專利名稱：融合步態(tài)光流圖和頭肩均值形狀的遠(yuǎn)距離身份驗(yàn)證方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識別領(lǐng)域，具體涉及ー種融合步態(tài)光流圖和頭肩均值形狀的遠(yuǎn)距離身份識別方法。
背景技術(shù)：
隨著時代和社會的發(fā)展，對個人身份認(rèn)證與管理的需求不斷增長，準(zhǔn)確地鑒定ー個人的身份、保護(hù)信息安全，已成為一個必須解決的社會問題。生物特征識別技術(shù)以其特有的唯一性、普遍性、穩(wěn)定性和不可復(fù)制性，被廣泛應(yīng)用在安全、認(rèn)證等身份鑒別領(lǐng)域。目前應(yīng)用比較成熟的生物特征有指紋、虹膜、人臉、DNA、手背脈紋、簽名等。然而它們通常要求近距離或者接觸性的感知，在遠(yuǎn)距離的情況下，這些生物特征的識別性能下降。人體步態(tài)在遠(yuǎn)距離情況下仍然可見，在被觀察者沒有覺察的情況下，從任意角度進(jìn)行非接觸性的感知和度量。同時，步態(tài)具有獨(dú)特性、非侵犯性、難偽裝等優(yōu)點(diǎn)。因此，步態(tài)是遠(yuǎn)距離情況下極具潛力的生物特征，近年來受到了越來越多的關(guān)注并得到了快速的發(fā)展。步態(tài)識別是根據(jù)人的走路姿態(tài)進(jìn)行身份識別的ー種技木，g在從相同的行走行為中提取個體之間的變化特征，以實(shí)現(xiàn)自動識別。步態(tài)分析方法主要包括基于模型和非基于模型兩類，后者在相鄰幀之間建立起內(nèi)在關(guān)聯(lián)，并采用統(tǒng)計方法獲得表征人體運(yùn)動模式的動態(tài)信息或靜態(tài)外觀信息。步態(tài)能量圖(Gait Energy Image，GEI)、運(yùn)動側(cè)影輪廓模板(Motion Silhouette Contour Template, MSCT),步態(tài)光流圖(Gait Flow Image, GFI)和浄態(tài)側(cè)影模板(Static Silhouette Template, SST)等非基于模型的步態(tài)表征方法在識別中取得了良好的效果。GEI通過統(tǒng)計一個步態(tài)周期內(nèi)的側(cè)影圖像來構(gòu)造，是最基礎(chǔ)的動態(tài)信息表征方法。GFI通過在ー個步態(tài)周期內(nèi)采用Horn-Schunck方法計算相鄰兩巾貞側(cè)影間的稠密光流場而獲得，在假定視角不變情況下其識別率比GEI有所提高，但實(shí)時性較差。SST表征了人體行走過程中的靜態(tài)信息，它通過對GEI進(jìn)行閾值處理而獲得，能滿足實(shí)時性要求，但識別率較低。近年來隨著融合技術(shù)的日益流行，在步態(tài)識別中，運(yùn)用一定的規(guī)則將不同的步態(tài)識別方法或不同方法得到的結(jié)果融合，與単一算法相比，識別性能有所提高。基于融合技術(shù)的方法，需要對多個特征進(jìn)行提取，提取的特征越簡單有效，越適于通過融合技術(shù)進(jìn)行步態(tài)識別，提高步態(tài)識別性能，同時滿足識別的實(shí)時性要求。目前大部分步態(tài)識別在假定視角不變的情況下進(jìn)行，視角的改變對識別結(jié)果影響很大。為克服視角對識別結(jié)果的影響，通常采用的方法是對各個視角的識別結(jié)果賦予不同的權(quán)重進(jìn)行融合，或者通過視角轉(zhuǎn)換模型將不同視角下的步態(tài)特征轉(zhuǎn)換到ー個共同視角上。然而這些方法實(shí)現(xiàn)比較復(fù)雜，識別準(zhǔn)確性有待進(jìn)ー步提高。

發(fā)明內(nèi)容
針對上述問題，本發(fā)明提供了一種通過融合單個步態(tài)周期內(nèi)步態(tài)的動態(tài)信息——步態(tài)光流圖(Lacus Kanade Gait Flow Image,簡稱LK-GFI)與靜態(tài)外觀信息-頭肩均
值形狀(Headand Shoulder Procrustes Mean Shape,簡稱 HS-PMS),并結(jié)合行人與相機(jī)的視角自動步態(tài)識別，實(shí)現(xiàn)遠(yuǎn)距離多視角的身份識別的方法。本發(fā)明采用如下的技術(shù)方案本發(fā)明通過設(shè)計步態(tài)的動態(tài)特征分類器和靜態(tài)特征分類器，并對二者進(jìn)行融合，實(shí)現(xiàn)步態(tài)識別。首先，對原始的步態(tài)圖像序列進(jìn)行預(yù)處理以獲得高質(zhì)量的步態(tài)側(cè)影圖像，并提取步態(tài)周期，確定視角。然后，分別設(shè)計步態(tài)的動態(tài)特征分類器和靜態(tài)特征分類器。最后，利用乘積規(guī)則對兩個步態(tài)分類器的匹配結(jié)果進(jìn)行融合。本發(fā)明的特征在于采取以下步驟(I)預(yù)處理步態(tài)特征LK-GFI和HS-PMS是以單個步態(tài)周期內(nèi)的側(cè)影圖像為基礎(chǔ)的，為獲得高質(zhì)量的步態(tài)側(cè)影圖像，需要對原始的步態(tài)圖像序列進(jìn)行預(yù)處理。預(yù)處理采用一般的常用技術(shù)，包括運(yùn)動目標(biāo)分割，形態(tài)學(xué)處理，側(cè)影圖像歸一化，以及步態(tài)周期提取。(2)確定視角視角即行人行走方向與相機(jī)之間的夾角。結(jié)合相機(jī)成像原理和單個步態(tài)周期內(nèi)人在起始和終止位置時的坐標(biāo)變化與高度變化，估計行走方向，并確定視角，為設(shè)計步態(tài)分類器做準(zhǔn)備，以克服視角對識別性能的影響。(3)設(shè)計動態(tài)特征分類器光流(Optical Flow)是空間運(yùn)動物體被觀測表面上像素點(diǎn)運(yùn)動的瞬時速度，光流按照空間位置排列組成光流場。光流法可充分利用像素的時空信息計算圖像中每ー個像素點(diǎn)的速度矢量，形成圖像的運(yùn)動場。行人在行走過程中的運(yùn)動表現(xiàn)為側(cè)影輪廓隨著時間的形狀變化。用光流場表示連續(xù)兩幀側(cè)影之間的這種變化，進(jìn)而構(gòu)造步態(tài)光流圖表征步態(tài)的運(yùn)動特征，極大限度地保留了行人的運(yùn)動信息，有利于提高系統(tǒng)的識別率。Lacus-Kanade方法是計算稀疏光流的最流行方法，與稠密光流的計算相比，其事先指定具有明顯特征的被跟蹤角點(diǎn)，節(jié)省了計算開銷，更適合實(shí)際應(yīng)用。本發(fā)明采用Lacus-Kanade光流法計算相鄰兩巾貞側(cè)影圖像間的光流場，并構(gòu)造ニ值光流圖像以描述人體側(cè)影在相鄰幀之間的運(yùn)動。統(tǒng)計單個步態(tài)周期內(nèi)的ニ值光流圖像，得到動態(tài)特征圖像LK-GFI表征步態(tài)的動態(tài)信息。設(shè)計動態(tài)特征分類器的步驟為首先，離線建立目標(biāo)在各視角下的LK-GFI數(shù)據(jù)庫；然后對行人的步態(tài)圖像序列進(jìn)行預(yù)處理，提取其步態(tài)周期和視角，計算步態(tài)動態(tài)特征圖像LK-GFI ;最后結(jié)合當(dāng)前視角在數(shù)據(jù)庫中查找目標(biāo)的相應(yīng)LK-GFI，采用歐式距離度量相同視角下目標(biāo)與行人的LK-GFI之間的相似度。設(shè)定閾值，當(dāng)歐式距離小于閾值時，行人即為目標(biāo)，完成動態(tài)特征分類器的設(shè)計。(4)設(shè)計靜態(tài)特征分類器本發(fā)明采用Procrustes形狀分析法從人 體行走過程的時空變化模式中捕獲頭肩固有的結(jié)構(gòu)化特征，得到ー個緊致的頭肩外觀表達(dá)間接地描述頭肩運(yùn)動，并用于身份驗(yàn)證中。人體運(yùn)動過程中，肩部和頭部的形狀基本穩(wěn)定且易于區(qū)分，而且在復(fù)雜環(huán)境中不容易被遮擋，常用于人的檢測跟蹤中。Procrustes形狀分析法是方向統(tǒng)計學(xué)中的ー種流行方法，它適用于編碼ニ維形狀，并且提供了一種尋找均值輪廓的有效方法。應(yīng)用Procrustes形狀分析法統(tǒng)計ー個步態(tài)周期內(nèi)的頭肩外觀特征用于步態(tài)識別，可以保留行人運(yùn)動過程中的靜態(tài)イ目息，有效提聞系統(tǒng)的識別率。設(shè)計靜態(tài)特征分類器的步驟為首先，離線建立目標(biāo)在各視角下的HS-PMS數(shù)據(jù)庫；然后，對行人的步態(tài)圖像序列進(jìn)行處理并提取步態(tài)周期、視角和靜態(tài)特征HS-PMS ;最后，結(jié)合當(dāng)前視角在數(shù)據(jù)庫中查找目標(biāo)的相應(yīng)HS-PMS，采用歐式距離度量相同視角下目標(biāo)與行人的HS-PMS之間的相似性。設(shè)定閾值，當(dāng)歐式距離小于閾值時，行人即為目標(biāo)，完成靜態(tài)特征分類器的設(shè)計。應(yīng)用Procrustes形狀分析法獲得表征人體靜態(tài)信息的方法如下①提取頭肩圖像輪廓,將其坐標(biāo)(Xi, Yi)用復(fù)數(shù)表示
權(quán)利要求
1.一種融合步態(tài)光流圖(LK-GFI)和頭肩均值形狀(HS-PMS)的步態(tài)識別方法，其特征在于，該方法包括以下幾個步驟 步驟1，對原始步態(tài)序列進(jìn)行預(yù)處理，包括運(yùn)動目標(biāo)分割，形態(tài)學(xué)處理，側(cè)影圖像歸一化，以及步態(tài)周期提??； 步驟2，估計行走方向，并確定視角，包括 建立相機(jī)坐標(biāo)系和圖像平面坐標(biāo)系以垂直于相機(jī)光軸的方向?yàn)閄軸(向左為正)，以平行于相機(jī)光軸的方向?yàn)閥軸(向相機(jī)方向?yàn)檎?，以相機(jī)正前方5米處為原點(diǎn),建立相機(jī)坐標(biāo)系；以圖像左上角為原點(diǎn)，以水平方向?yàn)閄軸(向右為正)，以豎直方向?yàn)閥軸(向下為正)，建立圖像平面坐標(biāo)系； 設(shè)定行人沿著光軸靠近相機(jī)行走時的視角為0°，方向角度沿著順時針逐漸增大，當(dāng)行人平行于相機(jī)從場景的右側(cè)走向左側(cè)時，視角為90°，在相機(jī)坐標(biāo)系中將視角按象限分為以下4個類別 類別一行人從場景的右側(cè)走向左側(cè)，且逐漸靠近或平行于相機(jī)； 類別二 行人從場景的右側(cè)走向左側(cè)，且逐漸遠(yuǎn)離相機(jī)，或沿著光軸遠(yuǎn)離相機(jī)； 類別三行人從場景的左側(cè)走向右側(cè)，且逐漸遠(yuǎn)離或平行于相機(jī)； 類別四行人從場景的左側(cè)走向右側(cè)，且逐漸靠近相機(jī)，或沿著光軸靠近相機(jī)； 按下式分別計算4個類別中行人的行走方向
2.根據(jù)權(quán)利要求1所述的融合步態(tài)光流圖和頭肩均值形狀的步態(tài)識別方法，其特征在于，步驟3中所述動態(tài)特征LK-GFI的構(gòu)造方法包括以下步驟 步驟(1)，利用Lacus-Kanade光流法計算相鄰兩巾貞側(cè)影圖像間的光流場,得到光流場的水平分量和垂直分量 (Fu (t, i)，F(xiàn)v (t, i)) = fopf (S (t, i)，S (t+1，i)) 其中foPf(.)表示利用Lacus-Kanade方法計算光流場,Fu(t, i)為光流場的水平分量，F(xiàn)v(t, i)為光流場的垂直分量，S (t，i)為第i個步態(tài)周期內(nèi)第t幀的側(cè)影圖像；步驟(2)，根據(jù)光流場的水平分量和垂直分量，計算光流場的幅值圖像
3.根據(jù)權(quán)利要求1所述的融合步態(tài)光流圖和頭肩均值形狀的步態(tài)識別方法，其特征在于，步驟4中所述靜態(tài)特征HS-PMS的構(gòu)造方法包括以下步驟 步驟(I )，根據(jù)形態(tài)學(xué)原理，在人體側(cè)影圖像上截取頭肩模型，采用分區(qū)域定點(diǎn)采樣方法，提取頭肩輪廓上k個像素點(diǎn),得到一個復(fù)數(shù)向量
全文摘要
本發(fā)明屬于模式識別領(lǐng)域，具體涉及一種融合步態(tài)光流圖和頭肩均值形狀的遠(yuǎn)距離身份識別方法。該方法的步驟包括預(yù)處理，估計行走方向并確定視角，建立步態(tài)的動態(tài)特征分類器，建立步態(tài)的靜態(tài)特征分類器，在匹配層根據(jù)乘積規(guī)則融合動態(tài)特征分類器和靜態(tài)特征分類器的相似度，得出決策信息。本發(fā)明引入視角作為分類器的準(zhǔn)則，解決了步態(tài)識別受視角影響大的問題；利用Lacus-Kanade光流法計算相鄰兩幀側(cè)影圖像間的光流場，提高了算法的實(shí)時處理能力；融合步態(tài)的動態(tài)信息和靜態(tài)信息，提高了方法的可分性，改善了識別性能。
文檔編號G06K9/62GK103049758SQ201210528129
公開日2013年4月17日 申請日期2012年12月10日 優(yōu)先權(quán)日2012年12月10日
發(fā)明者賈松敏, 王麗佳, 王爽, 李秀智 申請人:北京工業(yè)大學(xué)