基于多轮廓特征融合的步态识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107480604A(43)申请公布日2017.12.15(21)申请号201710625809.7(22)申请日2017.07.27(71)申请人西安科技大学地址710054陕西省西安市雁塔中路58号(72)发明人李占利袁鹏瑞李洪安(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223代理人李振瑞(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书4页(54)发明名称基于多轮廓特征融合的步态识别方法(57)摘要本发明公开了基于多轮廓特征融合的步态识别方法，涉及机器视觉技术领域，使用了目前步态识别中常见的基于非模型的方法提取特征，该方法简单有效，所有的特征在同一组图像序列中获取，使得特征方便提取，而且本发明提取的特征维度较低，因此识别时反应时间较短。本发明的方法在90度的视角下取得98.33％的识别率，同时在其他角度下也有着90％以上的识别率。CN107480604ACN107480604A权利要求书1/2页1.基于多轮廓特征融合的步态识别方法，其特征在于，包括以下步骤：使用摄像机获取目标的视频信号，然后从所述视频信号中逐帧获取步态图像，对获取的步态图像转换为灰度图像；对所述灰度图像采用背景减除法获取对应的运动目标图像；以所述运动目标图像中的目标轮廓为基础，相邻三次运动目标图像的宽度达到最大值时的帧数作为一个步态周期，一个步态周期内的多个运动目标图像组成一个步态图像序列；对所述步态图像序列中的各图像分别进行关键距离特征提取、轮廓宽度特征提取和统计小波特征提取三个处理，分别得到关键距离特征、轮廓宽度特征和统计小波特征，将得到的关键距离特征、轮廓宽度特征和统计小波特征用拼接的方法结合在一起，得到一个一维的特征向量作为最终的特征向量；计算上述特征向量和样本空间中各样本之间的欧氏距离，选取计算得到的多个欧式距离中最小的一个，将特征向量分配到相应的样本类中。2.如权利要求1所述的基于多轮廓特征融合的步态识别方法，其特征在于，所述关键距离特征提取具体包括：首先根据公式(1)计算所述步态图像序列中的各图像中的目标质心(xc，yc)，然后计算目标头顶、双手和双脚五个关键点的位置，最后根据公式(2)提取目标质心到五个关键点的距离di作为步态特征：其中，(xk，yk)为图像轮廓上任一点的坐标，N为轮廓上点的个数；得到每个图像上的五个关键距离后，对这些关键距离分别求取最大值、最小值、平均值、和标准差，将上述的得到的五个关键距离的最大值、最小值、平均值和标准差作为目标的关键距离特征。3.如权利要求1所述的基于多轮廓特征融合的步态识别方法，其特征在于，所述轮廓宽度特征提取具体包括：提取所述步态图像序列中的各图像中轮廓的双手之间的距离、双脚之间的距离、以及高度，然后分别对这三类距离求取最大值、最小值、平均值和标准差，将上述得到的三个距离的最大值、最小值、平均值和标准差作为目标的轮廓宽度特征。4.如权利要求1所述的基于多轮廓特征融合的步态识别方法，其特征在于，所述统计小波特征提取具体包括：对所述步态图像序列中的各图像按照6:4的比例分割为上半部和下半部，然后分别对每一部分图像做三级的Haar小波变换，提取两部分小波变换后的低频部分，再对每个图像低频部分的统计特征分别计算平均值和标准差，这时由一个步态周期内所有图像统计特征的平均值和标准差分别组成平均值向量和标准差向量，最后分别对两个向量进行平均和求标准差的处理，得到的值作为统计小波特征。5.如权利要求1所述的基于多轮廓特征融合的步态识别方法，其特征在于，使用以下公2CN107480604A权利要求书2/2页式计算上述特征向量和样本空间中各样本之间的欧氏距离：其中，Dn为特征向量和样本空间中第n个样本之间的欧氏距离，S为特征维度，pm为特征向量的第m个特征分量，qnm为样本空间中第n个样本的第m个特征分量。6.如权利要求5所述的基于多轮廓特征融合的步态识别方法，其特征在于，在选取计算得到的多个欧式距离中最小的一个欧氏距离后，如果这个欧氏距离小于设定的阈值，则将特征向量分配到样本空间中相应的样本类中，若大于，则视为该特征向量不存在于样本空间中。3CN107480604A说明书1/4页基于多轮廓特征融合的步态识别方法技术领域[0001]本发明涉及机器视觉技术领域，特别是涉及基于多轮廓特征融合的步态识别方法。背景技术[0002]随着科学技术的发展，安全已经成为了一个不可避免的问题，无论是公共安全还是个人信息安全，都需要得到有效的保护。身份识别是安全中非常重要的一环，它能够鉴别身份并判断其是否具有行使某种权利的资格，可以在刑侦领域提供很