示图像，特征向量的维数仍较高。完全主成分分析((2D)2PCA)可以进一步降低特征向量的维数，从而降低识别耗费，且其识别性能上与2DPCA相当，甚至优于2DPCA。目前已经有人提出一种关于两类问题的属性Bagging算法AB，本专利技术是在两类问题的属性Bagging算法AB的基础上,提出一种基于多步态特征属性的多类别Bagging步态识别新方法-MCAB(Multi-class Attribute Bagging)算法。
技术实现思路
本专利技术的内容是提出了一个基于多步态特征属性的多类别Bagging(MCAB)步态识别新方法。该方法用INN作为弱分类器，通过将两类属性Bagging方法扩展到多类别来构建集成分类器MCAB(Multi-class Attribute Bagging)。我们在NLPR步态数据库上对该方法进行了评测，结果表明，与单纯采用小波包和(2D)2PCA等识别方法相比，本方法具有更高的识别率和视角变化鲁棒性。本专利技术的
技术实现思路
如下为利用MCAB算法进行实验，我们需首先通过对预处理后的归一化步态图像序列进行周期检测，来提取步态能量图，以克服步态数据量过大问题；再对步态能量图进行小波包分解和完全主成分分析，得到的结果图像分别表示了步态图像不同侧面的特征；最后依据前述不同特征的分类性能，通过将各特征视为步态的不同属性并用MCAB算法进行分类。—个基于多步态特征属性的多类别Bagging(MCAB)步态识别新方法,该方法的步骤包括人体步态序列的预处理、特征提取，最后利用MCAB算法把测试样品归到相应的类中，并对识别效果给予评价，其具体步骤如下步骤一、预处理 (I)形态学处理对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；(2)目标提取利用8连通分量分析的方法来提取一个单连通的运动目标，即人的侧影去除残余噪声，从而获得更优的二值轮廓图；(3)图像归一化根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素。步骤二、特征提取(I)步态周期的检测利用人体的轮廓宽度随时间发生同步周期性改变的特性，通过人体轮廓的宽度变化信号来划分步态周期；(2)建立步态能量图(GEI)，将步态能量图作为不同步态序列的代表；步态能量图在进行步态周期检测之后，通过对一个周期内的步态序列图像处理生成GEI为权利要求1.一种基于多步态特征属性的多类别Bagging步态识别方法,其特征在于,步骤如下 步骤一、预处理 对已经背景分离的人体运动目标图像依次进行形态学处理、目标提取、以及图像归一化处理； 步骤二、特征提取 经过步态周期的检测，建立步态能量图，将步态能量图作为不同步态序列的代表，利用WPD+(2D) 2PCA方法计算20个特征的识别率； 步骤三、分类识别 选择步骤二中识别率大于等于50%的特征作为待重抽样的原始特征集合AttributeSet，利用MCAB算法对测试样本进行最终识别；具体如下 (1)在MCAB算法中，首先需要对原始训练实例的属性集合进行η次有放回的重抽样，η为经过步骤二后识别率大于等于50%的属性个数，这η属性可能会出现多次，有的可能一次也不会出现，由这η个属性构成新的训练实例，再由这些新的训练实例构造弱分类器； (2)利用MCAB算法进行分类识别 i:确定重抽样属性的个数n，确定迭代次数T ;其中η为识别率大于等于50%的属性的个数，T取值为10 100 ； iiFor t = I : T执行以下3步； a):从AttributeSet中重抽样η个属性得到属性集At,对训练集S中的每个样本,只取At中的属性，得到新的属性St; b):在属性St上用INN算法训练出基分类器ht(x)— Y; c):计算权值2.根据权利要求I所述的基于多步态特征属性的多类别Bagging步态识别方法,其特征是，所述的步态能量图的提取步骤如下 在进行步态周期检测之后，通过对一个周期内的步态序列图像处理生成的步态能量图为全文摘要基于多步态特征属性的多类别Bagging步态识别方法，属于模式识别
该方法用最近邻分类器作为弱分类器，在基于小波包分解和完全主成分分析后的20个步态属性特征集合上，通过将两类属性Bagging方法扩展到多类别来构建集成分类器，进行步态身份鉴别。该方法的步骤包括预处理、特征提取，最后用最近邻分类原理与MCAB算法相结合的方法对测试样本进行归类。本专利技术首次采用融合WPD和(2D)2PCA方法来提取并选择步态特征，解决已有基于小波变换的步态识别方法中高频分量丢失或简单采用全部数据所致维数过大问题，具有更高的识别率和视角变化鲁棒性。文档编号G06K9/00GK102663374SQ20121013418公开日2012年9月12日 申请日期2012年4月28日 优先权日2012年4月28日专利技术者杨新武, 杨跃伟, 翟飞 申请人:北京工业大学本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：杨新武，翟飞，杨跃伟，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。