專利名稱：基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于自適應(yīng)特征塊選 擇的步態(tài)識(shí)別方法。
背景技術(shù)：
步態(tài)作為唯一可遠(yuǎn)程識(shí)別的生物特征，對(duì)于視頻監(jiān)控有著十分重要的應(yīng)用。人的 步態(tài)不易偽裝和隱藏，在監(jiān)控過(guò)程中也不需要被觀察者的配合，這些都為步態(tài)識(shí)別提供了 可靠的依據(jù)。現(xiàn)有的步態(tài)識(shí)別方法大多采用相似的步驟。通常，先對(duì)某個(gè)對(duì)象的步態(tài)視頻 序列作前景與背景的分離處理；然后從前景區(qū)域的人體像素塊中提取某種步態(tài)特征，通過(guò) 監(jiān)督式學(xué)習(xí)的方法構(gòu)建步態(tài)分類器；最后在進(jìn)行身份識(shí)別時(shí)，從當(dāng)前視頻序列中提取同樣 的步態(tài)特征送入分類器，從而得到行人目標(biāo)的分類結(jié)果?，F(xiàn)有方法一般采用相同行走狀態(tài) 條件下的訓(xùn)練視頻和測(cè)試視頻來(lái)建立步態(tài)識(shí)別的工作框架。但是，在實(shí)際應(yīng)用中測(cè)試視頻 中人的衣著、攜帶物等狀態(tài)往往會(huì)發(fā)生改變，呈現(xiàn)出不同于訓(xùn)練視頻的行走狀態(tài)，這是目前 步態(tài)身份識(shí)別的挑戰(zhàn)問(wèn)題。其主要原因是衣著、攜帶物狀態(tài)的變化會(huì)導(dǎo)致人的外觀、形狀 的改變，進(jìn)而在視頻序列的前景與背景分離后會(huì)造成人體二值影像圖的輪廓變化，給步態(tài) 識(shí)別帶來(lái)不小的困難。在這種情況下，如何選擇能夠真實(shí)表征步態(tài)的特征，消除不相關(guān)的干 擾是一個(gè)至關(guān)重要的問(wèn)題。經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，Shaogang Gong等人在《Proceedings of the 33rdInternational Conference on Acoustics, Speech, and Signal Processing))(第 33 屆聲學(xué)、語(yǔ)音及信號(hào)處理國(guó)際會(huì)議集)第985到第988頁(yè)上發(fā)表的“!Mature Selection on Gait Energy Image forHuman Identification”(用于身份認(rèn)證的步態(tài)能量圖的特征 選擇)文章中提出了一種基于步態(tài)能量圖的特征選擇方法，該方法從多張步態(tài)能量圖中抽 取各能量圖之間亮度變化顯著的像素點(diǎn)集作為特征，此高維特征在區(qū)分不同的人時(shí)提供了 豐富的動(dòng)態(tài)步態(tài)行為信息，因此在一定程度上可克服衣著、攜帶物變化帶來(lái)的干擾。另外， 該方法對(duì)此特征采用PCA (Principal ComponentAnalysis,主成分分析)和MDA (Mutiple Discriminant Analysis,多元判別分析)進(jìn)行降維，通過(guò)在降維的特征空間中進(jìn)行匹配而 得出身份識(shí)別結(jié)果。相比現(xiàn)有的最佳的基于監(jiān)督式特征選擇的步態(tài)識(shí)別方法，這種基于 非監(jiān)督特征選擇的步態(tài)識(shí)別方法速度提升了 900倍，在正常步行狀態(tài)下識(shí)別率能提高了 近1 %，在攜帶物變化情形下識(shí)別率接近于最佳識(shí)別率，在衣著變化情形下則識(shí)別率下降約 10%-50%。這種方法沒(méi)有完全避開(kāi)衣著和攜帶物對(duì)人體二值影像圖腿部以上區(qū)域的干擾， 在一定程度上影響了步態(tài)識(shí)別的有效性。另外，該方法對(duì)多張能量圖的所有像素點(diǎn)均做了 像素值變化統(tǒng)計(jì)，耗費(fèi)了一定的計(jì)算量，其運(yùn)算速度方面還存在提升的空間。這促使去尋找 一種新的步態(tài)特征過(guò)濾方式以及計(jì)算框架，以在提升識(shí)別速度的同時(shí)達(dá)到最優(yōu)的識(shí)別性能。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的上述不足，提供一種基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，用于處理行人衣著、攜帶物狀態(tài)改變時(shí)的身份識(shí)別問(wèn)題，本發(fā)明通過(guò)對(duì)步態(tài)能量圖 中的人體區(qū)域進(jìn)行分塊，根據(jù)無(wú)衣著和攜帶物狀態(tài)干擾的訓(xùn)練數(shù)據(jù)得出每塊區(qū)域的統(tǒng)計(jì)信 息，在測(cè)試時(shí)通過(guò)分塊計(jì)算統(tǒng)計(jì)信息而自動(dòng)選取符合訓(xùn)練數(shù)據(jù)統(tǒng)計(jì)信息規(guī)律的特征塊，有 效克服了因行人衣著、攜帶物狀態(tài)變化對(duì)步態(tài)識(shí)別造成的不利影響，同時(shí)保留了人的頭、肩 等部位特征，提高了步態(tài)識(shí)別的有效性。本發(fā)明不需要任何先驗(yàn)知識(shí)，特征選擇的計(jì)算復(fù)雜 度比現(xiàn)有非監(jiān)督特征選擇的步態(tài)識(shí)別方法降低了觀％，同時(shí)平均識(shí)別率可比于現(xiàn)有基于監(jiān) 督特征選擇的步態(tài)識(shí)別方法。本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟第一步、采用最小中位數(shù)平方法(Least Median of Squares)從視頻的N幀圖像 序列I中恢復(fù)得到背景圖像B(x,y)，然后計(jì)算當(dāng)前圖像幀It和背景圖像B(x,y)的提取函數(shù)值， 通過(guò)對(duì)函數(shù)值作閾值化處理而分離出前景圖像Γ Ιχ，y)。第二步、對(duì)前景圖像Γ t(x，y)的每個(gè)連通塊構(gòu)建最小矩形框邊界，并對(duì)矩形框中 的圖像采用HOG行人檢測(cè)器判斷是否存在人體區(qū)域，對(duì)包含人體區(qū)域的矩形框進(jìn)行尺度變 換，由此獲得的一系列固定大小的矩形圖片就構(gòu)成了二值步態(tài)序列G(x，y，t)。第三步、根據(jù)二值步態(tài)序列G(x，y, t)進(jìn)行步態(tài)周期計(jì)算并生成步態(tài)模板圖；第四步、對(duì)訓(xùn)練集每個(gè)對(duì)象的步態(tài)模板圖進(jìn)行人體結(jié)構(gòu)分塊，并建立各個(gè)分塊的 統(tǒng)計(jì)特征，然后對(duì)步態(tài)模板圖執(zhí)行自適應(yīng)的特征塊選擇；第五步、計(jì)算測(cè)試集對(duì)象與訓(xùn)練集中任一對(duì)象在人體結(jié)構(gòu)對(duì)應(yīng)分塊上的歐氏距 離，將六個(gè)分塊的距離加權(quán)起來(lái)得到兩個(gè)對(duì)象間的總距離，作為該對(duì)象和訓(xùn)練集中任一對(duì) 象的步態(tài)特征相似性的度量，并根據(jù)最近鄰法則將這些距離中的最小值所對(duì)應(yīng)的訓(xùn)練集對(duì) 象確定為身份識(shí)別的結(jié)果。本發(fā)明的原理是，考慮到人在普通狀態(tài)下行走的步態(tài)跟人的衣著、攜帶物狀態(tài)發(fā) 生改變后的步態(tài)直觀上存在明顯差異，即衣服厚度、背包的出現(xiàn)會(huì)造成伴隨人體一起運(yùn)動(dòng) 的輪廓區(qū)域面積增加，亦即視頻的前景運(yùn)動(dòng)區(qū)域的像素?cái)?shù)目會(huì)增多。如果直接比較步態(tài)特 征圖像的相似性，衣物的干擾必定會(huì)產(chǎn)生很大的噪聲，嚴(yán)重影響識(shí)別效果。因此，在對(duì)人體 結(jié)構(gòu)進(jìn)行分塊后，將訓(xùn)練集的步態(tài)特征圖像各人體結(jié)構(gòu)分塊的統(tǒng)計(jì)信息作為依據(jù)，在測(cè)試 時(shí)能夠快速有效地排除掉可能存在干擾的特征塊，選擇出最佳的特征區(qū)域用于身份識(shí)別。與現(xiàn)有技術(shù)相比，本發(fā)明根據(jù)人體結(jié)構(gòu)特性以及分塊統(tǒng)計(jì)特性對(duì)步態(tài)能量圖進(jìn)行 自適應(yīng)特征塊選擇，既實(shí)現(xiàn)了快速識(shí)別，也很好地利用了對(duì)識(shí)別有幫助的頭肩等特征區(qū)域。 在各種實(shí)驗(yàn)條件下，該算法的平均識(shí)別率達(dá)到85%，處理速度比現(xiàn)有非監(jiān)督特征選擇的步 態(tài)識(shí)別算法提高觀％。


圖1是實(shí)施例的N(t)和N’ (t)的曲線。圖2是本發(fā)明方法求取步態(tài)能量圖的流程圖。圖3是本發(fā)明方法中步態(tài)能量圖的示意圖。圖4是本發(fā)明方法的人體結(jié)構(gòu)分塊示意圖。圖5是本發(fā)明方法的特征塊選擇示意圖。圖6是本發(fā)明方法的相似性度量示意圖。
圖7是實(shí)施例流程圖。
具體實(shí)施例方式下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行 實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施 例。實(shí)施例如圖2和圖7所示，本實(shí)施例包括以下步驟第一步、采用最小中位數(shù)平方法(Least Median of Squares)從視頻的N幀圖像 序列I中恢復(fù)得到背景圖像B(x,y)，然后計(jì)算當(dāng)前圖像幀It和背景圖像B(x,y)的提取函數(shù)值， 通過(guò)對(duì)函數(shù)值作閾值化處理而分離出前景圖像Γ Ιχ，y)。所述的背景圖像碎yfmii^inediai^/^i)2，其中(x，y)為像素位置，median ( ·) 表示中值濾波，t表示圖像幀序號(hào)，t= {1,2,…，N}，min(·)表示最小化操作符。所述的提取函數(shù)值是指
權(quán)利要求
1.一種基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，其特征在于，包括以下步驟第一步、采用最小中位數(shù)平方法從視頻的N幀圖像序列I中恢復(fù)得到背景圖像B(x,y)，通過(guò)對(duì)當(dāng)前圖像幀和背景圖像B(x,y)的提取函數(shù)值進(jìn)行閾值化處理，提取出前景圖像；第二步、對(duì)前景圖像的每個(gè)連通塊構(gòu)建最小矩形框邊界，并對(duì)矩形框中的圖像采用HOG 行人檢測(cè)器判斷是否存在人體區(qū)域，對(duì)包含人體區(qū)域的矩形框進(jìn)行尺度變換，由此獲得的 一系列固定大小的矩形圖片就構(gòu)成了二值步態(tài)序列；第三步、根據(jù)二值步態(tài)序列進(jìn)行步態(tài)周期計(jì)算并生成步態(tài)模板圖；第四步、對(duì)訓(xùn)練集每個(gè)對(duì)象的步態(tài)模板圖進(jìn)行人體結(jié)構(gòu)分塊，并建立各個(gè)分塊的統(tǒng)計(jì) 特征，然后對(duì)步態(tài)模板圖執(zhí)行自適應(yīng)的塊特征選擇；第五步、計(jì)算測(cè)試集對(duì)象與其他任一對(duì)象在人體結(jié)構(gòu)對(duì)應(yīng)分塊上的歐氏距離，并根據(jù) 最近鄰法則將這些歐氏距離中的最小值所對(duì)應(yīng)的訓(xùn)練集對(duì)象確定為步態(tài)識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，其特征是，第一步 中所述的背景圖像
3.根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，其特征是，第一步 中所述的提取函數(shù)值是指
4.根據(jù)權(quán)利要求1所述的基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，其特征是，第一步 中所述的閾值化處理是指對(duì)函數(shù)結(jié)果f(r(x，y), B(x, y))采用閾值門限F進(jìn)行二值化， 該二值化圖像取非零值圖像像素被認(rèn)為是前景像素，具體表示如下
5.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 二步中所述的尺度變換是指將矩形框圖片尺寸調(diào)整為固定大小，調(diào)整時(shí)保持人體區(qū)域的 二值輪廓重心在圖片的中線上。
6.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 三步中所述的步態(tài)周期是指普通行走狀態(tài)下行人一側(cè)腳跟著地至該側(cè)腳跟再次著地所需 的時(shí)間，在一個(gè)步態(tài)周期中，每側(cè)肢體要經(jīng)過(guò)踩地負(fù)重和離地?cái)[動(dòng)兩個(gè)階段，分別成為步態(tài) 周期的站立相和擺動(dòng)相，該步態(tài)周期的計(jì)算過(guò)程為i)統(tǒng)計(jì)每幀人體二值圖的下方1/3高度區(qū)域內(nèi)的前景像素點(diǎn)的個(gè)數(shù)，將第t幀時(shí)的數(shù) 值記為N(t)，當(dāng)兩只腿間隔最遠(yuǎn)時(shí)，N(t)將達(dá)到局部最大值；當(dāng)兩只腿交錯(cuò)時(shí)，N(t)將取得 局部最小值；ii)利用半徑為2的圓形均值濾波器H對(duì)N(t)曲線做平滑操作得到N' (t)，其中 N(t)為IXn的向量，通過(guò)邊界延拓?cái)U(kuò)展為5Xn的矩陣，N' (t)每?jī)蓚€(gè)緊鄰的局部最小值 之間應(yīng)構(gòu)成一個(gè)步態(tài)周期，因此從第一個(gè)N' (t)的局部最小值處開(kāi)始，計(jì)算每?jī)蓚€(gè)相鄰局 部最小值之間的橫坐標(biāo)距離，即幀數(shù)差，并把這些距離的中值作為步態(tài)周期。
7.根據(jù)權(quán)利要求4所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，所述的圓形均值濾波器H=
8.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 三步中所述的生成步態(tài)模板圖具體包括以下步驟.3. 1)設(shè)周期為T，取一個(gè)步態(tài)周期內(nèi)的所有二值步態(tài)圖，則步態(tài)能量圖
9.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 四步中所述的人體結(jié)構(gòu)分塊包括頭部0 W，0. 870H H，頸部及胸部0 W，0. 720H 0. 870H,前軀干0 0. 530W, 0. 377H 0. 720H,后軀干0. 530W W, 0. 377H 0. 720H,大 腿及膝部0 W，0. 180H 0. 377H，小腿及足部0 W，0 0. 180H，其中W為步態(tài)模板圖 的寬度，H為步態(tài)模板圖的高度。
10.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 四步中所述的統(tǒng)計(jì)特征是指根據(jù)S個(gè)訓(xùn)練集對(duì)象，根據(jù)人體結(jié)構(gòu)分塊統(tǒng)計(jì)訓(xùn)練集所有對(duì) 象步態(tài)模板圖中T1, T2，T3,…，Ts中每個(gè)部分的前景像素點(diǎn)個(gè)數(shù)，i e {1，2，…，6)，次表示 Ts中第i部分的前景像素點(diǎn)個(gè)數(shù)，則第i部分的統(tǒng)計(jì)特征Ω 1為Ω‘' ={次，實(shí),-,Sis} ^
11.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第 四步中所述的塊特征選擇是指.4. 1)對(duì)Qi中S個(gè)數(shù)值進(jìn)行升序排列，以λ的概率給定置信區(qū)間[Ω^Ω^]，即兄實(shí),■·■，劣 中落入?yún)^(qū)間[口丨力纟啲個(gè)數(shù)為λ S,當(dāng)測(cè)試對(duì)象的行走狀態(tài)與訓(xùn)練集中某對(duì)象的行走狀態(tài)相 同或相似時(shí)，其步態(tài)模板圖中第i部分的前景像素點(diǎn)個(gè)數(shù)Y 1滿足Ω〖〈Ω;；.4.2)對(duì)每一個(gè)測(cè)試集對(duì)象r，r e {1,2,…，R)，計(jì)算其步態(tài)模板圖，并統(tǒng)計(jì)所有對(duì)象步態(tài)模板圖第i部分的前景像素點(diǎn)個(gè)數(shù)
12.根據(jù)權(quán)利要求1所述的基于分塊的自適應(yīng)特征選擇的步態(tài)識(shí)別方法，其特征是，第五步中所述的人體結(jié)構(gòu)分塊的歐氏距離為
全文摘要
一種圖像處理技術(shù)領(lǐng)域的基于自適應(yīng)特征塊選擇的步態(tài)識(shí)別方法，通過(guò)對(duì)步態(tài)能量圖中的人體區(qū)域進(jìn)行分塊，根據(jù)無(wú)衣著和攜帶物狀態(tài)干擾的訓(xùn)練數(shù)據(jù)得出每塊區(qū)域的統(tǒng)計(jì)信息，在測(cè)試時(shí)通過(guò)分塊計(jì)算統(tǒng)計(jì)信息而自動(dòng)選取符合訓(xùn)練數(shù)據(jù)統(tǒng)計(jì)信息規(guī)律的特征塊，有效克服了因行人衣著、攜帶物狀態(tài)變化對(duì)步態(tài)識(shí)別造成的不利影響，同時(shí)保留了人的頭、肩等部位特征，提高了步態(tài)識(shí)別的有效性。本發(fā)明不需要任何先驗(yàn)知識(shí)，特征選擇的計(jì)算復(fù)雜度比現(xiàn)有非監(jiān)督特征選擇的步態(tài)識(shí)別方法降低了28％，同時(shí)平均識(shí)別率可比于現(xiàn)有基于監(jiān)督特征選擇的步態(tài)識(shí)別方法。
文檔編號(hào)G06K9/62GK102122354SQ20111006086
公開(kāi)日2011年7月13日 申請(qǐng)日期2011年3月15日 優(yōu)先權(quán)日2011年3月15日
發(fā)明者徐奕, 李寧, 楊小康 申請(qǐng)人:上海交通大學(xué)