基于步态和二维判别分析的煤矿井下人员身份识别方法，先进行煤矿井下人员的步态图像预处理，然后利用二维判别分析算法对步态能量图进行维数约简，提取所有训练步态能量图的识别特征，并将该识别特征输入模板数据库，每个步态能量图的识别特征与预先存入模板数据库中的煤矿井下人员的身份信息相对应，最后使用最近邻分类器进行煤矿井下人员身份识别，本发明专利技术采用了二维判别分析的步态能量图维数约简方法，不仅能够揭示步态图像数据集的内在分布和几何结构，而且能够得到较多的辨别信息，同时它对于步态图像拍摄时的光线变化、步态图像之间的位移旋转等问题具有较强的容错能力，识别速度快，识别效果稳定，实用性强。
【技术实现步骤摘要】
本专利技术属于人体生物特征识别
，具体涉及步态识别方法，特别涉及基于步态和二维判别分析的煤矿井下人员身份识别方法。
技术介绍
煤矿安全关系到人民群众的生命财产安全，关系到改革发展和社会稳定大局。虽然目前很多省市的大部分煤矿企业配备了视频监控系统和基于指纹、步态、人脸、虹膜或掌静脉等井下人员考勤机。但由于煤矿井下环境恶劣，视频光照不均匀等，使得人脸、指纹等图像模糊且缺乏色彩对比信息，目标与背景相似等原因，使得现有的基于人脸、指纹和虹膜等的身份识别系统基本上都安装于井上或井口处，只是起到上下班考勤作用，不能真正实时监控和鉴别井下人员的活动和身份。步态识别是ー种新兴的生物特征识别技木，g在从相同的行走行为中寻找和提取个体之间的变化特征，以实现人体的自动身份识别。由于步态识别具有其它生物认证技术所不具有的独特优势，即在远距离或低视频质量情况下的识别潜力，对图像分辨率要求不高，且步态难以隐藏或伪装，受环境影响较小，而且是ー个非接触性远距离身份识别方法，所以基于步态的身份鉴别方法特别适合于煤矿井下人员实时视频监控。步态识别是近年来越来越多的研究者所关注的一种较新的生物认证技木。实际上ー个智能视频监控的自动步态识别系统主要由监控摄像机、计算机与一套好的步态视频图像序列处理与识别的软件所组成。其中，步态识别的软件算法是最关键的。针对已有基于线性变换的耦合度量学习方法在解决实际问题时会遇到维数灾难和无法很好描述非线性模型等问题，王科俊等人通过引入核方法，提出了一种核耦合度量学习方法，并应用于步态识别中【王科俊，阎涛.核耦合度量学习方法及其在步态识别中的应用.模式识别与人工智能，2013，Vol.26 (2): 169-175】；L.Lee等人用步态轮廓各部分的矩特征来分析步态【Lee L, Grimson W E L.Gait Analysis for Recognition and Classification.Proceedings of the IEEE International Conference on Automatic Face and GestureRecognition, 2002】；英国的南安普敦大学在步态识别方面取得了很多研究成果【ZhangRong,Vogler し，Metaxas D.Human gait recognition.Computer Vision and PatternRecognition, 2004，27 (02):18-20】。尽管目前已有很多步态识别方法和技术，但由于步态图像的复杂性和不稳定性，使得步态识别方法和技术还没有有效地应用于实际煤矿井下人员身份鉴别系统中，现有技术存在对原始步态图像的预处理要求较高、运算量较大、系统过于复杂、采集到的步态图像数据容易受到光照、位置等环境影响等缺陷。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供基于步态和二维判别分析的煤矿井下人员身份识别方法，具有提取步态能量图的识别特征速度快、身份识别正确率高、识别效果稳定和实用性强等优点。为了达到上述目的，本专利技术所采用的技术方案为:基于步态和二维判别分析的煤矿井下人员身份识别方法，具体包括以下步骤:第一歩，煤矿井下人员的步态图像预处理:由摄像机拍摄到的步态图像直接输入到计算机，拍摄没有步态的图像作为背景模型，将拍摄到的步态图像和背景模型相减后得到消除背景后的步态图像序列；然后使用ー个高和宽之比为120:80的矩形框来框住步态轮廓，矩形的高为人体步态图像轮廓的高度，矩形水平方向的中心为人体步态图像轮廓质心的水平坐标，将该矩形框截取出来，并按1:1的缩放比例归ー化为120X80大小，再进行二值化处理，得到二值化的步态图像序列Bt(X，y)，确定ー个人行走时的连续2个最低高度之间的时间差作为ー个步态周期，利用下式(I)将ー个周期的步态图像经过平均的方法合成为一幅步态能量图，本文档来自技高网...
【技术保护点】
基于步态和二维判别分析的煤矿井下人员身份识别方法，其特征在于，包括以下步骤：第一步，煤矿井下人员的步态图像预处理：由摄像机拍摄到的步态图像直接输入到计算机，拍摄没有步态的图像作为背景模型，将拍摄到的步态图像和背景模型相减后得到消除背景后的步态图像序列；然后使用一个高和宽之比为120:80的矩形框来框住步态轮廓，矩形的高为人体步态图像轮廓的高度，矩形水平方向的中心为人体步态图像轮廓质心的水平坐标，将该矩形框截取出来，并按1:1的缩放比例归一化为120×80大小，再进行二值化处理，得到二值化的步态图像序列Bt(x,y)，确定一个人行走时的连续2个最低高度之间的时间差作为一个步态周期，利用下式(1)将一个周期的步态图像经过平均的方法合成为一幅步态能量图，G(x,y)=1NΣt=1NBt(x,y)---(1)式中，N为完整步态周期序列的长度，t为时间，x、y为二维图像平面坐标；第二步，利用二维判别分析算法对步态能量图进行维数约简，提取所有训练步态能量图的识别特征，并将该识别特征输入模板数据库，每个步态能量图的识别特征与预先存入模板数据库中的煤矿井下人员的身份信息相对应，特征提取按以下步骤进行：设K类n幅步态能量图为{G1,G2,...,Gn}，类别编号用C1,C2,...,CK表示，并设Ci类有ni个幅图像，计算所有步态能量图和Ci类步态能量图的平均值分别为G‾=1nΣi=1nGiGCi‾=1niΣj=1niGj---(2)计算类间散度矩阵SB和类内散度矩阵SW分别为SB=Σi=1KP(Ci)(GCi‾-G‾)(GCi‾-G‾)TSW=Σi=1KΣj=1niP(Ci)(Gj-GCi‾)(Gj-GCi‾)T/ni---(3)式中，P(Ci)为模式Ci的先验概率，取由SB和SW建立目标优化函数J(A)＝AT(SB?SW)A?????(4)式中，A为待求的映射矩阵，T为矩阵转置运算，对式(4)中的SB?SW进行特征值分解，计算(SB?SW)a＝λa的d个最大的特征值λ0,λ1,L,λd?1(λ0≥λ1≥L≥λd?1)对应的约简特征向量a1,a2,...,ad，其中λ为特征值，d为低维特征向量的维数，由下式(5)将[a1,a2,...,ad]转换为一个正交矩阵P＝[p1，p2，...，pd]，pk=ak-Σi=1k-1piTakpiTpipi---(5)由下式(6)将所有的步态能量图{G1,G2,...,Gn}分别映射到低维子空间，Gi→Yi＝PTGi?????(6)由{Y1,Y2,...,Yn}构建煤矿井下人员身份识别的特征模板，由式(6)将待测试的任意一幅步态能量图Gnew映射为低维特征图像，即Gnew→Ynew＝PTGnew；第三步，使用最近邻分类器进行煤矿井下人员身份识别：利用欧氏距离 度量作为任意两个矩阵A、B之间的距离，即d(A,B)＝||A?B||，由第二步得到所有训练步态能量图{G1,G2,...,Gn}的低维映射矩阵分别为{Y1,Y2,...,Yn}，对于任意一个待测试的步态能量图Gnew的低维映射矩阵Ynew，分别计算Ynew与{Y1,Y2,...,Yn}之间的距离，若则将测试步态能量图Gnew判为第k类，由此确定待鉴别煤矿井下人员的身份。FDA0000403423120000023.jpg,FDA0000403423120000031.jpg...
【技术特征摘要】
1.基于步态和二维判别分析的煤矿井下人员身份识别方法，其特征在于，包括以下步骤: 第一歩，煤矿井下人员的步态图像预处理:由摄像机拍摄到的步态图像直接输入到计算机，拍摄没有步态的图像作为背景模型，将拍摄到的步态图像和背景模型相减后得到消除背景后的步态图像序列；然后使用ー个高和宽之比为120:80的矩形框来框住步态轮廓，矩形的高为人...
【专利技术属性】
技术研发人员：袁方，王旭启，张善文，
申请(专利权)人：西京学院，
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。