pJ u，PpJv，PpJu，P p: 下对应的 M?，M"，M' Mev的投影值 P 二 P/v，PM?，PMev;
[0059] Step 8、计算各训练个体i的类内散布矩阵
和训练集X总的 类内散布矩阵S'S'S'S，
[0073] St印10、求解训练集X总的类内散布矩阵S?，S' Seu，SlP类间散布矩阵
[0078] 按广义特征值Alda从大到小的顺序对相应的特征向量Zlda排序，保留Z lda的前I-I 个特征向量组成线性最佳分类子空间Pla/U，Pla/V，P lad' Pla厂；
[0079] St印 11、由投影子空间 Ppca?，Ppca' Ppca' PpcaCT和 P la/u，Pla/' Plad' P1Jv组合得 到步态数据库中最终的步态特征投影子空间：
[0083] St印12、将St印5获取到的差值向量
广 V' Γ?7 -M分别对应投影到步态数据库中建立的四个投影子空间P?，P' P' P'得到：
[0088] 更进一步的，所述步骤S6中识别过程具体如下：
[0089] Step 13、首先对测试集Y中的各个测试个体对应的步态轮廓图像序列进行重心 归一化处理，将重心归一化处理后的步态轮廓图像序列进行步骤Sl至S3的处理，获取到各 测试个体对应步态光流图F ab (X，y);其中测试集Y中测试个体总数为A，各测试个体a的步 态光流图数为Ba，a = 1，2, 3, . . .，A，步态光流图Fab (X，y)表示的是各测试个体a的第b个 步态光流图，其中b = 1，2, 3，...，Ba;
[0090] Step 14、根据步骤S4提取各测试个体a对应Ba个步态光流图的以下四个步态特 征向量：步态光流图行光流横向分量和向量、步态光流图行光流纵向分量和向量、步态光流 图列光流横向分量和向量以及步态光流图列光流纵向分量和向量，并且分别将上述B a个步 态光流图行光流横向分量和向量、Ba个步态光流图行光流纵向分量和向量、Ba个步态光流 图列光流横向分量和向量以及Ba个步态光流图列光流纵向分量和向量形成行数为B a的对 应矩阵
[0092] ruab表示测试个体a第b个步态光流图对应的步态光流图行光流横向分量和向 量；
[0094] rvab表示测试个体a第b个步态光流图对应的步态光流图行光流纵向分量和向 量；
[0096] CUab表示测试个体a第b个步态光流图对应的步态光流图列光流横向分量和向 量；
[0098] CVab表示测试个体a第b个步态光流图对应的步态光流图列光流纵向分量和向 量；
[0099] Step 15、分别求矩阵_
的平均值，以分别得到测试个体 a步态光流图行光流横向分量和向量平均向量w y、步态光流图行光流纵向分量和向量平 U 均向量步态光流图列光流横向分量和向量平均向量以及步态光流图列光流纵向 a it 分量和向量平均向量％ ;
[0100] Step 16、将各测试个体a的步态光流图行光流横向分量和向量平均向 量.、步态光流图行光流纵向分量和向量平均向量.、步态光流图列光流横向 a a 分量和向量平均向量m 、以及步态光流图列光流纵向分量和向量平均向量m a a 分别对应减去训练集X的步态光流图行光流横向分量和向量平均向量Μ?、步态光 流图行光流纵向分量和向量平均向量M'步态光流图列光流横向分量和向量平均 向量Μ?以及步态光流图列光流纵向分量和向量平均向量M'上述所形成的差值
然后将差值向量
分别对应投影到步态数据库中建立 的四个投影子空间Ρ?，Ρ"，P' P'得到：
[0104] Stepl7、计算测试个体a获取到的y?、yn'、r、7与对应步态数据库训练个 a u λ u. 体i获取到的X1' ΧΓ、X1' X广的欧氏距离D al' Dar、Dar、Dalev;
[0105] St印18、若测试集Y为第一次测试的测试集时，则根据欧氏距离Dal' Dal' Dal' DalOT按最近邻分类算法得到测试个体a和步态数据库中训练个体i之间的步态光流图行光 流横向分量和向量识别率R'步态光流图行光流纵向分量和向量识别率IT、步态光流图列 光流横向分量和向量识别率R?以及步态光流图列光流纵向分量和向量识别率R ot;
[0106] 若测试集Y为第一次测试之后的测试集时，则进入步骤Stepl9 ;
[0107] St印19、将步骤Stepl7中获取到的测试个体a和步态数据库训练个体i之间欧氏 距离Dal' Dal' Daleu、Dalev与步骤St印17获取的步态光流图行光流横向分量和向量识别率 R?、步态光流图行光流纵向分量和向量识别率IT、步态光流图列光流横向分量和向量识别 率IT以及步态光流图列光流纵向分量和向量识别率R ot进行特征融合，得到测试个体a与 步态数据库中训练个体i之间的总欧氏距离：
[0108] Dal= R ruDalru+RrvDal rv+RcuDalcu+RcvD alcv，i = 1，2, 3, · · ·，I ;
[0109] St印20、根据步骤Stepl9获取到的测试个体a与步态数据库中各训练个体i之间 的总欧氏距离Dal，将步态数据库中与测试个体a之间总欧氏距离最小的训练个体作为测试 个体的识别结果。
[0110] 更进一步的，所述Stepl8中步态光流图行光流横向分量和向量识别率R?、步态光 流图行光流纵向分量和向量识别率IT、步态光流图列光流横向分量和向量识别率R'步态 光流图列光流纵向分量和向量识别率IT均为采用最近邻分类算法后的分类正确个体与总 测试个体的比值。
[0111] 更进一步的，所述步骤Step4中训练个体i步态光流图行光流横向分量和向量平 VTi _ rV _. 均向量％ 、步态光流图行光流纵向分量和向量平均向量Wi、.步态光流图列光流横向分 量和向量平均向量以及步态光流图列光流纵向分量和向量平均向量分别为：
[0116] 更进一步的，所述步骤Stepl5中测试个体u步态光流图行光流横向分量和向量平 均向量w~、步态光流图行光流纵向分量和向量平均向量.W:.、:步态光流图列光流横向分量 U U 和向量平均向量m以及步态光流图列光流纵向分量和向量平均向量分别为： U U
[0121] 本发明相对于现有技术具有如下的优点及效果：
[0122] (1)本发明根据个体的步态轮廓图像序列获取到步态光流场，并且根据步态光流 场的特点检测出步态周期，然后将一个步态轮廓图像序列中多个步态周期下的各个步态光 流场相叠加，获取到个体的步态光流图，针对个体各步态光流图的步态光流图行光流横向 分量和向量、步态光流图行光流纵向分量和向量、步态光流图列光流横向分量和向量以及 步态光流图列光流纵向分量和向量四个步态特征向量。将测试个体的上述四个步态特征向 量与步态数据库中训练个体的步态特征向量进行匹配，根据匹配效果，在步态数据库中识 别出测试个体。本发明对光流分量分别行列分解得到步态特征来识别身份，该方法能很好 的提取人行走过程中的步态运动信息，对服饰、携带物等具有很强的鲁棒性，有效的解决了 现有的步态识别技术中特征提取不充分，代表性不强的问题。本发明方法可以被广泛应用 于门禁系统、身份识别、手势识别等与运动图像处理相关的领域。
[0123] (2)本发明将测试个体对应步态光流图的步态特征向量与步态数据库存储的各个 体对应步态光流图的步态特征向量通过PCA算法和LDA算法相结合的方式进行匹配，以识 别出测试个体，具有识别效果好的优点。
【附图说明】
[0124] 图1是本发明方法流程图。
[0125] 图2是本发明方法中各步态光流场光流纵向分量的代数和T(t)的周期变化图。
[0126] 图3a至3e是本发明步态光流场不同分解距离精度下获取到的个体步态光流图。
[0127] 图4a是本发明不同个体的步态光流图行光流横向分量和向量变化曲线图。
[0128] 图4b是本发明不同个体的步态光流图行光流纵向分量和向量变化曲线图。
[0129] 图4c是本发明不同个体的步态光流图列光流横向分量和向量变化曲线图。
[0130] 图4d是本发明不同个体的步态光流图列光流纵向分量和向量变化曲线图。
【具体实施方式】
[0131] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。
[0132] 实施例
[0133] 本实施例公开了一种基于光流场的步态识别方法，如图1所示，步骤如下：
[0134] S1、获取个体的步态轮廓图像序列，其中步态轮廓图像序列中相邻两帧图像形成 一个步态光流场；
[0135] S2、获取各个步态光流场光流纵向分量的代数和，根据光流纵向分量的代数和的 周期变化确定步态周期；
[0136] 本步骤中各个光流场光流纵向分量的代数和T (t)为：
[0138] 其中X，y分别表不步态光流场的列号和行号，W，H分别表不步态光流场的列号总 数和行号总数，t表示个体步态轮廓图像序列图像的帧数；f v(x，y，t)表示步态轮廓图像序 列中第t帧与第t+Ι帧图像形成的光流