[发明专利]基于多特征属性的多类别Bagging步态识别方法

说明书

技术领域

本发明属于模式识别技术领域，具体涉及一种基于多步态特征属性的多类别Bagging步态识别新方法，是一种利用计算机技术、数字图象处理技术、模式识别等实现人的步态的自动分析与判别的方法，是生物特征识别领域中关于步态特征提取与识别的算法。

背景技术

生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术从根本上杜绝了伪造和窃取，具有更高的可靠性、安全性，已经越来越广泛的应用于一些安全系统的身份认证。

步态识别技术作为一种新型的生物特征识别技术，它是根据视频序列中人走路的姿势进行身份识别的生物识别技术。和其它生物特征识别技术相比，步态识别技术以其非侵犯性、远距离识别性以及难以隐藏等优点受到了人民的青睐，在国家公共安全、金融安全、身份认证、视频监控等领域有着广泛的应用前景。

关于步态的特征提取技术，有文献采用小波包分解较好地解决了这个问题，但小波包分解后的图像特征维数较高，且其采用经典的PCA算法对进行特征提取，即采用奇异值分解的方法来求相关矩阵的特征值和特征向量时，计算耗费大。二维主成分分析(2DPCA)可直接对图像数据矩阵进行计算，计算量相对少很多，但2DPCA后需要n*k(其中，n为图像分辨率，k为变换后选取特征列向量个数，且k＜n)个数据来表示图像，特征向量的维数仍较高。完全主成分分析((2D)²PCA)可以进一步降低特征向量的维数，从而降低识别耗费，且其识别性能上与2DPCA相当，甚至优于2DPCA。

目前已经有人提出一种关于两类问题的属性Bagging算法AB，本发明是在两类问题的属性Bagging算法AB的基础上，提出一种基于多步态特征属性的多类别Bagging步态识别新方法——MCAB(Multi-class Attribute Bagging)算法。

发明内容

本发明的内容是提出了一个基于多步态特征属性的多类别Bagging(MCAB)步态识别新方法。该方法用1NN作为弱分类器，通过将两类属性Bagging方法扩展到多类别来构建集成分类器MCAB(Multi-class Attribute Bagging)。我们在NLPR步态数据库上对该方法进行了评测，结果表明，与单纯采用小波包和(2D)²PCA等识别方法相比，本方法具有更高的识别率和视角变化鲁棒性。

本发明的技术内容如下：

为利用MCAB算法进行实验，我们需首先通过对预处理后的归一化步态图像序列进行周期检测，来提取步态能量图，以克服步态数据量过大问题；再对步态能量图进行小波包分解和完全主成分分析，得到的结果图像分别表示了步态图像不同侧面的特征；最后依据前述不同特征的分类性能，通过将各特征视为步态的不同属性并用MCAB算法进行分类。

一个基于多步态特征属性的多类别Bagging(MCAB)步态识别新方法，该方法的步骤包括：人体步态序列的预处理、特征提取，最后利用MCAB算法把测试样品归到相应的类中，并对识别效果给予评价，其具体步骤如下：

步骤一、预处理

(1)形态学处理

对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；

(2)目标提取

利用8连通分量分析的方法来提取一个单连通的运动目标，即人的侧影去除残余噪声，从而获得更优的二值轮廓图；

(3)图像归一化

根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素。

步骤二、特征提取

(1)步态周期的检测

利用人体的轮廓宽度随时间发生同步周期性改变的特性，通过人体轮廓的宽度变化信号来划分步态周期；

(2)建立步态能量图(GEI)，将步态能量图作为不同步态序列的代表；

步态能量图：在进行步态周期检测之后，通过对一个周期内的步态序列图像处理生成GEI为：