专利名称：基于融合特征的步态信息处理与身份识别方法
技术领域：
本发明涉及人行走时的步态特征信息提取、处理及基于步态特征信息进行身份识别，具 体讲涉及基于融合特征的步态信息处理与身份识别方法。
技术背景生物特征识别是通过各种高科技信息检测手段、利用人体所固有的生理或行为特征来进 行个人身份鉴定。生物特征主要包括生理特征和行为特征两种生理特征是指与生倶来的， 先天性的人体物理特征，如指纹、虹膜、人脸等；行为特征是指从人所执行的运动中提取出 来的特征，多为后天性的，如步态、笔迹等。近几年生物认证技术出现了跳跃式发展，成为 产、学、研、管各方面广泛关注的热点。在2001年的MIT Technology Review杂志中，生物 特征识别技术被列为IO项最有可能改变世界的技术之一。预计未来10年左右，生物认证技 术将深入到我们生活的方方面面，其综合影响力将不亚于互联网。步态识别(Gait Recognition)是生物特征识别技术中的新兴领域之一。它旨在根据人们 的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测，具有广阔的应用前景。 步态是一种复杂的行为特征，是人的生理、心理及对外界反应的一个综合体现。由于个体之 间存在差异，步态也不尽相同，这些差异是整个肌肉和骨架(身体重量、肢体长度、骨骼 结构等)的函数，且完全决定于几百个运动学参数。早期的医学研究表明人的步态中有24 种不同的成分，如果把这些成分都考虑到，则步态是为个体所特有的，这使得利用步态进行 身份识别成为可能。相对于其他生物认证技术，步态识别具有非侵犯性、远距离识别、简化 细节、难以伪装等独特优势。现有的歩态识别算法大致分为基于模型和基于非模型两大类。基于模型的方法，是指通 过对人体结构建立模型或者对人体在歩态序列图像中所表现出的明显的行走特征建立模型， 利用模型衍生出来的参数提取歩态特征。其特点是可以较精确地描述步态特征，大幅度降低 对外部条件变化的敏感性，但是巨大的运算量是重视实时性的实用化所面临的难题。基于非 模型方法，是指直接对人体在行走过程中的形状或动作进行分析而提取出来的特征。其特点 是计算量相对较小，有助于在实用环节中达到实时运算的目的，但对背景和光照信号的变化 敏感， 一旦场景中出现遮挡现象，识别能力将受到较大影响。歩态识别融合了计算机视觉、模式识别与视频/图像序列处理等多项技术。随着生物认证 技术的快速发展，基于步态特征的身份识别技术愈加显示出它的优势，尤其在门禁系统、安 全监控、人机交互、医疗诊断等领域具有广泛的应用前景和经济价值。因而引起了国内外许 多研究者的浓厚兴趣，成为近年来生物医学信息检测领域备受关注的前沿方向。然而，没有任何一种技术是完美的，现实条件下从环境中捕捉图像会受到多种因素(如 气候条件的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或 者物体与物体之间的遮挡、摄像机的运动等)的影响，这给歩态的最终识别带来了许多困难。 如何消除这些因素的影响，更准确地提取运动人体的有效歩态特征，是步态识别领域面临的难题。 发明内容'为克服现有技术的不足，本发明的目的是提供一种基于融合特征的步态信息处理与身份 识别方法，以减少复杂背景等外界因素的干扰，对现实条件具备更好的自适应性，更为准确 地提取能反映运动人体行走特征的有效信息，以提高步态识别正确率。本发明采用的技术方案是，基于融合特征的步态信息处理与身份识别方法，包括下列步 骤输入视频序列，通过目标检测分割出视频图像中人体目标的轮廓信息，然后将边界中心距、Radon变换同时用于歩态特征参数提取，再对得到的特征参数进行相应的后处理，最后 选用支持向量机作为分类器进行分类识别，并对识别效果给予评价。所述的目标检测分割出视频图像中人体目标的轮廓信息，即运动目标检测与关键帧提取，包括下列步骤(1)最小中位方差法背景建模若令/(;力表示采集的N帧序列图像，其中(x， y) g /(、力，t代表帧索引值(t=l， 2,， N)，则背景S(;^)为式中P是像素位置(x， y)处待确定的灰度值，对R、 G、 B三个分量分别建模，经合成 获得RGB格式的彩色背景图像； (2)运动分割-利用间接差分函数来执行差分操作2如1)("1) 2V(256-")(256-ZQ/(a,6) 二 1--x ^-0 + l) + ("l)(256-") + (256-W其中a ， b分别表示当前图像与背景图像在同一像素点(x， y)处的灰度(强度)级，0《f〖￡，。)S "05s，bS 255 。该差分函数的灵敏度可随背景灰度级自动改变，这种自适应性提卨了图像分割的准确度，差分后通过阈值分割即可得到运动目标二值化图像(3) 形态学处理与连通域分析对运动目标二值化图像进行形态学处理和连通域分析相结合的后处理，以去除残余噪声， 获得更优的分割效果；(4) 步态周期的划分与关键帧提取-利用人体的轮廓宽度随时间发生R]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，并提取一个歩态周期中两个极大值点作为关键帧。 所述的歩态特征提取包括下列歩骤首先利用边界跟踪算法进行人体轮廓线的提取，并进行必要的归一化和重采样，从而得 到运动人体轮廓。然后提取基于轮廓的边界中心距特征和Radon变换特征。边界中心距特征5(w) = m {微《-户)2},4,,.』:56)间接的表示，且具有平移 不变性和旋转不变性，其中，d.-A)2+(乂1c)2 "=1' 2，……256)，Radon变换特征是指Radon变换的实质是图像矩阵在指定方向上的投影，投影可沿任意角度进行，通常情况 下，f(;y)的Radon变换是在平行于旋转坐标系中的J,由方向上的线积分，形式如下 A ) = H /(义'cos 6> - 乂 sin 6*, x' sin 6* + / cos 61)^/其中cosP乂-sin《cos<9所述的再对得到的特征参数进行相应的后处理是指数据降维与特征融合策略，即将主成分分析PCA运用于数据降维中。选用支持向量机作为分类器进行分类识别是，采用"一对一"策略，即一个分类器每次 完成二选一，该方法对7V'类训练数据两两组合，构建^=^(^-1)/2个支持向量机。最后分类时采取投票方式决定分类结果假设待识别的步态有m类，记为&，&'"'，1、，每一类中随机选取其中 一个样本，其中i为类别，j为该类中的样本序号，进行训练，其它样本S" ("7. ^ C用于测试，测试时，将测试样本&输入到经过训练得到的分类器中，如果输出为i，则将该 样本判为第i类；如果输出为j，则判定为识别错误。 本发明提供的可以带来如下效果本发明将边界中心距、Radon变换同时用于步态特征参数提取，能够反映出原始轮廓的 大部分能量信息，既有歩态的外观信息，又有动态信息，可有效降低多种干扰，如阴影、光 照、遮挡以及背景混乱等因素的影响，并且通过特征融合有效弥补了单一特征的不足，更为 准确地提取能反映运动人体行走特征的有效信息，提高歩态识别正确率。本发明通过将主成分分析(PCA)的思想运用于数据降维中，能够在保留原始大部分信息 量的基础上有效减少数据维数，因而本发明计算量大为减少，提高了效率、降低了成本。
图l本发朋技术流程图。图2本发明运动目标检测流程图。图3本发明归一化边界中心距曲线图。图4本发明Radon变换坐标示意图。图5本发明Radon变换特征向量图。图6不同特征的累积匹配分值曲线。
具体实施方式
本发明将Radon变换的思想巧妙引入其中。Radon变换广泛用于图像中的线段检测，正好符合腿部在图像轮廓中近似为某一方向上的线段，在行走过程中相对于水平轴会发生较大幅 度的角度变化的特性。这意味着Radon变换得到的特征参数能够反映出原始轮廓的大部分能 量信息，既有步态的外观信息，又有动态信息，可有效降低自遮挡及影子带来的影响。此外， 提取了基于轮廓的边界中心距特征，并将其与Radon变换特征相融合，从而有效弥补了单一 特征的不足。融合特征最终输入至支持向量机(Support Vector Machines, SVM)进行步态 的分类识别。本发明的利用双特征融合技术进行步态识别的方法，所涉及到的关键技术包括视频处 理、图像处理、模式识别等。其技术流程为对于输入的视频序列，通过目标检测分割出视 频图像中运动目标，再运用边界跟踪算法提取出运动人体轮廓，对轮廓进行重采样及归一化 处理；然后将边界中心距、Radon变换等理论同时用于步态特征参数的提取，并实现两种特 征的融合；最后选用支持向量机作为分类器进行分类识别。较之同类技术，该方法对于衣着、 携带品、遮挡物等变化具有较强的鲁棒性，能有效抑制复杂背景等外界因素的干扰，为今后 探索更可靠的步态身份识别方法提供了新思路。下面结合附图和实施例，进一步说明本发明。步态识别主要是针对含有人的运动图像序列进行分析处理，通常包括人体检测、步态 特征提取以及身份识别等。图1所示为本发明的技术流程图总体目标是输入视频序列，通 过目标检测分割出视频图像中人体目标的轮廓信息，然后将边界中心距、Radon变换等理论 同时用于步态特征参数提取，以便寻求对衣着、携带品、遮挡物等的变化具有较强鲁棒性的 步态识别方法，并对特征数据进行相应的后处理，最后选用支持向量机作为分类器进行分类 识别，并对识别效果给予评价。1运动目标检测与关键帧提取要提取步态特征信息，就要涉及到复杂背景中的运动目标提取，这是进行歩态识别的前 期预处理。由于实际应用环境中往往存在着多种干扰，如阴影、光照、遮挡以及背景混乱等 因素，这就对算法的实时性和可靠性提出了较高的要求。本发明采用的运动目标检测的具体 流程如图2所示。(1)最小中位方差法背景建模最小中位方差法(LmedS)是以稳健统计为理论基础提出的种算法。若令7&力表示采集的N帧序列图像，其中",y) e ， t代表帧索引值(t^， 2，…，N)，则背景^，W为= minp{廳夂(/(;) 一尸)2} (1)式中P是像素位置(x， y)处待确定的灰度值，其中med表示取中间值，min表示取最 小值。对R、 G、 B三个分量分别建模，经合成获得RGB格式的彩色背景图像。算法的具体流程为-step[l]选定像素点位置(x ,y); step[2]令P二O;Step[3]依次计算(I'(x,y广P)2， (lVy广P)2，…，(1 ,y广P)2;7step[4]对计算结果排序，若N为偶数，取排序后第N/2和(N+l)/2个数的平均值，若N 为奇数，则取第N/2个数，结果保存到数组med中，即me^;step[5] P=P+1，当？<=255，返回step[3]，重复执行step[3]、 [4]、 [5],结果保存为we^， 否则执行step[6];step[6]找出wWo， me《，...，附^255中的最小值，对应P的大小即为该像素点位置的 背景灰度级；step[7]重新选择像素点位置，返回step[2]重复执行，直到图像中所有像素点均计算完 毕。(2)运动分割 利用间接差分函数来执行差分操作2# + +1) 2)256-")(256-6)/(a,Z)) = l--^-x_!!- (2)(a + l) + ("l)(256 - a) + (256 - 6)其中a ， b分别表示当前图像与背景图像在同一像素点(x， y)处的灰度(强度)级， 0《f(a，b)S 1^^^fa^255 。该差分函数的灵敏度可随背景灰度级自动改变，这种自适 应性提高了图像分割的准确度。差分后通过阈值分割即可得到运动目标二值化图像"力 Otherwise(3) 形态学处理与连通域分析由于天气、光照、影子等其他外界因素的影响，运动分割后的图像中难免会存在噪声， 同时运动目标中会有少量点被误判为背景，因此还需要对图像做进一步处理，以获得最佳的 分割效果。本发明使用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失。作为一 种常用的图像滤噪方法，形态学用于图像滤波的最基本运算是膨胀与腐蚀，由膨胀与腐蚀的 相互组合又派生出另外两种运算开运算与闭运算。开运算可平滑对象的凸轮廓，断开狭窄 的连接，去掉细小的突起部分；闭运算可平滑对象的凹轮廓，将狭长的缺口连接成细长的弯 口。利用这些性质可以实现滤波和填充空洞的目的。形态学滤波处理后，仍可能存在部分杂散噪声形成大小不一的块，而真正的运动目标往 往是这些块中最大的。因此对图像进一歩进行连通域分析，目的在于仅保留图像中的运动目 标。(4) 步态周期的划分与关键帧提取人的行走是一个周期性的行为，定义步态周期为从足跟着地到同侧腿足跟再次着地所 经历的时间，包括两个站立期和两个摆动期。为了提高效率，本发明利用人体的轮廓宽度随 时间发生同歩周期性改变的特性，通过人体轮廓的宽度变化信号来划分歩态周期，并提取一 个步态周期中两个极大值点作为关键帧，从而简化了研究过程。2步态特征提取如何提取有效的歩态特征参数是步态识别的关键。由于歩态身份识别在很大程度上依赖于人体轮廓形状随时间的变化，因而本发明选取的两个步态特征都是基于轮廓的。运动人体 轮廓线提取的实质就是边界跟踪，并对其进行必要的归一化和重采样，得到运动人体轮廓。 2.1边界中心距特征边界中心距的定义是边界点到质心的距离。这样就将原始的二维轮廓形状通过一维距离 信号D ,.d:5S)间接的表示，且具有平移不变性和旋转不变性。其中，",=a/(X—&)2+0/—尺)2 (i=l， 2，……256); (4) 图3所示为归一化后的边界中心距曲线，波峰与波谷反映了轮廓的凸出与凹陷，波峰和波谷的幅度与人体的解剖结构、走路姿态等有一定的关系，波峰和波谷的数目与人的姿态密切相关。正是因为这些性质，我们可以利用它来区分不同的对象。 2.2 Radon变换特征Radon变换具有迭加、线性、伸縮、延迟和旋转不变性，广泛用于图像中的线段检测。 Radon变换的实质是图像矩阵在指定方向上的投影，投影可沿任意角度进行，通常情况下， f(&W的Radon变换是在平行于旋转坐标系中的v'轴方向上的线积分，形式如下/ e(:c')= J^/O'cos^-ysin^Jc'sinP + j/cosi^t/;/ (5)射:y一cosS sin 6 一sin^ cosP(6)腿部在图像轮廓中近似为某一方向上的线段，Radon变换后在其垂直方向上的量值较大； 人在行走的过程中，腿部相对于水平轴会发生较大幅度的角度变化。也就意味着Radon变换 得到的特征参数能够反映出原始轮廓的大部分能量信息，且这些参数随着时间的推移发生显 著变化，即表现为下肢的摆动。因此，通过学习和分析这些参数，可以得到关于个体形态和 歩态的重要信息。图像Radon变换提取的特征既有步态的外观信息，又有动态信息，可有效降低自遮挡及 影子带来的影响。这种算法的另一个显著的优势体现在，每一个Radon变换参数都包含了很 多像素的集体贡献，因此不容易受到原轮廓图像的伪像素干扰所产生的影响。图4描绘了 Radon变换后的角度信息与下肢角度的关系。当积分方向与大腿所在线段垂 直时，积分值最大。由于人行走过程中大小腿与竖直方向的角度在0" 60"的范围内变化，而 侧影图像中其他方向上的像素点多为影子等噪声，所以本发明k对图像在0"~60°、 12(T 180° 的方向上进行Radon变换，分别得到两个区间上各角度峰值，并将二者合并得到特征向量， 如图5所示。这样提取的特征信息不受身体自遮挡的影响，且有效的减少了运算量，相对于 其他模型化的方法简单快速。3数据降维与特征融合策略为了减少运算量，剔除冗余信息，本发明将主成分分析(PCA)的思想运用于数据降维中， 它能够在保留原始大部分信息量的基础上有效减少数据维数。PCA降维过程的具体步骤可归纳如下(1)原始数据标准化9为了消除数据间不同量纲、不同数量.级的影响，需要对原始数据进行标准化处理，使其 具有可比性。本发明标准化的方法为矩阵中的每个元素减去所在列的均值，然后除以所在 列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，艮P:
<formula>formula see original document page 10</formula>
其中，
<formula>formula see original document page 10</formula>
(2)计算相关系数矩阵-
<formula>formula see original document page 10</formula>
R是实对称矩阵(即 =。.,)，其中 .(i,j^,2,......,p)是标准化后的变量I,，Xy的相关系
数。其定义是变量协方差除以变量的标准差(方差)，计算公式为
<formula>formula see original document page 10</formula>
式中X, =—S 义h.， I, =—S, I&.分别表示原矩阵中义,.和^.列各向量的
均值(
(3) 特征分解，求特征值与特征向量
解特征方程^ —/1五| = 0，求出相关系数矩阼R的特征值义,(/ = 1，2,……; )，并将其按从 大到小的顺序排列，即^ 2A22...^;Lp;然后分别得到每个特征值义i对应的特征向量 W = l,2，……p)，。
(4) 通过累计贡献率确定主成分 累计贡献率的计算公式为
<formula>formula see original document page 10</formula>
当累计贡献率达到某一阈值(本发明取85%)时，将此时所有前m个特征值 /11，义2，..2^附^;^以及它们对应的特征向量保留下来，作为主成分，其余的均舍弃。(5)计算得分矩阵
主成分特征值所对应的特征向量^/ = ^/1，^/2,...￡// 构成新的矢量空间，作为新变量(主
成分)的坐标轴，又称为载荷轴。利用下式计算得分矩阵
F(画)二 J("X/ ) * V(jPXOT) (12)
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为PCA降维后所得到的最终结 果。它的每一行相当于原数据矩阵的所有行(即原始变量构成的向量)在主成分坐标轴(载 荷轴)上的投影，这些新的投影构成的向量就是主成分得分向量。
通过上面的步骤可以看出，PCA算法通过几个最大的主成分得分来近似反映原始数据阵 的全部信息。这样做不仅达到降维的目的，而且大大减小了数据间的相关性，使数据得到优 化重组。
单一步态特征往往不够稳定，鲁棒性也不强，不足于为识别提供足够的信息。鉴于此， 本发明尝试了多步态特征融合的思想，将上述提取的两种步态特征——边界中心特征和Radon 变换特征在特征层进行融合，针对同一步态序列，将利用不同算法分别提取的边界中心距特 征与Radon变换参数特征进行融合，属于特征层的融合。融合的过程实质上就是将上述提取 的两种特征拼接起来，合并成为一个特征向量，从而获得比任何单一特征更准确、更完备和 更有意义的信息，然后将此融合特征送入分类器进行分类识别，以获得识别效果的改善。
4基于支持向量机的步态识别
传统的统计模式识别是在样本数目足够多的前提下进行的，只有在样本数趋向无穷大时 其性能才有理论上的保证。而在步态识别的应用中，样本数目是有限的，这时很多方法都难 以取得理想效果。支持向量机(Support Vector Machines, SVM)通过结构风险最小化原则 建模，将期望风险降至最低，使其模型识别力显著提高。该识别方法在解决小样本、非线性 及高维模式识别问题中表现出许多特有的优势。支持向量机的主要思想是寻找一个满足分 类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面的间隔最大 化。从理论上说，支持向量机能够实现对线性可分数据的最优分类。
步态识别是一个多类别的分类问题，支持向量机方法是针对二类别的分类而提出的，不 能直接应用于多类别分类问题。对于多类模式识别问题，支持向量机方法可通过两类问题的 组合来实现。本发明采用"一对一"策略，即一个分类器每次完成二选一，该方法对W类训 练数据两两组合，构建C〖=^(^-1)/2个支持向量机。最后分类时采取"投票"方式决定分
类结果。假设待识别的步态有m类，记为S"&，…，S"，，每一类中随机选取其中一个样本&v(其
中i为类别，j为该类中的样本序号)进行训练，其它样本S"G、C用于测试。测试时，将
测试样本S"输入到经过训练得到的分类器中，如果输出为i，则将该样本判为第i类；如果 输出为j，则判定为识别错误。 有益效果
本发明的实验数据来源于CASIA歩态数据库中的Dataset B，从中抽取20个人，仅考虑 90°的视角，分两种状态自然行走和背包行走。每个人作为一类，每类均含有多个样本，其中包括6个正常行走的步态周期和4个背包的步态周期。
为了更全面有效的评价识别结果，将正确识别率(Probability of Correct Recognition, PCR)与累积匹配分值(Cumulative Match Scores, CMS)两种评价方法相配合，共同作为评 价指标。
正确识别率的定义为
R^ = 77iVxl00% (7)
式中r为识别正确的样本数，yV为总测试样本数。测试时将7;输入到经过训练得到的分
类器中，如果输出为厶则认定本次识别正确；如果输出为j (i-j)，则判定本次识别错误。
正确识别率统计结果见表l。
累积匹配分值定义为一个测试度量的实际类别在它的最前k个匹配值之间的累积概率
P(k)。通过累积匹配分值评价，不仅能获得最高匹配度的识别率，而且能得到匹配度排在前 n位的数据识别率，从而对识别系统有了一个更为全面的评价。如图6所示为正常行走状态 下不同步态特征的累积匹配分值曲线，它从另一个角度也反映了算法的收敛速度。
表l 20位受试者识别结果统计
状态步态特征正确识别率
正常 行走边界中心距86. 7%
Radon变换82. 5%
融合特征87. 5%
混合 行走边界中心距74. 5%
Radon变换71.00/o
融合特征78. 0%
实验表明，边界中心距特征和Radon变换特征均是较为有效的步态特征，含有丰富的轮 廓信息，能较全面的反映人的歩态信息，表现出良好的识别效果；
将二者融合后的融合特征用于识别，可明显改善识别性能，为多特征融合歩态识别的探 索拓展了新的思路。
本发明提出一种新的步态识别方法，将基于轮廓的边界中心距特征和Radon变换特征进 行有效融合，以减少复杂背景等外界因素的干扰，对现实条件具备更好的自适应性，更为准 确地提取能反映运动人体行走特征的有效信息，以提高步态识别正确率。
该项发明可为监控系统的有效使用及监控效果的可靠评价提供帮助，并获得可观的社会 效益和公共安全服务的提升。且可集成应用于安防门禁系统中，从而使被监控区域的物理通 道控制管理达到更高的安全级别，创造更为安全和谐的社会生活环境。最佳实施方案拟采用 专利转让、技术合作或产品开发。
1权利要求
1.一种基于融合特征的步态信息处理与身份识别方法，其特征是，包括下列步骤输入视频序列，通过目标检测分割出视频图像中人体目标的轮廓信息，然后将边界中心距、Radon变换同时用于步态特征参数提取，再对得到的特征参数进行相应的后处理，最后选用支持向量机作为分类器进行分类识别，并对识别效果给予评价。
2. 根据权利要求l所述的一种基于融合特征的步态信息处理与身份识别方法，其特征是，所 述的目标检测分割出视频图像中人体目标的轮廓信息，即运动目标检测与关键帧提取，包 括下列步骤(1)最小中位方差法背景建模若令/(^W表示采集的N帧序列图像，其中(x， y) e Z&y) ， t代表帧索引值 t-l，2，…,N，则背景5(^)为式中P是像素位置(x， y)处待确定的灰度值，med表示取中间值，min表示取最小值， 对R、 G、 B三个分量分别建模，经合成获得RGB格式的彩色背景图像； (2)运动分割利用间接差分函数来执行差分操作-其中a ， b分别表示当前图像与背景图像在同一像素点(x， y)处的灰度即强度级， Osa'"b)S: i'GSab《255 ，该差分函数的灵敏度可随背景灰度级自动改变，差分 后通过阈值分割即可得到运动目标二值化图像(3) 形态学处理与连通域分析对运动目标二值化图像进行形态学处理和连通域分析相结合的后处理，以去除残余噪声，获得更优的分割效果；(4) 步态周期的划分与关键帧提取 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，并提取一个步态周期中两个极大值点作为关键帧。
3.根据权利要求1所述的一种基于融合特征的步态信息处理与身份识别方法，其特征是，所 述的步态特征提取包括下列歩骤同时采用边界中心距特征、Radon变换特征对运动人体 轮廓线进行提取即边界跟踪，并进行必要的归一化和重采样，得到运动人体轮廓，边界中 心距特征是指将原始的二维轮廓形状通过一维距离信号D = (^.^:,,^2;5)间接的表示，且具有 平移不变性和旋转不变性，其中，+1)0 +1) 2^/(256 - ")(256 - ZQ O +1) + (" 1) x (256 - ") + (256 - 6)W+C^lc)2 (i = 1， 2，……256)，Radon变换特征是指Radcm变换的实质是图像矩阵在指定方向上的投影，投影可沿任意角度进行，通常 况下，f(&力的Radon变换是在平行于旋转坐标系中的y'轴方向上的线积分，形式如下-及e (x ) = H cos ^ —少'sin A x' sin ^ + cos其中:<formula>formula see original document page 3</formula>
4. 根据权利要求1所述的一种基于融合特征的步态信息处理与身份识别方法，其特征是，所 述的再对得到的特征参数进行相应的后处理是指数据降维与特征融合策略，即将主成分分 析PCA运用于数据降维中。
5. 根据权利要求1所述的一种基于融合特征的步态信息处理与身份识别方法，其特征是，选 用支持向量机作为分类器进行分类识别是，采用"一对一"策略，即一个分类器每次完成 二选一，该方法对/V类训练数据两两组合，构建C5 =A^V-1)/2个支持向量机，最后分类时采取投票方式决定分类结果假设待识别的步态有m类，记为&^"…，&，每一类中随机选取其中一个样未S"，其中i为类别，j为该类中的样木序号，进行训练，其它 样本S"(/^0用于测试，测试时，将测试样本&'输入到经过训练得到的分类器中，如果 输出为i，则将该样本判为第i类；如果输出为j，则判定为识别错误。
全文摘要
本发明涉及人行走时的步态特征信息提取、处理及身份识别。为能减少复杂背景等外界因素的干扰，实现对现实条件具备更好的自适应性，更为准确地提取能反映运动人体行走特征的有效信息，从而提高步态识别正确率，本发明采用的技术方案是，基于融合特征的步态信息处理与身份识别方法，包括下列步骤基于融合特征的步态信息处理与身份识别方法，包括下列步骤输入视频序列，通过目标检测分割出视频图像中人体目标的轮廓信息，然后将边界中心距、Radon变换同时用于步态特征参数提取，再对得到的特征参数进行相应的后处理，最后选用支持向量机作为分类器进行分类识别，并对识别效果给予评价。本发明主要应用于基于步态特征信息进行身份识别。
文档编号G06K9/00GK101630364SQ20091007017
公开日2010年1月20日 申请日期2009年8月20日 优先权日2009年8月20日
发明者万柏坤, 东 明, 白艳茹 申请人:天津大学