专利名称：融合步态光流图和头肩均值形状的远距离身份验证方法
技术领域：
本发明属于模式识别领域，具体涉及ー种融合步态光流图和头肩均值形状的远距离身份识别方法。
背景技术：
随着时代和社会的发展，对个人身份认证与管理的需求不断增长，准确地鉴定ー个人的身份、保护信息安全，已成为一个必须解决的社会问题。生物特征识别技术以其特有的唯一性、普遍性、稳定性和不可复制性，被广泛应用在安全、认证等身份鉴别领域。目前应用比较成熟的生物特征有指纹、虹膜、人脸、DNA、手背脉纹、签名等。然而它们通常要求近距离或者接触性的感知，在远距离的情况下，这些生物特征的识别性能下降。人体步态在远距离情况下仍然可见，在被观察者没有觉察的情况下，从任意角度进行非接触性的感知和度量。同时，步态具有独特性、非侵犯性、难伪装等优点。因此，步态是远距离情况下极具潜力的生物特征，近年来受到了越来越多的关注并得到了快速的发展。步态识别是根据人的走路姿态进行身份识别的ー种技木，g在从相同的行走行为中提取个体之间的变化特征，以实现自动识别。步态分析方法主要包括基于模型和非基于模型两类，后者在相邻帧之间建立起内在关联，并采用统计方法获得表征人体运动模式的动态信息或静态外观信息。步态能量图(Gait Energy Image，GEI)、运动侧影轮廓模板(Motion Silhouette Contour Template, MSCT),步态光流图(Gait Flow Image, GFI)和浄态侧影模板(Static Silhouette Template, SST)等非基于模型的步态表征方法在识别中取得了良好的效果。GEI通过统计一个步态周期内的侧影图像来构造，是最基础的动态信息表征方法。GFI通过在ー个步态周期内采用Horn-Schunck方法计算相邻两巾贞侧影间的稠密光流场而获得，在假定视角不变情况下其识别率比GEI有所提高，但实时性较差。SST表征了人体行走过程中的静态信息，它通过对GEI进行阈值处理而获得，能满足实时性要求，但识别率较低。近年来随着融合技术的日益流行，在步态识别中，运用一定的规则将不同的步态识别方法或不同方法得到的结果融合，与単一算法相比，识别性能有所提高。基于融合技术的方法，需要对多个特征进行提取，提取的特征越简单有效，越适于通过融合技术进行步态识别，提高步态识别性能，同时满足识别的实时性要求。目前大部分步态识别在假定视角不变的情况下进行，视角的改变对识别结果影响很大。为克服视角对识别结果的影响，通常采用的方法是对各个视角的识别结果赋予不同的权重进行融合，或者通过视角转换模型将不同视角下的步态特征转换到ー个共同视角上。然而这些方法实现比较复杂，识别准确性有待进ー步提高。
发明内容
针对上述问题，本发明提供了一种通过融合单个步态周期内步态的动态信息——步态光流图(Lacus Kanade Gait Flow Image,简称LK-GFI)与静态外观信息-头肩均
值形状(Headand Shoulder Procrustes Mean Shape,简称 HS-PMS),并结合行人与相机的视角自动步态识别，实现远距离多视角的身份识别的方法。本发明采用如下的技术方案本发明通过设计步态的动态特征分类器和静态特征分类器，并对二者进行融合，实现步态识别。首先，对原始的步态图像序列进行预处理以获得高质量的步态侧影图像，并提取步态周期，确定视角。然后，分别设计步态的动态特征分类器和静态特征分类器。最后，利用乘积规则对两个步态分类器的匹配结果进行融合。本发明的特征在于采取以下步骤(I)预处理步态特征LK-GFI和HS-PMS是以单个步态周期内的侧影图像为基础的，为获得高质量的步态侧影图像，需要对原始的步态图像序列进行预处理。预处理采用一般的常用技术，包括运动目标分割，形态学处理，侧影图像归一化，以及步态周期提取。(2)确定视角视角即行人行走方向与相机之间的夹角。结合相机成像原理和单个步态周期内人在起始和终止位置时的坐标变化与高度变化，估计行走方向，并确定视角，为设计步态分类器做准备，以克服视角对识别性能的影响。(3)设计动态特征分类器光流(Optical Flow)是空间运动物体被观测表面上像素点运动的瞬时速度，光流按照空间位置排列组成光流场。光流法可充分利用像素的时空信息计算图像中每ー个像素点的速度矢量，形成图像的运动场。行人在行走过程中的运动表现为侧影轮廓随着时间的形状变化。用光流场表示连续两帧侧影之间的这种变化，进而构造步态光流图表征步态的运动特征，极大限度地保留了行人的运动信息，有利于提高系统的识别率。Lacus-Kanade方法是计算稀疏光流的最流行方法，与稠密光流的计算相比，其事先指定具有明显特征的被跟踪角点，节省了计算开销，更适合实际应用。本发明采用Lacus-Kanade光流法计算相邻两巾贞侧影图像间的光流场，并构造ニ值光流图像以描述人体侧影在相邻帧之间的运动。统计单个步态周期内的ニ值光流图像，得到动态特征图像LK-GFI表征步态的动态信息。设计动态特征分类器的步骤为首先，离线建立目标在各视角下的LK-GFI数据库；然后对行人的步态图像序列进行预处理，提取其步态周期和视角，计算步态动态特征图像LK-GFI ;最后结合当前视角在数据库中查找目标的相应LK-GFI，采用欧式距离度量相同视角下目标与行人的LK-GFI之间的相似度。设定阈值，当欧式距离小于阈值时，行人即为目标，完成动态特征分类器的设计。(4)设计静态特征分类器本发明采用Procrustes形状分析法从人 体行走过程的时空变化模式中捕获头肩固有的结构化特征，得到ー个紧致的头肩外观表达间接地描述头肩运动，并用于身份验证中。人体运动过程中，肩部和头部的形状基本稳定且易于区分，而且在复杂环境中不容易被遮挡，常用于人的检测跟踪中。Procrustes形状分析法是方向统计学中的ー种流行方法，它适用于编码ニ维形状，并且提供了一种寻找均值轮廓的有效方法。应用Procrustes形状分析法统计ー个步态周期内的头肩外观特征用于步态识别，可以保留行人运动过程中的静态イ目息，有效提闻系统的识别率。设计静态特征分类器的步骤为首先，离线建立目标在各视角下的HS-PMS数据库；然后，对行人的步态图像序列进行处理并提取步态周期、视角和静态特征HS-PMS ;最后，结合当前视角在数据库中查找目标的相应HS-PMS，采用欧式距离度量相同视角下目标与行人的HS-PMS之间的相似性。设定阈值，当欧式距离小于阈值时，行人即为目标，完成静态特征分类器的设计。应用Procrustes形状分析法获得表征人体静态信息的方法如下①提取头肩图像轮廓,将其坐标(Xi, Yi)用复数表示
权利要求
1.一种融合步态光流图(LK-GFI)和头肩均值形状(HS-PMS)的步态识别方法，其特征在于，该方法包括以下几个步骤 步骤1，对原始步态序列进行预处理，包括运动目标分割，形态学处理，侧影图像归一化，以及步态周期提取； 步骤2，估计行走方向，并确定视角，包括 建立相机坐标系和图像平面坐标系以垂直于相机光轴的方向为X轴(向左为正)，以平行于相机光轴的方向为y轴(向相机方向为正)，以相机正前方5米处为原点,建立相机坐标系；以图像左上角为原点，以水平方向为X轴(向右为正)，以竖直方向为y轴(向下为正)，建立图像平面坐标系； 设定行人沿着光轴靠近相机行走时的视角为0°，方向角度沿着顺时针逐渐增大，当行人平行于相机从场景的右侧走向左侧时，视角为90°，在相机坐标系中将视角按象限分为以下4个类别 类别一行人从场景的右侧走向左侧，且逐渐靠近或平行于相机； 类别二 行人从场景的右侧走向左侧，且逐渐远离相机，或沿着光轴远离相机； 类别三行人从场景的左侧走向右侧，且逐渐远离或平行于相机； 类别四行人从场景的左侧走向右侧，且逐渐靠近相机，或沿着光轴靠近相机； 按下式分别计算4个类别中行人的行走方向
2.根据权利要求1所述的融合步态光流图和头肩均值形状的步态识别方法，其特征在于，步骤3中所述动态特征LK-GFI的构造方法包括以下步骤 步骤(1)，利用Lacus-Kanade光流法计算相邻两巾贞侧影图像间的光流场,得到光流场的水平分量和垂直分量 (Fu (t, i)，Fv (t, i)) = fopf (S (t, i)，S (t+1，i)) 其中foPf(.)表示利用Lacus-Kanade方法计算光流场,Fu(t, i)为光流场的水平分量，Fv(t, i)为光流场的垂直分量，S (t，i)为第i个步态周期内第t帧的侧影图像；步骤(2)，根据光流场的水平分量和垂直分量，计算光流场的幅值图像
3.根据权利要求1所述的融合步态光流图和头肩均值形状的步态识别方法，其特征在于，步骤4中所述静态特征HS-PMS的构造方法包括以下步骤 步骤(I )，根据形态学原理，在人体侧影图像上截取头肩模型，采用分区域定点采样方法，提取头肩轮廓上k个像素点,得到一个复数向量
全文摘要
本发明属于模式识别领域，具体涉及一种融合步态光流图和头肩均值形状的远距离身份识别方法。该方法的步骤包括预处理，估计行走方向并确定视角，建立步态的动态特征分类器，建立步态的静态特征分类器，在匹配层根据乘积规则融合动态特征分类器和静态特征分类器的相似度，得出决策信息。本发明引入视角作为分类器的准则，解决了步态识别受视角影响大的问题；利用Lacus-Kanade光流法计算相邻两帧侧影图像间的光流场，提高了算法的实时处理能力；融合步态的动态信息和静态信息，提高了方法的可分性，改善了识别性能。
文档编号G06K9/62GK103049758SQ201210528129
公开日2013年4月17日 申请日期2012年12月10日 优先权日2012年12月10日
发明者贾松敏, 王丽佳, 王爽, 李秀智 申请人:北京工业大学