一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法
【專利摘要】本發(fā)明公開了一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，屬于模式識別【技術(shù)領(lǐng)域】。該方法包括以下步驟：預(yù)處理；特征提?。换谔崛〉牟綉B(tài)特征，對訓(xùn)練集里不同視角下的步態(tài)系統(tǒng)動態(tài)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模、辨識；建立常值神經(jīng)網(wǎng)絡(luò)；構(gòu)建動態(tài)估計器，利用不同視角下的步態(tài)模式之間在步態(tài)系統(tǒng)動力學(xué)上的差異，根據(jù)最小誤差原則實現(xiàn)對測試模式的準(zhǔn)確分類識別。本發(fā)明能夠?qū)崿F(xiàn)對不同視角下人體步態(tài)系統(tǒng)動態(tài)的局部準(zhǔn)確建模和辨識，同時將不同視角下的步態(tài)模式組成一個統(tǒng)一的訓(xùn)練步態(tài)模式庫，能夠克服現(xiàn)有方法對于不同視角下的步態(tài)模式要分別構(gòu)建對應(yīng)訓(xùn)練集進(jìn)行識別的問題，實現(xiàn)與視角無關(guān)的步態(tài)識別，具有更高的魯棒性和實用性。
【專利說明】一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識別【技術(shù)領(lǐng)域】，具體涉及一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法。

【背景技術(shù)】
[0002]人體步態(tài)識別作為一種新興的生物特征識別技術(shù)，旨在從相同的行走行為中尋找和提取個體之間的變化特征，以實現(xiàn)自動的身份識別。人體行走運動的關(guān)節(jié)角度變化包含著豐富的個體識別信息，同時人體行走運動很大程度上依賴于身體外形輪廓隨著時間的形狀變化。這種變化反映了個體獨有的運動方式，能夠有效進(jìn)行身份識別。通過對步態(tài)的分析，我們可以得到身份、性別、種族等多種有用信息。近年來，隨著公共場所的安全形勢越來越嚴(yán)峻，大量的監(jiān)控攝像頭已經(jīng)被廣泛應(yīng)用于銀行、商場、辦公樓、地鐵站、機(jī)場、火車站等場所。但是目前的監(jiān)控系統(tǒng)一般只能用來記錄發(fā)生的事件，很難起到預(yù)警和報警作用，因此智能視覺監(jiān)控越來越受到重視。理想的智能監(jiān)控系統(tǒng)應(yīng)該能夠自動分析攝像機(jī)采集到的視頻圖像數(shù)據(jù)，對數(shù)據(jù)進(jìn)行理解。當(dāng)發(fā)現(xiàn)具有異常行為的人時，系統(tǒng)能及時準(zhǔn)確的發(fā)出警報。這就要求監(jiān)控系統(tǒng)不僅能判斷監(jiān)控場景中人的位置和行為，而且還需要分析獲取這個人的身份特征信息。在監(jiān)控場景中對行人進(jìn)行身份識別時，距離往往比較遠(yuǎn)，所以難以獲取特征。常用的生物特征如虹膜、指紋、手形、聲音、簽名等因為需要近距離或接觸式獲取，因此無法用于監(jiān)控場景進(jìn)行人的身份識別。人臉雖然在一定程度上可以從遠(yuǎn)距離獲取，但是這個距離不能太遠(yuǎn)。由于步態(tài)是一種可以從遠(yuǎn)距離獲取的難于隱藏和偽裝的生物特征，其識別技術(shù)已經(jīng)成為計算機(jī)視覺與模式識別領(lǐng)域一個重要的研究方向。
[0003]在監(jiān)控場景中進(jìn)行步態(tài)識別時，最大的難點之一在于視角變化所帶來的影響。由于監(jiān)控攝像頭通常安裝在固定的位置，而監(jiān)控場景中被識別對象的行走方向是隨機(jī)的，不可能按照步態(tài)識別系統(tǒng)設(shè)計者規(guī)定的方向行走，視角問題是步態(tài)識別無法逃避的問題。視角變化后，攝像機(jī)獲取到的行人的外形輪廓會發(fā)生很大的變化。從目前的研究來看，很多步態(tài)識別方法在固定視角下或者視角變化幅度不大時可以取得很好的識別性能，但在視角變化較大時無法處理行人外形輪廓發(fā)生的較大變化，對視角變化的魯棒性不足，很多已有方法的識別性能會大大降低甚至失效。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是克服上述已有方法對視角變化魯棒性不足的缺點，為不同視角下的人體步態(tài)提供一種更為簡潔準(zhǔn)確的，能夠適應(yīng)大幅度視角變化的基于確定學(xué)習(xí)理論的識別方法。
[0005]步態(tài)識別本質(zhì)上可以看作是一個動態(tài)模式的辨識與識別問題，而動態(tài)模式識別本身就是模式識別領(lǐng)域的難題之一。在對徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的持續(xù)激勵特性研究的基礎(chǔ)上，C.Wang等提出了確定學(xué)習(xí)理論，其中包括對非線性動力學(xué)系統(tǒng)產(chǎn)生的動態(tài)模式的辨識、表達(dá)和快速識別方法，即通過確定學(xué)習(xí)獲得動態(tài)模式內(nèi)在系統(tǒng)動態(tài)的局部準(zhǔn)確神經(jīng)網(wǎng)絡(luò)建模，把隨時間變化的動態(tài)模式以時不變且空間分布的方式有效地表達(dá)，進(jìn)一步利用動態(tài)模式內(nèi)在的動力學(xué)拓?fù)湎嗨平o出動態(tài)模式之間的相似性定義，并提出了對動態(tài)模式進(jìn)行快速識別的一套新方法。
[0006]本發(fā)明將確定學(xué)習(xí)理論應(yīng)用于對不同視角下獲取到的人體步態(tài)系統(tǒng)動態(tài)進(jìn)行局部準(zhǔn)確建模和辨識，所學(xué)習(xí)到的步態(tài)動力學(xué)知識以常值神經(jīng)網(wǎng)絡(luò)權(quán)值的形式存儲，利用不同視角下步態(tài)模式之間在步態(tài)動力學(xué)上的差異實現(xiàn)與視角無關(guān)的步態(tài)識別。
[0007]本發(fā)明的具體技術(shù)方案通過如下步驟實現(xiàn):
[0008]步驟一、預(yù)處理；
[0009](I)形態(tài)學(xué)處理:
[0010]對訓(xùn)練集和測試集里每一個人在不同視角下的行走視頻圖像，依次進(jìn)行前景檢測、背景分離，對已經(jīng)背景分離的人體運動目標(biāo)圖像進(jìn)行形態(tài)學(xué)處理，以去除二值化圖像存在的空洞，獲得更優(yōu)的分割效果；
[0011](2)輪廓提取:
[0012]利用8連通分量分析的方法來提取一個單連通的運動目標(biāo)，即人的側(cè)影，去除殘余噪聲，從而獲得更優(yōu)的二值輪廓圖；
[0013](3)圖像歸一化:
[0014]根據(jù)人體輪廓坐標(biāo)裁剪出標(biāo)準(zhǔn)的步態(tài)圖像，得到尺寸歸一化圖像，其中，圖像的大小統(tǒng)一為64*64像素，提取每一個人在不同視角下的人體步態(tài)輪廓序列。
[0015]步驟二、特征提?。?br> [0016](I)步態(tài)周期檢測:
[0017]利用人體輪廓的高度和寬度隨時間發(fā)生同步周期性改變的特性，通過人體輪廓的高度與寬度比值的變化信號來劃分步態(tài)周期；
[0018](2)提取四個不同的人體輪廓寬度特征，構(gòu)成一組步態(tài)特征變量。
[0019]將人體輪廓至上而下等分為第一子區(qū)域、第二子區(qū)域、第三子區(qū)域和第四子區(qū)域，提取每一幀輪廓圖像下肢區(qū)域中第三子區(qū)域的最大輪廓寬度值W/、每一幀輪廓圖像下肢區(qū)域中第四子區(qū)域的最大輪廓寬度值Wd2以及整體輪廓的平均輪廓寬度值Wd3和中間輪廓寬度值Wd4等四個特征，構(gòu)成一個特征變量X = [W/，Wd2, Wd3, Wd4]τ。
[0020]步驟三、非線性步態(tài)系統(tǒng)動態(tài)的建模和神經(jīng)網(wǎng)絡(luò)辨識；
[0021]根據(jù)步驟二提取出來的步態(tài)輪廓寬度特征對非線性步態(tài)系統(tǒng)動態(tài)建模，設(shè)計RBF神經(jīng)網(wǎng)絡(luò)辨識器實現(xiàn)對步態(tài)系統(tǒng)未知動態(tài)的局部準(zhǔn)確逼近。
[0022]步態(tài)系統(tǒng)動態(tài)的建模如下:
[0023]i.= F(x: ρ) + ?<-Υ； ρ)，
[0024]其中，X = [X1,…，xn]T e Rn是獲取到的步態(tài)輪廓特征，ρ是系統(tǒng)常參數(shù)值。
[0025]F(x ；ρ) = [ΑΟ^ρ)，...，^^;?)]1是光滑且未知的非線性動態(tài)變量，代表了不同人在不同視角下的步態(tài)系統(tǒng)動態(tài)，V (X ；p) = [V1 (x ；p),..., Vn (x ^丨^是建模不確定項，由于建模不確定項V (X ；p)和步態(tài)系統(tǒng)動態(tài)F (X ；p)無法互相解耦，因此，將二者合并為一項:
[0026]φ(χ;ρ):=Ρ(χ；ρ) + ν(χ;ρ),并定義為一般非線性步態(tài)系統(tǒng)動態(tài)。步驟三中的神經(jīng)網(wǎng)絡(luò)辨識器用于辨識φ?-r, ρ) = [φ, (x； p\….>φη (x； ρ)? =
[0027]神經(jīng)網(wǎng)絡(luò)辨識器的形式如下:
[0028]X = — ,4(i — x) + W1 S(x),
[0029]其中，? = [.?ν..，-?是神經(jīng)網(wǎng)絡(luò)辨識器的狀態(tài)；A = diagta^…，an]是對角矩陣，
Bi是設(shè)計的常數(shù)，滿足0< I ai I <1 ； #rS(X) = [#,Γ5,(X),..., WnrSa(X)Jr是動態(tài)RBF神經(jīng)網(wǎng)絡(luò)，用來逼近未知的一般非線性步態(tài)系統(tǒng)動態(tài)S(x) = [S1O X-11 , -,SN( Χ-ξη| I]τ是高斯型徑向基函數(shù)；Ν>1是神經(jīng)網(wǎng)絡(luò)結(jié)點數(shù)目；ξ i是神經(jīng)元中心點；RBF神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)律如下:
[0030]W1 = ^r1S(X)X1，I = 1，…?
[0031]其中:X1 =I1-Xi是狀態(tài)誤差，Γ j = Γ / > O, σ.> O是調(diào)節(jié)律的調(diào)節(jié)參數(shù)，動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值$的初始值乘(O) = 0.
[0032]RBF神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)律是根據(jù)李雅普洛夫穩(wěn)定性定理和確定學(xué)習(xí)理論來設(shè)計，使?fàn)顟B(tài)誤差與權(quán)值估計都有界并指數(shù)收斂，其中RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂有兩種情況:沿步態(tài)特征數(shù)據(jù)回歸軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元滿足持續(xù)激勵條件，其權(quán)值收斂到最優(yōu)值的小鄰域內(nèi)；遠(yuǎn)離步態(tài)特征數(shù)據(jù)回歸軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元不受激勵而不被調(diào)節(jié)，其權(quán)值近似為零。
[0033]對一般非線性步態(tài)系統(tǒng)動態(tài)局部準(zhǔn)確建模可由如下公式表示:
[0034]
φ,(χ； p) = WlrS(x) + eil f
[0035]其中，εη是逼近誤差。這里的局部準(zhǔn)確建模是通過RBF神經(jīng)網(wǎng)絡(luò)對沿步態(tài)特征數(shù)據(jù)的內(nèi)在系統(tǒng)動態(tài)軌跡的逼近，而遠(yuǎn)離軌跡的內(nèi)部動態(tài)則不被逼近。
[0036]步驟四、常值神經(jīng)網(wǎng)絡(luò)的建立；
[0037]根據(jù)確定學(xué)習(xí)理論，沿步態(tài)系統(tǒng)特征軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元滿足持續(xù)激勵條件，其權(quán)值收斂到最優(yōu)值，取權(quán)值收斂后的一段時間內(nèi)各權(quán)值的均值作為學(xué)習(xí)訓(xùn)練結(jié)果，并利用這些結(jié)果建立常值神經(jīng)網(wǎng)絡(luò)，所學(xué)到的動態(tài)知識以常值神經(jīng)網(wǎng)絡(luò)權(quán)值的形式存儲。將不同人在不同視角下的步態(tài)模式組成一個統(tǒng)一的訓(xùn)練模式庫。
[0038]獲取相應(yīng)的神經(jīng)網(wǎng)絡(luò)常值權(quán)值PT =[,,…，lFn]T ,由如下式子表征:
[0039]W1 = mean!(’
[0040]其中，[ta, tb]代表神經(jīng)網(wǎng)絡(luò)權(quán)值在完成向其最優(yōu)值收斂的過渡過程之后的一個時間段。這樣使得可以由常值神經(jīng)網(wǎng)絡(luò)if錢X)進(jìn)行局部準(zhǔn)確逼近:
[0041]
Pi(XlP) = Wi1 S(x)+ εα,
[0042]其中，ei2是逼近誤差。
[0043]步驟五、分類識別；
[0044]利用常值神經(jīng)網(wǎng)絡(luò)構(gòu)建一組動態(tài)估計器，把步驟三和步驟四學(xué)習(xí)到的每一個人在不同視角下的步態(tài)模式所對應(yīng)的非線性步態(tài)系統(tǒng)動力學(xué)知識嵌入到估計器中，把測試模式與這組估計器做差，形成一組識別誤差，根據(jù)最小誤差原則把測試模式準(zhǔn)確識別出來。其具體步驟如下:
[0045](I)根據(jù)步驟四所獲取的統(tǒng)一的訓(xùn)練模式庫中每個人在不同視角下一般非線性步態(tài)系統(tǒng)動態(tài)的RBF神經(jīng)網(wǎng)絡(luò)辨識結(jié)果，即常值神經(jīng)網(wǎng)絡(luò)權(quán)值flf.構(gòu)造一組動態(tài)估計器，表述如下:
[0046]I* =稱為?* ■ Xfi) +， ι=1?.*%λ? =，
[0047]其中，X i為動態(tài)估計器的狀態(tài)，bi為動態(tài)估計器參數(shù)，Xti為測試集中測試模式的特征數(shù)據(jù)，M為統(tǒng)一訓(xùn)練模式庫中模式的數(shù)量。
[0048](2)將測試集中測試模式的特征數(shù)據(jù)Xti與這組估計器做差，得到如下的識別誤差系統(tǒng):
[0049]

X,1 = ^hXi + Si(Xli)-φΧχ;ρ), /= I,.**,? ? =
[0050]其中，Zi+ = I/ - -V,是狀態(tài)估計誤差，計算方的平均L1范數(shù)如下:
[0051 ] Xik(t) =^rf.\χ"(Φr, t>T€,
IH I
[0052]其中，T。表示步態(tài)周期，由步驟二獲取。
[0053](3)如果測試集中待識別的某個人出現(xiàn)在某一包含于統(tǒng)一的訓(xùn)練模式庫里的視角下的步態(tài)模式相似于訓(xùn)練步態(tài)模式s (s e {I,…，k})，則嵌入動態(tài)估計器s中的常值RBF神經(jīng)網(wǎng)絡(luò)(X)能夠快速回憶起學(xué)過的知識并提供對步態(tài)動力學(xué)的準(zhǔn)確逼近。因此，相對應(yīng)的誤差I(lǐng)名Λ(/|在所有誤差⑴Ii中變得最小?；谧钚≌`差原則,這一出現(xiàn)的待識別人能被快速分類識別出來。識別策略如下:
[0054]如果存在一個有限時間ts，S e {1，…，k}和某一 i e {I,...,η},使得Ircol < if (ο對所有t>ts成立，則出現(xiàn)的測試步態(tài)模式可以被分類識別出來。
s“I
[0055]本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果:
[0056]1、將不同視角下獲取的步態(tài)模式組成一個統(tǒng)一的訓(xùn)練模式庫，能夠克服現(xiàn)有方法對于不同視角下的步態(tài)模式要分別構(gòu)建對應(yīng)訓(xùn)練集的問題，具有更高的魯棒性和實用性，能夠?qū)崿F(xiàn)大幅度視角變化下的步態(tài)識別；
[0057]2、提取的四個輪廓寬度特征，能夠準(zhǔn)確地反映視角變化對人體步態(tài)系統(tǒng)動力學(xué)的影響，減少用于識別步態(tài)的特征維數(shù)；
[0058]3、與傳統(tǒng)的步態(tài)識別方法相比，本發(fā)明對不同視角下的非線性步態(tài)系統(tǒng)動態(tài)局部準(zhǔn)確建模，所學(xué)習(xí)到的步態(tài)動力學(xué)知識以常值神經(jīng)網(wǎng)絡(luò)權(quán)值的形式存儲，利用不同視角下步態(tài)模式之間在步態(tài)動力學(xué)上的差異實現(xiàn)與視角無關(guān)的步態(tài)識別。

【專利附圖】

【附圖說明】
[0059]圖1是本發(fā)明提出的一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法的流程圖。
[0060]圖2是實施例中步態(tài)特征提取示意圖，圖中，將人體輪廓自上而下等分為第一子區(qū)域、第二子區(qū)域、第三子區(qū)域和第四子區(qū)域這四個子區(qū)域，Al表示第一子區(qū)域，A2表示第二子區(qū)域，A3表示第三子區(qū)，A4表示第四子區(qū)域。
[0061]圖3是實施例中采用的RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)示意圖。
[0062]圖4是實施例中神經(jīng)網(wǎng)絡(luò)權(quán)值的收斂情況。

【具體實施方式】
[0063]下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。
[0064]實施例
[0065]如圖1所示，一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，包括以下步驟:
[0066]步驟一:預(yù)處理過程如下:
[0067]本發(fā)明采用的步態(tài)數(shù)據(jù)庫是中國科學(xué)院自動化研究所的CASIA Dataset B數(shù)據(jù)庫。該數(shù)據(jù)庫共包含124個人，每個人分別有11個不同的視角(0°，18° ,36° ,54° ,72°，90° ,108° ,126° ,144° ,162° ,180° )，每個視角分別拍攝6個正常行走的序列，共有124X11X6 = 8184個序列，選取其中三個序列作為訓(xùn)練模式，剩下的三個序列作為測試模式。原始視頻尺寸為320X240像素，采樣頻率是30Hz。該數(shù)據(jù)庫已經(jīng)將背景分離，本發(fā)明要做的工作是在這基礎(chǔ)上進(jìn)行預(yù)處理，從而進(jìn)行步態(tài)周期檢測以及輪廓寬度特征的提取。
[0068](I)形態(tài)學(xué)處理；
[0069]對訓(xùn)練集和測試集里每一個人在不同視角下的行走視頻，依次進(jìn)行前景檢測、背景分離，對已經(jīng)背景分離的人體運動目標(biāo)圖像進(jìn)行形態(tài)學(xué)處理，以去除二值化圖像存在的空洞，獲得更優(yōu)的分割效果；
[0070]由于天氣、光照、影子等其它外界因素的影響，背景分離后的圖像中難免會存在噪聲，因此還需要對圖像做進(jìn)一步處理，以獲得最佳的分割效果。本發(fā)明使用形態(tài)學(xué)濾波來消除二值圖像中的噪聲并填補運動目標(biāo)的缺失。作為一種常用的圖像濾噪方法，形態(tài)學(xué)用于圖像濾波的最基本運算是膨脹與腐蝕，由膨脹與腐蝕的相互結(jié)合又派生出另外兩種運算:開運算和閉運算。開運算可平滑對象的凸輪廓，斷開狹窄的連接，去掉細(xì)小的突起部分；閉運算可平滑對象的凹輪廓，將狹長的缺口連接成細(xì)小的彎口，利用這個性質(zhì)可以實現(xiàn)濾波和填充空洞的目的。
[0071](2)輪廓提??；
[0072]經(jīng)形態(tài)學(xué)處理后，仍可能存在部分雜散噪聲形成大小不一的塊，而真正的運動目標(biāo)往往是這些塊中最大的。因此對圖像進(jìn)一步進(jìn)行連通域分析，即利用8連通分量分析的方法來提取一個單連通的運動目標(biāo)，目的在于僅保留圖像中的運動目標(biāo)，從而獲得更優(yōu)的二值輪廓圖。
[0073](3)圖像歸一化；
[0074]根據(jù)人體輪廓坐標(biāo)裁剪出標(biāo)準(zhǔn)的步態(tài)圖像，得到尺寸歸一化圖像，其中，圖像的大小統(tǒng)一為64*64像素，提取每一個人各個視角下的人體步態(tài)輪廓序列。
[0075]步驟二:特征提取
[0076](I)步態(tài)周期檢測；
[0077]利用人體輪廓的高度和寬度隨時間發(fā)生同步周期性改變的特性，通過人體輪廓的高度與寬度比值的變化信號來劃分步態(tài)周期；
[0078](2)提取四個不同的人體輪廓寬度特征，構(gòu)成一組步態(tài)特征變量；
[0079]如圖2所示，將人體輪廓至上而下等分為第一子區(qū)域Al、第二子區(qū)域A2、第三子區(qū)域A3和第四子區(qū)域A4這四個子區(qū)域；提取每一幀輪廓圖像下肢區(qū)域第三子區(qū)域A3和第四子區(qū)域A4的最大輪廓寬度值Wd1, Wd2以及整體輪廓的平均輪廓寬度值Wd3和中間輪廓寬度值Wd4等四個特征，構(gòu)成一個特征變量X = [Wd1, Vd2, Vd3, Wd4]τ,步態(tài)輪廓特征的提取如圖2所示，其計算如下所示:
[0080]吧,=,?■)*
Lw。^」m://,則

** 4
[0081]W:= nfX (為2—O
L 」Yt\\ //,//]
[0082]= mcan{ Kl - X\)，
[0083],: = ^dianiXl — JCir)，
[0084]其中:H為人體輪廓高度，Y為縱軸坐標(biāo)，X為橫軸坐標(biāo)，如圖2所示，J4表示人體輪廓最左側(cè)的像素點坐標(biāo)，-^Y表示人體輪廓最右側(cè)的像素點坐標(biāo)。
[0085]步驟三:非線性步態(tài)系統(tǒng)動態(tài)的建模和神經(jīng)網(wǎng)絡(luò)辨識；
[0086](I)設(shè)計神經(jīng)網(wǎng)絡(luò)辨識器；
[0087]采用動態(tài)RBF神經(jīng)網(wǎng)絡(luò)構(gòu)造神經(jīng)網(wǎng)絡(luò)辨識器，對非線性步態(tài)系統(tǒng)動態(tài)進(jìn)行學(xué)習(xí)的拓?fù)浣Y(jié)構(gòu)圖如圖3所示，動態(tài)RBF神經(jīng)網(wǎng)絡(luò)辨識器形式如下:
[0088]X = -A(x -x) + Wl S(x),
[0089]其中，? = [-?ν..，---]是神經(jīng)網(wǎng)絡(luò)辨識器的狀態(tài)；A = diag[0.8，-,0.8]是對角矩陣，屮=0.8是設(shè)計的常數(shù)；#%(*) =_%(珠…,#/S,,(x)f是動態(tài)RBF神經(jīng)網(wǎng)絡(luò)，用來逼近未知的一般非線性步態(tài)系統(tǒng)動態(tài)例>;P) ； S(x) = [S1 ( X-11 , -,SN( Χ-ξη| ]τ是高斯型徑向基函數(shù)；Ν = 83521是神經(jīng)網(wǎng)絡(luò)結(jié)點數(shù)目；ξ 1是神經(jīng)元中心點；神經(jīng)元均勻分布在區(qū)域[-1，I] X [-1，I] X [-1，I] X [-1，I]之內(nèi)，且寬度取0.15。RBF神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)律如下:
[0090]Jf-=—廠S(X)X1 — ^riWi, 1 = 1,...,? ,
[0091]其中:f,.=X1 -.巧是狀態(tài)誤差，Γ i = 15，σ j = 0.3是調(diào)節(jié)律的調(diào)節(jié)參數(shù)，動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值I;的初始值味(O) = O?
[0092]對一般非線性步態(tài)系統(tǒng)動態(tài)局部準(zhǔn)確建?？捎扇缦鹿奖硎?
[0093]
φ,(χ: p) = IVrS(X)+ S11,
[0094]其中，ε η是逼近誤差，這里的局部準(zhǔn)確建模是通過RBF神經(jīng)網(wǎng)絡(luò)對沿步態(tài)特征數(shù)據(jù)的內(nèi)在系統(tǒng)動態(tài)軌跡的逼近，而遠(yuǎn)離軌跡的內(nèi)部動態(tài)則不被逼近，在一段時間內(nèi)權(quán)值收斂至常值(最優(yōu)值)，其學(xué)習(xí)階段神經(jīng)網(wǎng)絡(luò)權(quán)值的收斂情況如圖4所示，靠近系統(tǒng)軌跡的神經(jīng)元的權(quán)值滿足部分持續(xù)激勵條件，從而收斂到其最優(yōu)值；而遠(yuǎn)離系統(tǒng)軌跡的神經(jīng)元受激勵的程度很小而幾乎不被調(diào)節(jié)，基本上保持在零的小鄰域內(nèi)。
[0095]步驟四:常值神經(jīng)網(wǎng)絡(luò)的建立；
[0096]_(Χ;ρ)可以由常值神經(jīng)網(wǎng)絡(luò)HfS(X)進(jìn)行局部準(zhǔn)確逼近:
[0097]
φ( (λ.; p) = W/S (χ) + Si,
[0098]其中，ε?2是逼近誤差。
[0099]步驟五:分類識別；
[0100]利用常值神經(jīng)網(wǎng)絡(luò)構(gòu)建一組動態(tài)估計器，把從步驟三和步驟四中學(xué)習(xí)到的訓(xùn)練步態(tài)系統(tǒng)動力學(xué)知識嵌入到估計器中，把測試模式與這組估計器做差，形成一組識別誤差，根據(jù)最小誤差原則把測試模式準(zhǔn)確識別出來，其具體步驟如下:
[0101](I)根據(jù)步驟四所獲取的統(tǒng)一的訓(xùn)練模式庫中每個人在不同視角下一般非線性步態(tài)系統(tǒng)動態(tài)的RBF神經(jīng)網(wǎng)絡(luò)辨識結(jié)果，即常值神經(jīng)網(wǎng)絡(luò)權(quán)值if，構(gòu)造一組動態(tài)估計器，表述如下:
[0102]χ? = -/λ(j/ -Xli) + WjkSixlj) * I =1,.**>λ * k = I,...,M ?
[0103]其中，X i為動態(tài)估計器的狀態(tài)，bi = -30為動態(tài)估計器參數(shù)，Xti為測試集中測試模式的特征數(shù)據(jù)，M為統(tǒng)一訓(xùn)練模式庫中模式的數(shù)量，M = 124X11X3 = 4092。
[0104](2)將測試集中測試模式的特征數(shù)據(jù)Xti與這組估計器做差，得到如下的識別誤差系統(tǒng):
[0105]
Xi = + ^ik 7 Si (-?) - φ,?χ: P), i = l …,n, k = \,…,M ,
[0106]其中，Zf = Zf -^是狀態(tài)估計誤差，計算歹/的平均L1范數(shù)如下:
[0107]/J(θ| = jr|:.n Z,k{τ)\?τ , t>Tc,
[0108]其中，T。表示步態(tài)周期。
[0109](3)如果測試集中某個人出現(xiàn)在某一視角下的步態(tài)模式相似于訓(xùn)練步態(tài)模式s(s e {1，...Λ})，則嵌入動態(tài)估計器S中的常值RBF神經(jīng)網(wǎng)絡(luò),f S1i(X)能夠快速回憶起學(xué)過的知識并提供對步態(tài)動力學(xué)的準(zhǔn)確逼近。因此，相對應(yīng)的誤差在所有誤差中變得最小?；谧钚≌`差原則，這一出現(xiàn)的人能被快速分類識別出來。
[0110]如表I所示，是本發(fā)明中進(jìn)行識別實驗的識別率表格，采用CASIA Dataset B數(shù)據(jù)庫，建立的統(tǒng)一的訓(xùn)練模式庫中包含所有124個人在11個視角下的行走模式，對測試集中所有124個人的11個視角逐一進(jìn)行識別實驗。
[0111]
—\v I 54s , 72^ , 90° , 108。, 126β ， 14.Γ , 162。,
_試姐 180J Ji< 11個視ft} KW少態(tài)，^ 124X11X3=4092
I個_練投式
Ou (? 124X3=372 個測U:校式)I55.4
18。(共 124X3=372 個測試校_rD I44 4
36° U1、: 12:1X3=372 個測試校j-D I66.7.....................................................................................................................................................................................................J---
540(典 124 X 3-372 個測試 K式)」_ 77.7
ΤΓ( Jla 24 X 3-372 個測試校式)|77.7
90u(}l<124χ3'Ι3"72個測試投式)I877g
108°(九I別X3:372個測試校式)|■:?
1:14:(丼127x3=372 個測試校式)75.8
Wr (并12.彳X3=372個測試校式)I76.6
180° ( J1、.124X3=372 1、測試校式)I57.8
[0112]表I
[0113]上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，包含如下步驟: 步驟一、預(yù)處理； (1)形態(tài)學(xué)處理: 對訓(xùn)練集和測試集里每一個人在不同視角下的行走視頻圖像，依次進(jìn)行前景檢測、背景分離，對已經(jīng)背景分離的人體運動目標(biāo)圖像進(jìn)行形態(tài)學(xué)處理，去除二值化圖像中存在的空洞，獲得更優(yōu)的分割效果； (2)輪廓提取: 利用8連通分量分析的方法，提取一個單連通的運動目標(biāo)，即人的側(cè)影，去除殘余噪聲，從而獲得更優(yōu)的二值輪廓圖； (3)圖像歸一化: 根據(jù)人體輪廓坐標(biāo)裁剪出標(biāo)準(zhǔn)的步態(tài)圖像，得到尺寸歸一化圖像，其中，圖像的大小統(tǒng)一為64X64像素，提取每一個人不同視角下的步態(tài)輪廓序列； 步驟二、特征提?。? (1)步態(tài)周期檢測: 利用人體輪廓的高度和寬度隨時間發(fā)生同步周期性改變的特性，通過人體輪廓的高度與寬度比值的變化信號來劃分步態(tài)周期； (2)提取四個不同的人體輪廓寬度特征，構(gòu)成一組步態(tài)特征變量； 步驟三、非線性步態(tài)系統(tǒng)動態(tài)的建模和神經(jīng)網(wǎng)絡(luò)辨識； 根據(jù)步驟二提取出來的步態(tài)輪廓寬度特征對訓(xùn)練集里每一個人在不同視角下的步態(tài)模式所對應(yīng)的未知非線性步態(tài)系統(tǒng)動態(tài)建模，設(shè)計RBF神經(jīng)網(wǎng)絡(luò)辨識器，對步態(tài)系統(tǒng)未知動態(tài)的局部進(jìn)行逼近； 步驟四:常值神經(jīng)網(wǎng)絡(luò)的建立； 根據(jù)確定學(xué)習(xí)理論，沿步態(tài)系統(tǒng)特征軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元滿足持續(xù)激勵條件，其權(quán)值收斂到最優(yōu)值，取權(quán)值收斂后一段時間內(nèi)各個權(quán)值的均值作為學(xué)習(xí)訓(xùn)練結(jié)果，并利用所述學(xué)習(xí)訓(xùn)練結(jié)果建立常值神經(jīng)網(wǎng)絡(luò)，所學(xué)到的步態(tài)動力學(xué)知識以常值神經(jīng)網(wǎng)絡(luò)權(quán)值的形式存儲，將不同人在不同視角下的步態(tài)模式組成一個統(tǒng)一的訓(xùn)練模式庫； 步驟五:分類識別； 利用常值神經(jīng)網(wǎng)絡(luò)構(gòu)建一組動態(tài)估計器，把步驟三和步驟四學(xué)習(xí)到的訓(xùn)練集里每一個人在不同視角下的步態(tài)模式所對應(yīng)的非線性步態(tài)系統(tǒng)動力學(xué)知識嵌入到估計器中，把測試集里待識別的某個人出現(xiàn)在某一包含在統(tǒng)一的訓(xùn)練模式庫里的視角下的測試模式與這組動態(tài)估計器做差，形成一組識別誤差，根據(jù)最小誤差原則把測試模式準(zhǔn)確分類識別出來，進(jìn)行與視角無關(guān)的步態(tài)識別。
2.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟二中，所述人體輪廓寬度特征的提取方法為:將人體輪廓至上而下等分為第一子區(qū)域、第二子區(qū)域、第三子區(qū)域和第四子區(qū)域，提取每一幀輪廓圖像下肢區(qū)域中第三子區(qū)域的最大輪廓寬度值W/、每一幀輪廓圖像下肢區(qū)域中第四子區(qū)域的最大輪廓寬度值W/、整體輪廓的平均輪廓寬度值Wd3和中間輪廓寬度值Wd4，構(gòu)成一組特征變量X = [W/，Wd2，Wd3，Wd4]TO
3.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟二中，所述步態(tài)輪廓寬度特征數(shù)據(jù)具有回歸性質(zhì)，在相空間構(gòu)成回歸軌跡；所述回歸軌跡包括由非線性系統(tǒng)產(chǎn)生的周期軌跡、類周期軌跡和混沌軌跡，所述步態(tài)輪廓寬度特征數(shù)據(jù)從回歸軌跡上任一點出發(fā)，都能在一段有限時間內(nèi)回歸到該點的一個有限鄰域之內(nèi)，所述具有回歸性質(zhì)的步態(tài)輪廓寬度特征數(shù)據(jù)存在于人體步態(tài)中。
4.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟三中，所述非線性步態(tài)系統(tǒng)動態(tài)的建模方法如下:
X - F(x； p) + v(x: p), 其中，X = [X1,…，Xn]T e Rn是獲取到的步態(tài)輪廓特征，P是系統(tǒng)常參數(shù)值； F(x ；p) = Lf1 (x ；p),-,fn(x ;p)]T是光滑且未知的非線性動態(tài)變量，表示不同人在不同視角下的步態(tài)系統(tǒng)動態(tài)，v(x ；p) = [V1 (x ；p),..., Vn (x ^!^是建模不確定項；將建模不確定項v(x ；p)和步態(tài)系統(tǒng)動態(tài)F(x ；p)合并為一項:φ(χ;P):= f(x;P) + v(x;P)，并定義為一般非線性步態(tài)系統(tǒng)動態(tài)； 在步驟三中，所述神經(jīng)網(wǎng)絡(luò)辨識器用于辨識:φ(χι ρ)=?ψι U-; ρ),'",φ? p)lr t 在步驟三中，所述神經(jīng)網(wǎng)絡(luò)辨識器的表達(dá)形式如下:
i = -A{x^x) + WTS(x), 其中，i = [i,，…4,,]是神經(jīng)網(wǎng)絡(luò)辨識器的狀態(tài);A = diag[ai，…，an]是對角矩陣，a,是設(shè)計的常數(shù)，滿足0〈 I I〈I ;薩—S(x) = [J^lrSl(X),…龍―％(χ)?是動態(tài)RBF神經(jīng)網(wǎng)絡(luò)，用來逼近未知的一般非線性步態(tài)系統(tǒng)動態(tài)剩>;/0; S(X) = [S1 (I X-11 , -,SN( |Χ-ξη|『是高斯型徑向基函數(shù)；Ν>1是神經(jīng)網(wǎng)絡(luò)結(jié)點數(shù)目；ξ 1是神經(jīng)元中心點；所述RBF神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)律如下:
Wi = ^TjS(X)Xi — σ,Γ,病，i = Ii…,Λ ? 其中，I1 =Xf-Xi是狀態(tài)誤差，r i = Γ ^>0, O ^0, O i是調(diào)節(jié)律的調(diào)節(jié)參數(shù)，動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值_的初始值乘.(O): O ?,
5.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟三中，所述RBF神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)律根據(jù)李雅普洛夫穩(wěn)定性定理和確定學(xué)習(xí)理論進(jìn)行設(shè)計，使?fàn)顟B(tài)誤差與權(quán)值估計都有界并指數(shù)收斂，其中，所述RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂有兩種情況: 第一種情況:沿步態(tài)特征回歸軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元滿足持續(xù)激勵條件，其權(quán)值收斂到最優(yōu)值的小鄰域內(nèi)； 第二種情況:遠(yuǎn)離步態(tài)特征回歸軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元不受激勵而不被調(diào)節(jié)，其權(quán)值近似為零。
6.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟三中，所述對一般非線性步態(tài)系統(tǒng)動態(tài)的局部準(zhǔn)確建模由如下公式表示:φ^χ?ρ) = ^]15(χ) + εη, 其中，ε η是逼近誤差，這里的局部準(zhǔn)確建模是通過RBF神經(jīng)網(wǎng)絡(luò)對沿步態(tài)特征數(shù)據(jù)的內(nèi)在系統(tǒng)動態(tài)軌跡的逼近，而遠(yuǎn)離軌跡的內(nèi)部動態(tài)則不被逼近。
7.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟四中，所述常值神經(jīng)網(wǎng)絡(luò)權(quán)值是指在一段時間內(nèi)權(quán)值收斂至最優(yōu)的常值，選取收斂的部分權(quán)值取數(shù)值平均，獲取相應(yīng)的神經(jīng)網(wǎng)絡(luò)常值的權(quán)值, =，所述神經(jīng)網(wǎng)絡(luò)常值由如下式子表示:
Wi=HteanlllljjJVi, 其中，[ta，tb]代表神經(jīng)網(wǎng)絡(luò)權(quán)值在完成向其最優(yōu)值收斂的過渡過程之后的一個時間段，使?fàn)t知;妁由常值神經(jīng)網(wǎng)絡(luò)if s(x)進(jìn)行局部準(zhǔn)確逼近:φ;(χ: p) -1F7S(X) + 2, 其中，Si2是逼近誤差。
8.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟四中，所述常值神經(jīng)網(wǎng)絡(luò)if s(勻是時不變的也是空間分布的，即有效的信息只存貯在靠近步態(tài)特征數(shù)據(jù)的內(nèi)在系統(tǒng)動態(tài)軌跡的神經(jīng)元上，而遠(yuǎn)離軌跡的神經(jīng)元沒有存貯信息，常值神經(jīng)網(wǎng)絡(luò)只逼近沿步態(tài)特征數(shù)據(jù)空間軌跡的內(nèi)部動態(tài)，遠(yuǎn)離軌跡的內(nèi)部動態(tài)沒有被逼近；對訓(xùn)練集里每一個人在不同視角下的步態(tài)系統(tǒng)動態(tài)都利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識，學(xué)習(xí)到的步態(tài)系統(tǒng)動力學(xué)知識以常值神經(jīng)網(wǎng)絡(luò)權(quán)值形式存儲起來，構(gòu)成一個統(tǒng)一的訓(xùn)練模式庫。
9.根據(jù)權(quán)利要求1所述的基于確定學(xué)習(xí)理論的與視角無關(guān)的步態(tài)識別方法，其特征在于，在步驟五中，所述分類識別方法的步驟如下:(1)根據(jù)權(quán)利I中步驟四所獲取的統(tǒng)一的訓(xùn)練模式庫中每個人在不同視角下的一般非線性步態(tài)系統(tǒng)動態(tài)的RBF神經(jīng)網(wǎng)絡(luò)辨識結(jié)果，即常值神經(jīng)網(wǎng)絡(luò)權(quán)值if,構(gòu)造一組動態(tài)估計器，表述如下: f/ = —— Xtf) + W^S(Xli), I=Is..k = \,…M ’ 其中，X i為動態(tài)估計器的狀態(tài)，bi為動態(tài)估計器參數(shù)，Xti為測試集中測試模式的特征數(shù)據(jù)，M為統(tǒng)一訓(xùn)練模式庫中模式的數(shù)量；(2)將測試集中測試模式的特征數(shù)據(jù)Xti與這組估計器做差，得到如下的識別誤差系統(tǒng):
?式._^ TZ1 = ^b1Xi + IV1 Sl(Xri)-φ^χ:ρ)? ? = 1,.*.5Λ ? k =? 其中，t = Jf _~是狀態(tài)估計誤差，計算的平均L1范數(shù)如下: I11 =務(wù)|二 Jji^)\iΓ? i>T￡f 其中，Tc表示步態(tài)周期，由所述步驟二獲取； (3)如果測試集中待識別的某個人出現(xiàn)在某一包含于統(tǒng)一的訓(xùn)練模式庫里的視角下的步態(tài)模式相似于訓(xùn)練步態(tài)模式s，所述s e {1，…，k}，則嵌入動態(tài)估計器s中的常值RBF神經(jīng)網(wǎng)絡(luò)快速回憶起學(xué)過的知識并提供對步態(tài)動力學(xué)的準(zhǔn)確逼近；因此，相對應(yīng)的誤差在所有誤差||矛/(“I中變得最小，基于最小誤差原則，出現(xiàn)的待識別人能夠被快速分類識別出來，識別策略如下: 如果存在一個有限時間ts, s e {I,...，k}和某一 i e {I,...，η}，使_、⑴||丨<||名*(崎對所有t>ts成立，則出現(xiàn)的測試步態(tài)模式可被分類識別出來。
【文檔編號】G06K9/66GK104134077SQ201410329222
【公開日】2014年11月5日 申請日期:2014年7月10日 優(yōu)先權(quán)日:2014年7月10日
【發(fā)明者】曾瑋, 王聰 申請人:華南理工大學(xué)