基于人体hog特征的步态能量图获取及身份识别方法
【技术领域】
[0001] 本发明属于计算机视觉技术领域，具体地说，是基于人体HOG(Histogramof OrientedGradient，方向梯度直方图）特征的步态能量图获取方法及基于步态能量图实现 身份识别的方法。
【背景技术】
[0002] 随着各国对公共场合下安全水平提高的需要及视频监控技术的广泛推广，智能监 控成为了计算机视觉中一个非常活跃的领域。在智能监控中，远距离识别监控场景中的人 体身份是一个充满挑战且又很有应用前景的方向，因此，它同时具备了科研及商业价值，对 其进行深入的研宄具有理论及现实意义。根据医学和心理学等学科的研宄表明：人可以感 知步态，并可以通过步态进行人的身份识别。步态识别作为一种新兴的生物特征识别方法， 可以通过个人行走的姿态来对个人的身份进行识别，它具有远距离识别、不可侵犯性、难以 隐蔽并且采集装置简单等优点。步态识别所具有的这些优点，是指纹、虹膜、人脸、DNA等其 他生物特征识别方法无法比拟的，因而，步态识别引起了模式识别研宄者和计算机视觉研 宄者的广泛关注。
[0003] 目前已有的步态识别算法，可以归为两大类，即基于模型（model-based)的方法 和基于非模型（model-free)的方法。基于模型的方法通常要求很高，很难实现好的结果， 在最近的几年里，基于非模型的方法显示出优越的表现。基于非模型的方法是直接对人体 步态视频图像序列进行分析而不需要预先假定任何特定的模型，其主要的方法有隐马尔可 夫模型（HMM)、Radon变换、动态和静态的侧影轮廓模板及步态能量图识别方法。其中，步态 能量图（GaitEngeryImage,GEI)识别方法是以步态能量图作为识别特征，对人体身份进 行识别。步态能量图识别方法因特征提取简单、能很好地表现步态的速度及形态等，得到广 泛关注。
[0004] 步态能量图作为步态能量图识别方法中的识别特征，直接影响人体身份识别的精 度。现有步态能量图的获取方法是将步态特征考虑成一系列的侧影轮廓图像，然后把这些 侧影轮廓图像直接加权后求平均。采用该方法能够将整个人体的行走运动展现在一张图 片上，使得步态能量图不仅包含人行走时的所有特征，而且减少了存储空间和计算时间，同 时还降低了对每一帧侧影图像噪声的敏感性。但是，由于现有步态能量图需要将侧影轮廓 图像相加再进行平均化，丢失了许多有用的信息；另一方面，由于每帧提取的是二值化侧影 图像，它只能捕获人体轮廓的边界信息，侧影的内部信息被完全的丢弃掉，因而，使得现有 步态能量图难以完整反映人体行走特征，进而影响了基于步态能量图识别人体身份的准确 度。
【发明内容】
[0005] 本发明的目的之一是提供一种基于人体HOG特征的步态能量图获取方法，以解决 现有步态能量图不能完整反映人体行走特征的问题。
[0006] 为实现该发明目的，本发明提供的步态能量图获取方法采用下述技术方案来实 现：
[0007] -种基于人体HOG特征的步态能量图获取方法，所述方法包括：
[0008] 步骤1 :对人体步态视频图像序列中的每帧图像进行前景分割，提取人体侧像图；
[0009] 步骤2 :将人体侧像图模板化，获得模板化侧像图；
[0010] 步骤3 :利用设定的根窗口和部位窗口从模板化侧像图中分别检测出人体轮廓和 人体部位，并将部位窗口相对于根窗口的位置记为xf;
[0011] 步骤4 :计算每帧模板化侧像图中人体轮廓的HOG特征描述符A；?和人体部位的 HOG特征描述符< ;
[0012] 步骤5 :将人体步态视频图像序列中所有人体轮廓的HOG特征描述符~相加求平 均值，获得人体轮廓的HOG特征的步态能量图将人体步态视频图像序列中同一人体部 位的所有HOG特征描述符 < 相加求平均值，获得相应人体部位HOG特征的步态能量图Hk; 将人体步态视频图像序列中同一部位窗口相对于根窗口的所有位置相加求平均值，获得相 应部位窗口相对于根窗口的总位置Xk;
[0013] 步骤6 :将人体轮廓HOG特征的步态能量图ff、人体部位HOG特征的步态能量图Hk 和部位窗口相对于根窗口的总位置Xk组合，形成人体HOG步态能量图特征向量，从而获取 基于人体HOG特征的步态能量图；
[0014] 其中，t表示人体步态视频图像序列中的第t帧图像，r表示所述根窗口，k表示部 位窗口，kG{Pl，. . .，Pl}，Pl表示第1个部位窗口，1为部位窗口的个数。
[0015] 如上所述的方法，在所述步骤1中，采用自然图像抠图方法对人体步态视频图像 序列中的每帧图像进行前景分割。
[0016] 如上所述的方法，在所述步骤4中，计算每帧模板化侧像图中人体轮廓的HOG特征 描述符 <，具体包括：
[0017] 步骤411 :计算每帧模板化侧像图中每个像素点的梯度幅值及梯度方向；
[0018] 步骤412 :将模板化侧像图划分成多个单元，将每个单元内像素点的梯度方向范 围均分成多个指定方向，根据像素点的梯度幅值及梯度方向计算每个指定方向对应的指定 幅值；每个单元的所有指定方向与对应的指定幅值形成该单元的HOG特征描述符；
[0019] 步骤413 :将相邻的多个单元组成一个块，将一个块内所有单元的HOG特征描述符 串联，形成该块的HOG特征描述符；
[0020] 步骤414 :将模板化侧像图中所有块的HOG特征描述符串联起来，形成该模板化侧 像图人体轮廓的HOG特征描述符Zz,';
[0021 ] 计算每帧模板化侧像图中人体部位的HOG特征描述符Af，具体包括：
[0022] 步骤421 :计算每帧模板化侧像中检测出的人体部位所在图像所包含的每个像素 点的梯度幅值及梯度方向；
[0023] 步骤422 :将人体部位所在图像划分成多个单元，将每个单元内像素点的梯度方 向范围均分成多个指定方向，根据像素点的梯度幅值及梯度方向计算每个指定方向对应的 指定幅值；每个单元的所有指定方向与对应的指定幅值形成该单元的HOG特征描述符；
[0024] 步骤423 :将相邻的多个单元组成一个块，将一个块内所有单元的HOG特征描述符 串联，形成该块的HOG特征描述符；
[0025] 步骤424 :将人体部位对应的图像中所有块的HOG特征描述符串联起来，形成该模 板化侧像图中该人体部位的HOG特征描述符Af。
[0026] 本发明的目的之二是提供一种身份识别方法，以提高身份识别的准确度。
[0027] 为实现上述发明目的，本发明提供的身份识别方法采用下述技术方案予以实现：
[0028] 一种身份识别方法，其特征在于，所述方法包括：
[0029] 步骤a:将待识别身份的人体步态视频图像序列作为测试样本，按照上述的基于 人体HOG特征的步态能量图获取方法获取测试样本的HOG步态能量图特征向量；
[0030] 步骤b:将测试样本的HOG步态能量图特征向量向利用训练样本训练的特征空间 投影，获得测试特征样本；
[0031] 步骤C:利用分类器识别测试特征样本，进而识别出测试样本的身份；
[0032] 其中，特征空间通过下述方法获得：
[0033] 步骤bl:选取多个人体步态视频图像序列构成训练样本集，训练样本集中的每个 人体步态视频图像序列作为一个训练样本，按照上述的基于人体HOG特征的步态能量图获 取方法获取每个训练样本的HOG步态能量图特征向量；
[0034] 步骤b2:将所有训练样本的HOG步态能量图特征向量构成矩阵并降维，获得特征 空间；
[0035] 分类器通过下述方法构建：
[0036] 步骤Cl:选取多个身份已知的人体步态视频图像序列构成注册样本集，注册样本 集中的每个人体步态视频图像序列作为一个注册样本，按照上述的基于人体HOG特征的步 态能量图获取方法获取每个注册样本的HOG步态能量图特征向量；
[0037] 步骤c2 :将注册样本的HOG步态能量图特征向量向特征空间投影，获得注册特征 样本；
[0038] 步骤c3 :利用注册特征样本及已知所对应的身份构建分类器。
[0039] 如上所述的身份识别方法，在所述步骤b2中，采用PCA和LDA方法对所有训练样 本的HOG步态能量图特征向量构成的矩阵降维，获得特征空间。
[0040] 如上所述的身份识别方法，在所述步骤C3中，采用支持向量机构建分类器。
[0041]与现有技术相比，本发明的优点和积极效果是：本发明通过检测人体步态周期内 每帧侧像图的人体轮廓及人体部位、提取人体轮廓和人体部位的HOG特征，形成基于人体 轮廓和人体部位HOG特征的步态能量图，进而获取基于人体HOG特征的步态能量图，从而， 该步态能量图不仅包括了人体轮廓的边界信息，也包括了人体侧像图中的内部信息，能够 完整、充分地反映人体行走步态特征；基于该步态能量图识别人体身份，识别精度和准确率 尚。
[0042] 结合附图阅读本发明的【具体实施方式】后，本发明的其他特点和优点将变得更加清 楚。
【附图说明】
[0043] 图1是本发明基于人体HOG特征的步态能量图获取方法一个实施例的流程图；
[0044] 图2是本发明身份识别方法一个实施例的流程图。
【具体实施方式】
[0045] 为了使本发明的目的、技术方