_，?.，?.'，?.的平均值，以分別得到各訓練個體 i步態(tài)光流圖行光流橫向分量和向量平均向量.《7、.步態(tài)光流圖行光流縱向分量和向量平 均向量_、.步態(tài)光流圖列光流橫向分量和向量平均向量以及步態(tài)光流圖列光流縱向 分量和向量平均向量^:V; Step4 :獲取到訓練集X的總體平均向量： 步態(tài)光流圖行光流橫向分量和向量總平均向量：步態(tài)光流圖行光流縱向分量和向量總平均向量：步態(tài)光流圖列光流橫向分量和向量總平均向量：步態(tài)光流圖列光流縱向分量和向量總平均向量：St印5、將訓練集的各訓練個體i的步態(tài)光流圖行光流橫向分量和向量平均向量 、步態(tài)光流圖行光流縱向分量和向量平均向量niin'、步態(tài)光流圖列光流橫向分量 和向量平均向量以及步態(tài)光流圖列光流縱向分量和向量平均向量;分別對應 減去訓練集X的步態(tài)光流圖行光流橫向分量和向量總平均向量M?、步態(tài)光流圖行光 流縱向分量和向量總平均向量步態(tài)光流圖列光流橫向分量和向量總平均向量M? 以及步態(tài)光流圖列光流縱向分量和向量總平均向量M'將上述所形成的差值向量即 ，M' -M、-Μλm- -M作為燈向里，i- 1，2, 3, · · ·，I，形成一 個i行的矩陣:?:Step6、計算的特征值λ和對應的特征向量g并將特征向量單位化，得到單位 化后的特征向量Γ :根據(jù):的特征值λ的值按從大到小的順序?qū)ο鄳獑挝换蟮奶卣飨蛄縄:排序， 選取前η維度的特征向量組合成pca的投影子空間PpJu，PpJv，P pJu，Ρρ:，η滿足如下關玄·q表示組成投影空間時選取的維度，Q表示特征向量的總維度； St印7、求出各訓練個體i的四個特征向量分別在投影子空間PpJu，P pJv，PpJu，PpJv rurvcucvmrvcucv 下?,c. ,ci ,c.的投影值^ ，pq:，pq，PCi ;求出各訓練 個體i分別在投影子空間pPju，pPjv，pP:，pP:下 ，"廠，"廣，/"Γ的投影值 mrvcucv % ,Pmi ,Pll： ,p,;求出訓練集x分別在投影子空間PpJu，PpJv，PpJu，PpJv 下對應的 M?，M"，M?，Mev的投影值 P 二 P/v，PM?，PMev; St印8、計算各訓練個體i的類內(nèi)散布矩陣jf , f , ，泣f和訓練集X總的類內(nèi) 散布矩陣S?，S"，S' SOT:St印9、計算訓練集X總的類間散布矩陣5?ν，S:，St印10、求解訓練集X總的類內(nèi)散布矩陣s?，s's'SIP類間散布矩陣 C，?，*C，C廣義特征值Λ-和特征向量z^:按廣義特征值Λlda從大到小的順序?qū)ο鄳奶卣飨蛄縵lda排序，保留Zlda的前1-1個 特征向量組成線性最佳分類子空間Pla/U，Pla/V，Pla/U，Pla廠； St印11、由投影子空間PpJu，PpJv，P:，Pp:和Plad?，Pla/V，plar，plar組合得到步 態(tài)數(shù)據(jù)庫中最終的步態(tài)特征投影子空間：,l 一一-，，，、，，，，Qru ru rv rv eu cu St印12、將St印5獲取到的差值向量-M、，-M、％ -Af、 ?<ν -m￡V分別對應投影到步態(tài)數(shù)據(jù)庫中建立的四個投影子空間廣，P'P'Ρεν，得到：7.根據(jù)權利要求6所述的基于光流場的步態(tài)識別方法，其特征在于，所述步驟S6中識 別過程具體如下： Step13、首先對測試集Y中的各個測試個體對應的步態(tài)輪廓圖像序列進行重心歸一 化處理，將重心歸一化處理后的步態(tài)輪廓圖像序列進行步驟S1至S3的處理，獲取到各測試 個體對應步態(tài)光流圖Fab (X，y);其中測試集Y中測試個體總數(shù)為A，各測試個體a的步態(tài)光 流圖數(shù)為Ba，a= 1，2, 3, . . .，A，步態(tài)光流圖Fab (X，y)表示的是各測試個體a的第b個步態(tài) 光流圖，其中b=l，2,3，...，Ba; Step14、根據(jù)步驟S4提取各測試個體a對應Baf步態(tài)光流圖的以下四個步態(tài)特征向 量：步態(tài)光流圖行光流橫向分量和向量、步態(tài)光流圖行光流縱向分量和向量、步態(tài)光流圖列 光流橫向分量和向量以及步態(tài)光流圖列光流縱向分量和向量，并且分別將上述1個步態(tài)光 流圖行光流橫向分量和向量、Ba個步態(tài)光流圖行光流縱向分量和向量、B，步態(tài)光流圖列 光流橫向分量和向量以及Ba個步態(tài)光流圖列光流縱向分量和向量形成行數(shù)為B3的對應矩ruab表示測試個體a第b個步態(tài)光流圖對應的步態(tài)光流圖行光流橫向分量和向量；rvab表示測試個體a第b個步態(tài)光流圖對應的步態(tài)光流圖行光流縱向分量和向量；cuab表示測試個體a第b個步態(tài)光流圖對應的步態(tài)光流圖列光流橫向分量和向量；cvab表示測試個體a第b個步態(tài)光流圖對應的步態(tài)光流圖列光流縱向分量和向量； pfi Cti i'V Step15、分別求矩陣C,C,C,C'的平均值，以分別得到測試個體a步 a a a a 態(tài)光流圖行光流橫向分量和向量平均向量·s、步態(tài)光流圖行光流縱向分量和向量平均向 量、步態(tài)光流圖列光流橫向分量和向量平均向量以及步態(tài)光流圖列光流縱向分量 a a 和向量平均向量; Step16、將各測試個體a的步態(tài)光流圖行光流橫向分量和向量平均向量 _、步態(tài)光流圖行光流縱向分量和向量平均向量、步態(tài)光流圖列光流橫向 a 分量和向量平均向量、:以及步態(tài)光流圖列光流縱向分量和向量平均向量W , ?. ?? 分別對應減去訓練集X的步態(tài)光流圖行光流橫向分量和向量平均向量Μ?、步態(tài)光 流圖行光流縱向分量和向量平均向量Μ'步態(tài)光流圖列光流橫向分量和向量平均 向量Μ?以及步態(tài)光流圖列光流縱向分量和向量平均向量Μ'上述所形成的差值 向量即m〇- Μ、m.} - Μ、m〇- Μ,、m} - Μ%然后將差值向量 挪& -Μ、. m'a - Μ、m沈-'Μ 、m α - Μ分別對應投影到步態(tài)數(shù)據(jù)庫中建立 的四個投影子空間Ρ'Ρ'Ρ'Ρ'得到：Stepl7、計算測試個體a獲取到的if、jf、if、與對應步態(tài)數(shù)據(jù)庫訓練個體i 獲取到的ΧΛΧΓ、ΧΛX，v的歐氏距離Dal'Dal'Dal'DalOT; SteplS、若測試集Y為第一次測試的測試集時，則根據(jù)歐氏距離Dal'Dal'Dal'Dar按 最近鄰分類算法得到測試個體a和步態(tài)數(shù)據(jù)庫中訓練個體i之間的步態(tài)光流圖行光流橫向 分量和向量識別率R'步態(tài)光流圖行光流縱向分量和向量識別率IT、步態(tài)光流圖列光流橫 向分量和向量識別率R?以及步態(tài)光流圖列光流縱向分量和向量識別率RCT; 若測試集Y為第一次測試之后的測試集時，則進入步驟Stepl9 ; St印19、將步驟Stepl7中獲取到的測試個體a和步態(tài)數(shù)據(jù)庫訓練個體i之間歐氏距離Dal?、Dal'Daleu、Dalev與步驟St印17獲取的步態(tài)光流圖行光流橫向分量和向量識別率R?、步 態(tài)光流圖行光流縱向分量和向量識別率ΙΓ、步態(tài)光流圖列光流橫向分量和向量識別率ΙΓ 以及步態(tài)光流圖列光流縱向分量和向量識別率IT進行特征融合，得到測試個體a與步態(tài)數(shù) 據(jù)庫中訓練個體i之間的總歐氏距離： Dal=RruDalru+RrvDalrv+RcuDalcu+RcvDalcv,i= 1,2, 3, . . . ,I; St印20、根據(jù)步驟Stepl9獲取到的測試個體a與步態(tài)數(shù)據(jù)庫中各訓練個體i之間的總 歐氏距離Dal，將步態(tài)數(shù)據(jù)庫中與測試個體a之間總歐氏距離最小的訓練個體作為測試個體 的識別結果。8. 根據(jù)權利要求7所述的基于光流場的步態(tài)識別方法，其特征在于，所述Stepl8中步 態(tài)光流圖行光流橫向分量和向量識別率R?、步態(tài)光流圖行光流縱向分量和向量識別率R"、 步態(tài)光流圖列光流橫向分量和向量識別率R'步態(tài)光流圖列光流縱向分量和向量識別率 IT均為采用最近鄰分類算法后的分類正確個體與總測試個體的比值。9. 根據(jù)權利要求6所述的基于光流場的步態(tài)識別方法，其特征在于，所述步驟St印4中 訓練個體i步態(tài)光流圖行光流橫向分量和向量平均向量'、步態(tài)光流圖行光流縱向分量 和向量平均向量^1%步態(tài)光流圖列光流橫向分量和向量平均向量";=以及步態(tài)光流圖列 光流縱向分量和向量平均向量分別為：10.根據(jù)權利要求7所述的基于光流場的步態(tài)識別方法，其特征在于，所述步驟Stepl5 ru 中測試個體u步態(tài)光流圖行光流橫向分量和向量平均向量〃^、步態(tài)光流圖行光流縱向分 量和向量平均向量》??、步態(tài)光流圖列光流橫向分量和向量平均向量以及步態(tài)光流圖 U U 列光流縱向分量和向量平均向量分別為：
【專利摘要】本發(fā)明公開了一種基于光流場的步態(tài)識別方法，根據(jù)個體的步態(tài)輪廓圖像序列獲取到步態(tài)光流場并檢測出步態(tài)周期，將步態(tài)輪廓圖像序列中多個步態(tài)周期下的各個步態(tài)光流場相疊加，獲取到個體步態(tài)光流圖，提取個體的各步態(tài)光流圖的步態(tài)光流圖行光流橫向分量和向量、步態(tài)光流圖行光流縱向分量和向量、步態(tài)光流圖列光流橫向分量和向量以及步態(tài)光流圖列光流縱向分量和向量四個步態(tài)特征向量。將測試個體的上述四個步態(tài)特征向量與步態(tài)數(shù)據(jù)庫中訓練個體的對應的四個步態(tài)特征向量進行匹配，在步態(tài)數(shù)據(jù)庫中識別出測試個體。本發(fā)明對光流分量分別行列分解得到步態(tài)特征來識別身份，能很好的提取人行走過程中的步態(tài)運動信息，對服飾、攜帶物等具有很強的魯棒性。
【IPC分類】G06K9/00
【公開號】CN105260718
【申請?zhí)枴緾N201510673318
【發(fā)明人】楊天奇, 羅正平, 劉延鈞
【申請人】暨南大學
【公開日】2016年1月20日
【申請日】2015年10月13日