场在（X，y)处的纵向分量。如图2所示为各个光流 场光流纵向分量的代数和T(t)的周期变化图，从图2中曲线可以看出明显的周期变化，两 个相邻波峰或波谷之间的图像序列代表一个步态周期的步态轮廓图像序列。可见人在行走 过程中步态会呈现周期性变化，这种周期性变化也表现为步态光流场中光流纵向分量的周 期性变化。
[0139] S3、选定步态轮廓图像序列中的多个步态周期，然后将步态轮廓图像序列中多个 步态周期下的各个光流场相叠加，得到每个个体的步态光流图；通过本步骤得到的每个个 体的步态光流图F (X，y)为：
[0141] 其中X，y分别表示步态光流图F(x, y)的列号和行号；fT(x, y, t)表示步态轮廓图 像序列中选定的第T个步态周期内第t帧与第t+Ι帧图像形成的光流场，1表示步态轮廓图 像序列中选定的每个步态周期内图像的总帧数，L为步态轮廓图像序列中选定的步态周期 T的总数。如图3a至3e所示为每个个体步态轮廓图像序列重心归一化后通过本步骤获取 到的步态光流图。其中3a至3e分别表示步态光流场分解距离精度从小到大变化过程中所 形成的逐步细化后的步态光流图。图中每一个坐标点的光流矢量是所有相邻两帧图像形成 的光流横向分量和纵向分量矢量和的矢量和，从图中光流矢量的密度分布可以得出，图3a 相当于把个体所有的运动方向和大小信息映射到一个点上，随着步态光流场分解距离精度 越来越高，光流矢量形成的轮廓越来越能反映行走过程中的运动特点，步态光流图很好的 表达了运动过程中尤其是四肢的运动信息，而上半身躯干等相对静止部分的信息得到了抑 制。步态光流场分解距离精度即为步态光流场的列号总数和行号总数的数量，列号总数和 行号总数越多，则分解距离精度就越高。
[0142] S4、针对每个个体的步态光流图提取以下步态特征向量：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；其中本步骤中每个个体的步态光流图提取的步态特征 向量如下，其中
[0143] 步态光流图行光流横向分量和向量为ru，其中ru (h)为：
[0145] 步态光流图行光流纵向分量和向量为：rv，其中rv(h)为：
[0147] 步态光流图列光流横向分量和向量为cu，其中CU(W)为：
[0149] 步态光流图列光流纵向分量和向量为cv，其中cv(w)为：
[0151] 其中h表示每个个体的步态光流图的行号，h = 1，2, ···，H，H表示行号总数;w表 示每个个体的步态光流图的列号，w = 1，2,…，W，W表示列号总数；其中u表示步态光流图 光流横向分量，V表示步态光流图光流纵向分量；I (u, h, w)表示步态光流图在行号、列号分 别为h、w处的光流横向分量，I (V, h, w)表示步态光流图在行、列号分别为h、w处的光流纵 向分量。
[0152] 步骤中根据对称性的原理，均只取其取值为正的分量，本步骤中获取到的上述四 个步态特征向量如图4a至4d所示。
[0153] S5、建立步态数据库：根据步骤Sl至S4获取到训练集多个训练个体的步态光流图 的步态特征向量，并且存储于步态数据库中；本步骤中，建立步态数据库时具体操作步骤如 下：
[0154] Step 1、首先对训练集X中的各个训练个体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，获取到各训练个 体的步态光流图F l j (X，y);其中训练集X中训练个体总数为I，其中各训练个体i的步态光 流图的数目为J1, i = 1，2, 3, ...，I，步态光流图Flj (X，y)表示的是各训练个体i的第j个 步态光流图，其中j = 1，2, 3，...，J1;训练集X总共获取到步态光流图的总数N为：
[0156] Step 2、根据步骤S4提取各训练个体i对应J1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J 1个步 态光流图行光流横向分量和向量、J1个步态光流图行光流纵向分量和向量、J1个步态光流 图列光流横向分量和向量以及Ji个步态光流图列光流纵向分量和向量形成行数为J i的矩
[0158] rUlj分别表示各训练个体i第j个步态光流图对应的步态光流图行光流横向分量 和向量；
[0160] rVlj分别表示各训练个体i第j个步态光流图对应的步态光流图行光流纵向分量 和向量；
[0162] CUlj分别表示各训练个体i第j个步态光流图对应的步态光流图列光流横向分量 和向量；
[0164] CVlj分别表示各训练个体i第j个步态光流图对应的步态光流图列光流纵向分量 和向量；
[0165] Step 3、分别求取矩阵
的平均值，以分别得到各训练 个体i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^V、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，其中：
[0170] Step 4 :获取到训练集X的总体平均向量：
[0171] 步态光流图行光流横向分量和向量总平均向量：
[0173] 步态光流图行光流纵向分量和向量总平均向量：
[0175] 步态光流图列光流横向分量和向量总平均向量：
[0177] 步态光流图列光流纵向分量和向量总平均向量：
[0179] Step 5、将训练集的各训练个体i的步态光流图行光流横向分量和向量平均 向量《if、步态光流图行光流纵向分量和向量平均向量if、步态光流图列光流横向 分量和向量平均向量1^以及步态光流图列光流纵向分量和向量平均向量分别对 应减去训练集X的步态光流图行光流横向分量和向量总平均向量M'步态光流图行光 流纵向分量和向量总平均向量M'步态光流图列光流横向分量和向量总平均向量M? 以及步态光流图列光流纵向分量和向量总平均向量M'将上述所形成的差值向量即
作为行向量，i = 1，2, 3,. . .，I，形成一 个I行的矩阵:?:
[0181] Step 6、计算;f T叉的特征值λ和对应的特征向量0并将特征向量单位化，得到 单位化后的特征向量右
[0183] 根据的特征值λ的值按从大到小的顺序对相应单位化后的特征向量-排 序，选取前^1维度的特征向量组合成？〇4的投影子空间匕。，，^\匕。：，^\11满足如 下关系：
[0185] q表示组成投影空间时选取的维度，Q表示特征向量的总维度；
[0186] St印7、求出各训练个体i的四个特征向量分别在投影子空间PpJu，PpJ v，Ppca'
求出各训 练个体i分别在投影子空间PpJu，PpJv，P pJu，PpJ1T
的投影值
求出训练集X分别在投影子空间PpJ u，PpJv，PpJu，P p: 下对应的 M?，M"，M' Mev的投影值 P 二 P/v，PM?，PMev;
[0187] 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，
[0196] Step 9、计算训练集X总的类间散布矩阵
[0201] Step 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
广义特征值Λ lda和特征向量Z lda:
[0206] 按广义特征值Λ lda从大到小的顺序对相应的特征向量Z lda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；
[0207] 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：
[0212] St印12、将St印5获取到的差值向量
- Mev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：
[0217] S6、通过步骤Sl至S4获取到测试集测试个体的步态光流图的步态特征向量，并且 与步态数据库存储的训练集各训练个体的步态光流图的步态特征向量相匹配，根据匹配效 果识别出测试个体，在本实施例中通过PCA算法和LDA算法相结合的方式对测试集测试个 体步态光流图的步态特征向量与步态数据库存储的训练集各训练个体的步态光流图的步 态特征向量进行匹配。在本步骤中识别过程如下：
[0218] 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，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a =1，2, 3, · · ·，A，b = 1，2, 3, · · ·，Ba;
[0219] Step 14、根据步