一种基于相似规则高斯核函数分类器的步态识别方法
【专利摘要】一种基于相似规则高斯核函数分类器的步态识别方法，该方法包括：摄像头实时采集当前背景图像和检测目标步态原始图像序列，并采用欧式距离法等进行图像预处理，获得步态标准图像序列；运用“间隔取帧”技术将单个步态序列分割成三个步态子序列，并进行特征提取，获得步态特征向量；利用步态特征向量数据库中的特征向量进行相似规则构建；根据相似规则构造对应的高斯核函数分类器对检测目标的步态特征向量进行分类，统计并输出识别结果。该方法能够快速进行背景去除，并运用图像正规化处理和“间隔取帧”技术提高在不同情境下的适应性。此外，新型的基于相似规则高斯核函数分类器能有效避免过拟合和维数灾难等问题，提高了整体识别精度。
【专利说明】-种基于相似规则高斯核函数分类器的步态识别方法
【技术领域】
[0001] 本发明属于生物特征识别【技术领域】，特别是步态识别【技术领域】，具体涉及一种基 于相似规则高斯核函数分类器的步态识别方法。
【背景技术】
[0002] 步态识别技术是生物特征识别【技术领域】内一种新兴的身份识别技术，其主要作用 是通过识别人的走路动作来鉴别身份。相对于生物特征识别领域内的其它传统技术（如： 人脸识别、指纹识别、虹膜识别），步态识别具有非接触性、适应性强和难以伪装等优点。由 于上述的优点，步态识别在视频图像识别领域，尤其是在安保监控领域有着广阔的应用前 旦 -5^ 〇
[0003] 近年来，国内外学者相继开展步态识别技术的研究，其技术难点主要集中在背景 建模、步态特征提取、步态识别速度和步态识别精度四个方面。
[0004] 背景建模方面，去除背景是一项重大的难题，从国内外的研究成果来看，背景消除 的方法大多采用"迭代消除"的思想，但是该类方法迭代次数多，算法速度慢，系统性能也随 之降低，无法满足实际应用需要。
[0005] 步态特征提取方面，国内外的研究论文涵盖了用于步态识别的十几种特征，包括 关节角度变化规律、步态能量图、最外轮廓距离信号等，但大多对图像噪声点敏感。
[0006] 步态识别速度方面，普遍的步态识别系统因采用的方法计算量大，算法效率低，运 行环境大都依赖高性能计算机的支持，在大众化的PC机上无法满足实际需要。
[0007] 步态识别精度方面，一般系统采用的传统分类算法都无法有效避免过拟合和维数 灾难等问题，从而影响系统整体的识别精度。
【发明内容】
[0008] 本发明的目的是为克服上述现有技术存在的缺点和不足，提供一种基于相似规则 高斯核函数分类器的步态识别方法。
[0009] 本发明所述的基于相似规则高斯核函数分类器的步态识别方法的具体步骤包 括：
[0010] S1.摄像头实时采集当前背景图像和检测目标的步态原始图像序列，并采用欧式 距离法去除背景，得到去除背景后的步态二值图像序列；
[0011] S2.将去除背景后的步态二值图像序列的每张图像进行形态学处理，再截取人体 轮廓区域图像并正规化成高度为100像素，宽度为128像素的步态标准图像,获得步态标准 图像序列；
[0012] S3.对步态标准图像序列运用"间隔取帧"技术分割成3个步态子序列，对于每个 子序列中的每张图像，计算人体轮廓的质心坐标和最外轮廓点到质心的距离，获得距离信 号；
[0013] S4.给定特征值积累阈值τ，将获得的距离信号进行主成分分析降维；然后，对降 维后的距离信号按每个步态子序列求均值，将该均值距离信号作为该子序列的步态特征向 量；
[0014] S5.利用步态特征向量数据库中的所有步态特征向量进行相似规则构建，导出聚 类数目和各聚类中心；
[0015] S6.对每个聚类簇中的步态特征向量，构造一个高斯核函数分类器进行训练；
[0016] S7.按相似规则找到检测目标的3个步态子序列特征向量对应的高斯核函数分类 器进行分类，再求各个子序列步态特征向量的分类结果的众数作为最终识别结果；
[0017] S8.输出识别结果。
[0018] 步骤S1中所述的采用欧氏距离法去除背景的方法具体如下：
[0019] S11.计算步态原始图像与背景图像的每个彩色像素点的欧氏距离d，
【权利要求】
1. 一种基于相似规则高斯核函数分类器的步态识别方法，其特征在于包括以下步骤：
51. 摄像头实时采集当前背景图像和检测目标的步态原始图像序列，并采用欧式距离 法去除背景，得到去除背景后的步态二值图像序列；
52. 将去除背景后的步态二值图像序列的每张图像进行形态学处理，再截取人体轮廓 区域图像并正规化成高度为1〇〇像素，宽度为128像素的步态标准图像，获得步态标准图像 序列；
53. 对步态标准图像序列运用"间隔取帧"技术分割成3个步态子序列，对于每个子序 列中的每张图像，计算人体轮廓的质心坐标和最外轮廓点到质心的距离，获得距离信号；
54. 给定特征值积累阈值τ，将获得的距离信号进行主成分分析降维；然后，对降维后 的距离信号按每个步态子序列求均值，将该均值距离信号作为该子序列的步态特征向量；
55. 利用步态特征向量数据库中的所有步态特征向量进行相似规则构建，导出聚类数 目和各聚类中心；
56. 对每个聚类簇中的步态特征向量，构造一个高斯核函数分类器进行训练；
57. 按相似规则找到检测目标的3个步态子序列特征向量对应的高斯核函数分类器进 行分类，再求各个子序列步态特征向量的分类结果的众数作为最终识别结果；
58. 输出识别结果。
2. 根据权利要求1所述的步态识别方法，其特征在于：步骤S1中所述的欧式距离 法去除背景的方法是：计算步态原始图像与背景图像的每个彩色像素点的欧氏距离d，
其中Xp xg、xb分别表示步态原始图像序列中 图像的像素矢量红、绿、蓝三种颜色分量，μ ρ μ g、μ 别表示背景图像的像素矢量的红、 绿、蓝三种颜色分量；设定阀值τ，若d < τ则视该像素点为背景点予以去除。
3. 根据权利要求1所述的步态识别方法，其特征在于：步骤S2所述的形态学处理包括 腐蚀处理和膨胀处理；步骤S3所述的"间隔取帧"技术为将步态标准图像序列按编号每间 隔三张取帧，形成三个子序列。
4. 根据权利要求1的步态识别方法，其特征在于步骤S5所述的相似规则构建由以下三 个子步骤构成：求解数据轮廓参数Y，利用相似度聚类算法更新数据点和利用层次聚类算 法划分聚类簇；相似规则构建的详细步骤为：
551. 求解数据轮廓参数γ : 5511. 令当前迭代次数t = 1，并给定相关系数终止阈值ε i ; 5512. 计算和的相关系数，
k = l，...，n，其中η为样本点数目，Yt = ! 5513. 如果相关系数大于或等于指定的ει，选择Yt作为Y，的估算值，否则令t = t+1，重复步骤S512 ;
552. 利用相似度聚类算法更新数据点： 3521.初始化^<))=七》纟=1,,",11，给定终止阈值￡2，设置初始迭代次数11=〇 ; 5522. 计算 Si』=(exp (-1 I Xj-Zi I 12) / β ); 5523.
η = η+l，直至
: S53.利用层次聚类算法划分聚类簇： 5531. 令划分阈值ε 3 = 3 ε 2 ; 5532. 对步骤S52完成后获得的i = 1，. . .，n进行层次聚类，按划分阈值ε 3找 出对应的聚类数目（Τ和各聚类中心。
5. 根据权利要求1所示的步态识别方法，其特征在于步骤S6所述的构造一个高斯核函 数分类器进行训练的步骤如下：
561. 选择高斯核函数k(Xi, Xj) = exp(_| |xi_Xj| |2)/2σ2,其中σ为核宽度，并且令 k(Xi，Xj) = Φ 〇〇ΤΦ (Xj)，其中Φ (X)为将X从低维空间映射到高维空间的映射函数；
562. 选用C-支持向量机模型作为单个二分类器模型，其中令训练样本的类别标签 yi e {-1，1}，i = 1，. . . m，m为训练样本的数目；为求解两类样本的分类超平面wx+b = 0， 求解下列优化问题：
s. t. Yi (￥ΤΦ (Xi)+b) ^ 1- ξ i ξ i 彡 0, i = 1, · · · , m, 其中C为惩罚参数，ξ i为松弛变量； 利用拉格朗日乘子法和KKT条件，将以上的优化问题转化成对偶问题：
s. t. 0 < λ i < C，i = 1，· · ·，m IT=ihyi = ο- 其中λi为拉格朗日乘子；
563. 利用序列最小优化算法（SMO)求得λ p i = 1，· · ·，m，得w = 并且 办=- -觀*)，其中k e {1，· · ·，m}且λ k关〇, mk为满足条件的k的 数目； S64构造决策函数：
S65.根据相似规则的聚类结果，对每个聚类簇的数据构造"一对一"模式的多分类模 型。
6. 根据权利要求1所示的步态识别方法，其特征在于所述的最终识别结果是：计算检 测目标的各步态子序列特征向量与各个聚类中心点的相似度，选择最相似的中心所属的多 分类模型进行分类识别，并求分类结果的众数作为最终识别结果。
【文档编号】G06K9/62GK104299003SQ201410608055
【公开日】2015年1月21日 申请日期:2014年11月2日 优先权日:2014年11月2日
【发明者】黄玮, 廖吉平, 张宏坤 申请人:天津理工大学