基于步态识别的煤矿井下人员身份识别方法与流程

本发明涉及一种基于步态识别的煤矿井下人员身份识别方法，该方法涉及图像识别和通信等领域。

背景技术：

煤炭是我国最重要的基础能源，也是我国战略性发展能源之一，我国以煤为主的能源结构将长期不变。随着经济地不断发展，煤炭需求总量不断提升，与之而来的煤矿安全生产事故也逐渐增多，因此煤矿安全问题亟待解决。作为煤矿井下安全避险“六大系统”之一，煤矿井下人员位置监测系统用来监测井下人员位置，具有管理、查询携卡人员出入井时刻、重点区域出入时刻、限制区域出入时刻等功能。其中，矿井下人员身份识别是该系统作业的关键环节，目前使用较广的生物识别技术有指纹识别、人脸识别、虹膜识别和掌形识别等，在矿井下，人员身份识别技术常采用指纹识别、人脸识别。虽然这些生物识别技术研究较为成熟，在正常环境下有着较高的识别率。但是矿井下环境恶劣，光照度低、空间有限、空气潮湿、巷道中浮游杂志如煤尘含量较高等，均使得指纹和人脸模糊不清，大大降低了指纹识别和人脸识别对矿井下人员身份的识别率。

步态识别，旨在根据人的体型特征和走路姿态进行身份识别。作为一种新兴的生物特征识别技术，因其在远距离、低视频质量情况下的识别潜力，迅速引起了国内外研究者的广泛关注。步态识别与人脸、指纹等其它生物特征识别技术相比，具有远距离、非受控，难以伪装、受环境影响小等优势，在矿井下的恶劣环境中仍可识别感知。

目前已有多种步态特征提取方法，包括hough变换、pca、小波变换、时频域分析、trace变换、线性插值和张量判别分析等，但这些方法都是线性方法，来处理线性结构数据较为有效，却得不到步态图像非线性的本质结构。除此之外，经典lpp算法虽在子空间中投影，但仍利用数据在初始空间的距离特征来进行近邻选择和相似度的确定。因原始数据会包含各种冗余特征(噪声等)，故不能真实反映数据间的相似度。由于步态图像序列的特点是高维、复杂多变且为非线性数据，因此上述各方法对步态识别的识别率不高且应用较为有限。

技术实现要素：

本发明提出一种基于步态识别的煤矿井下人员身份识别方法，该方法采用自适应的方式选取最近邻点，根据同类、异类样本间的不同约束构建目标函数，通过最小化目标函数得出最佳投影矩阵，从而通过对高维步态数据样本点的投影降维来完成煤矿井下作业人员的分类识别监测。该监测方法受照度影响小，能较好地判定各高维数据点所在子空间的局部信息和类别信息，从而使该方法具有较高的识别正确率和识别稳定性，能为煤矿井下人员位置自动化监测、人员身份自动化识别等提供可靠信息。解决目前的步态识别方法对步态识别的识别率不高且应用较为有限的问题。

本发明提供一种基于步态识别的煤矿井下人员身份识别方法，包括以下步骤：

a.采集煤矿井下多个作业人员的步态视频序列，组成步态图像数据库；

b.将步态图像数据库中的步态视频序列进行预处理，得到高维空间的步态视频图像向量，然后从每个作业人员的步态视频序列中选取一半作为训练集，另一半作为测试集；

c.将训练集中的步态视频图像向量进行维数约简，求解最佳投影矩阵；

d.用最佳投影矩阵，将测试集的步态视频图像数据投影到低维步态图像数据特征分类空间，实现步态特征数据的提取；

e.将待识别步态图像序列输入k-nn分类器，利用k-nn分类器在测试集上根据提取的步态特征进行分类识别，并根据分类识别结果，鉴别煤矿井下人员身份。

进一步地，步骤a中，通过摄像机采集作业人员的步态视频图像序列，作业人员分别相对于摄像机以正面，倾斜和侧面3个视角行走，每人每个视角采集4个彩色图像序列。

进一步地，步骤b中，步态视频序列进行预处理的方法为：首先，从步骤a采集的原始步态视频图像中，提取单帧图像进行灰度变换，再进行中值滤波，对中值滤波后的步态视频序列逐帧计算各像素点的中值，用作步态视频序列的背景图像，再用背景减除法提取人体目标，将人体目标的步态轮廓使用尺度归一化的矩形框框选，并截取出来，按1:1的缩放比例将步态轮廓归一化为128×64像素大小，利用检测到的步态周期将一周期的步态图像合成一个二值图像，再将每个图像矩阵转换为向量表示，得到高维步态视频图像向量。

进一步地，步骤b中，所述矩形框的高宽比设定为128:64。

进一步地，步骤c中，最佳投影矩阵的求解具体如下：

(1)对训练集中的高维空间的步态视频图像向量进行维数约简；

(2)根据k-最近邻准则,构建加权邻域图，并运用自适应最近邻的度量方式，设置邻域权值矩阵；

(3)根据所述的邻域权值矩阵定义目标函数，所述目标函数用以保证同类或不同类最近邻样本点投影后类别不变，且同类点投影后距离变小，不同类点投影后距离拉大；

(4)对目标函数进行优化，并求解优化后的目标函数，得到最佳投影矩阵。

进一步地，设n个高维空间的步态视频图像向量的样本点集x＝{x1,x2,,xn}，维数为d；对应的低维空间的步态视频图像向量的样本点集y＝{y1,y2,,yn}，维数为d；

自适应最近邻的度量方式为：d(xi,xj)＝(xi-xj)^tσ^*(xi-xj)

其中：σ＝w^-1bw^-1＝w^-1/2(w^-1/2bw^-1/2)w^-1/2＝w^-1/2b^*w^-1/2

σ^*＝w^-1/2(w^-1/2bw^-1/2+δe)w^-1/2＝w^-1/2(b^*+δe)w^-1/2

σ是协方差矩阵，δ为软化参数，σ^*是限定的协方差矩阵，w是求和后的类内协方差矩阵，b是类间协方差矩阵，而w和b中的元素值由每个点周围的k个最近邻点计算得来，各点均有其对应的w矩阵中的元素值和b矩阵中的元素值。

进一步地，步骤(2)中，所述邻域权值矩阵h＝{hij}，

式中，n(xi)、n(xj)分别为样本点xi、xj的k个最近邻域点集，ci和cj为样本点xi和xj的c类标签，γ为控制参数。

进一步地，目标函数为：

进一步地，将目标函数优化为：

d为对角矩阵，d＝{djj}，d-h所得矩阵为laplacian矩阵，即l'＝d-h，a为最佳投影矩阵。

进一步地，通过分解特征值求出最佳投影矩阵a，假设k为样本点约减的维数，则求出的k个最小非零特征值λ1，λ2，…，λk分别对应于特征向量a1，a2，…，ak,即得出满足优化后的目标函数的最佳投影矩阵a＝{a1,a2,,ak}。

本发明的有益效果：本发明的方法受照度影响小，能较好地判定各高维数据点所在子空间的局部信息和类别信息，识别率高，稳定性好，能为煤矿井下人员位置自动化监测、人员身份自动化识别等提供可靠信息。

附图说明

图1是本发明的人员身份识别流程示意图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步地说明。

为有效识别煤矿井下作业人员身份信息，本发明提供了一种基于步态识别的煤矿井下人员身份识别方法，本发明的方法可第一时间较准确地对煤矿井下作业人员的身份进行识别和监测，提高煤矿井下步态识别正确率和识别稳定性，为煤矿井下工人安全作业提供一份保障。

本发明的人员身份识别方法如图1所示：

1.(101)通过摄像机从煤矿井下巷道中采集多个井下作业人员的步态视频序列，组成步态数据库。

对每个井下作业人员，获取其在不同视角下的步态视频序列，检测每个视角下的步态视频序列的步态周期。

本实施例中，采集20个人的步态视频序列，每个人分别相对于摄像机以正面，倾斜和侧面3个视角行走(与图像平面分别成0°,45°,90°)，每人每个视角采集4个序列，共采集240个序列。以25帧每秒的速率拍摄尺寸为352×240，平均长度约为100帧的彩色图像序列。

2.(102)将摄像机采集的煤矿井下步态视频序列进行预处理，并分成训练集和测试集。其中，预处理过程如下：

从步骤(101)采集的原始步态视频图像中，提取单帧彩色图像进行灰度变换，再进行中值滤波。对中值滤波处理后的步态视频序列逐帧计算各像素点的中值，用作其背景图像，再用背景减除法提取人体目标。将人体目标的步态轮廓使用尺度归一化的矩形框框选，并截取出来，按1:1的缩放比例将步态轮廓归一化为128×64像素大小，矩形框高宽比优选为：128:64。利用检测到的步态周期将一周期的步态图像合成一个二值图像，再利用matlab将每个图像矩阵转换为向量表示，其中，第i个步态图像可表示为向量xi＝{x1,x2,,xd},i＝1,2,，d表示该向量的维数。

步态视频序列经过预处理后，从步态数据库中每人的步态图像中选取一半步态视频序列作为训练集，剩余一半作为测试集。

3.(103)对训练集中步态图像转换的向量进行维数约简，具体如下：

假设维数约简前n个高维数据样本点集x＝{x1,x2,,xn}，维数为d,维数约简投影后对应的低维数据样本点集y＝{y1,y2,,yn},维数为d。

定义一种新的自适应最近邻的度量方式：d(xi,xj)＝(xi-xj)^tσ^*(xi-xj)，其中：

σ＝w^-1bw^-1＝w^-1/2(w^-1/2bw^-1/2)w^-1/2＝w^-1/2b^*w^-1/2

σ^*＝w^-1/2(w^-1/2bw^-1/2+δe)w^-1/2＝w^-1/2(b^*+δe)w^-1/2

σ是协方差矩阵，为避免在度量中σ的无限取值，引入软化参数δ定义为σ^*，σ^*是限定的协方差矩阵，取δ＝1，w是求和后的类内协方差矩阵，b是类间协方差矩阵，而w矩阵和b矩阵中的元素值自适应地由每个点周围的k个最近邻点计算决定，各点均有其各自对应的w矩阵中的元素值和b矩阵中的元素值。

4.(104)根据k－最近邻准则,构建加权邻域图g，其中g为无向图。设n(xi)、n(xj)分别为样本点xi、xj的k个最近邻域点集，邻域权值矩阵h＝{hij}。

式中，ci和cj为样本点xi和xj的c类标签；γ为控制参数。

5.(105)定义目标函数为：此目标函数的目的是保证同类或不同类最近邻样本点投影后类别不变，且同类点投影后距离变小，不同类点投影后距离拉大。

6.(106)增加一个约束条件a^txdx^ta＝e，将目标函优化为：

式中：d为对角矩阵，d＝{djj}，因此，d-h所得矩阵为laplacian矩阵，即l'＝d-h。

7.(107)目标函数最小化问题转化为求解矩阵特征值与特征向量问题，最佳投影矩阵a可通过分解特征值求出。

假设k为样本点约减的维数，则求出的k个最小非零特征值λ1，λ2，…，λk分别对应于特征向量a1，a2，…，ak,即得出满足此式的最佳投影矩阵a＝{a1,a2,,ak}。

为了进行参数选择，选择出最佳的软化参数δ和近邻个数k，将训练样本进行5-fold交叉验证，基于网格搜索法(gridsearch)，δ的搜索范围为{0,0.01,0.1,0.2,0.5,1,2,5}，k的搜索范围为[1,50]，步长为1，搜索到步态识别正确率最高的参数组合作为模型的最优参数。

8.(108)根据最佳投影矩阵a，将测试集数据投影到低维数据特征分类空间，利用k-nn分类器在步态图像库的测试集上根据提取的步态特征，进行分类识别。

9.(109)根据分类识别结果，进行煤矿井下人员身份鉴别。

本发明的方法受照度影响小，能较好地判定各高维数据点所在子空间的局部信息和类别信息，识别率高，稳定性好，能为煤矿井下人员位置自动化监测、人员身份自动化识别等提供可靠信息。