[发明专利]融合步态光流图和头肩均值形状的远距离身份验证方法

说明书

技术领域

本发明属于模式识别领域，具体涉及一种融合步态光流图和头肩均值形状的远距离身份识别方法。

背景技术

随着时代和社会的发展，对个人身份认证与管理的需求不断增长，准确地鉴定一个人的身份、保护信息安全，已成为一个必须解决的社会问题。生物特征识别技术以其特有的唯一性、普遍性、稳定性和不可复制性，被广泛应用在安全、认证等身份鉴别领域。目前应用比较成熟的生物特征有：指纹、虹膜、人脸、DNA、手背脉纹、签名等。然而它们通常要求近距离或者接触性的感知，在远距离的情况下，这些生物特征的识别性能下降。

人体步态在远距离情况下仍然可见，在被观察者没有觉察的情况下，从任意角度进行非接触性的感知和度量。同时，步态具有独特性、非侵犯性、难伪装等优点。因此，步态是远距离情况下极具潜力的生物特征，近年来受到了越来越多的关注并得到了快速的发展。

步态识别是根据人的走路姿态进行身份识别的一种技术，旨在从相同的行走行为中提取个体之间的变化特征，以实现自动识别。步态分析方法主要包括基于模型和非基于模型两类，后者在相邻帧之间建立起内在关联，并采用统计方法获得表征人体运动模式的动态信息或静态外观信息。步态能量图（Gait Energy Image,GEI）、运动侧影轮廓模板（Motion Silhouette Contour Template,MSCT），步态光流图（Gait Flow Image,GFI）和静态侧影模板（Static Silhouette Template,SST）等非基于模型的步态表征方法在识别中取得了良好的效果。GEI通过统计一个步态周期内的侧影图像来构造，是最基础的动态信息表征方法。GFI通过在一个步态周期内采用Horn-Schunck方法计算相邻两帧侧影间的稠密光流场而获得，在假定视角不变情况下其识别率比GEI有所提高，但实时性较差。SST表征了人体行走过程中的静态信息，它通过对GEI进行阈值处理而获得，能满足实时性要求，但识别率较低。

近年来随着融合技术的日益流行，在步态识别中，运用一定的规则将不同的步态识别方法或不同方法得到的结果融合，与单一算法相比，识别性能有所提高。基于融合技术的方法，需要对多个特征进行提取，提取的特征越简单有效，越适于通过融合技术进行步态识别，提高步态识别性能，同时满足识别的实时性要求。

目前大部分步态识别在假定视角不变的情况下进行，视角的改变对识别结果影响很大。为克服视角对识别结果的影响，通常采用的方法是对各个视角的识别结果赋予不同的权重进行融合，或者通过视角转换模型将不同视角下的步态特征转换到一个共同视角上。然而这些方法实现比较复杂，识别准确性有待进一步提高。

发明内容

针对上述问题，本发明提供了一种通过融合单个步态周期内步态的动态信息——步态光流图（Lacus Kanade Gait Flow Image,简称LK-GFI）与静态外观信息——头肩均值形状(Headand Shoulder Procrustes Mean Shape,简称HS-PMS)，并结合行人与相机的视角自动步态识别，实现远距离多视角的身份识别的方法。

本发明采用如下的技术方案：

本发明通过设计步态的动态特征分类器和静态特征分类器，并对二者进行融合，实现步态识别。首先，对原始的步态图像序列进行预处理以获得高质量的步态侧影图像，并提取步态周期，确定视角。然后，分别设计步态的动态特征分类器和静态特征分类器。最后，利用乘积规则对两个步态分类器的匹配结果进行融合。

本发明的特征在于采取以下步骤：

（1）预处理

步态特征LK-GFI和HS-PMS是以单个步态周期内的侧影图像为基础的，为获得高质量的步态侧影图像，需要对原始的步态图像序列进行预处理。预处理采用一般的常用技术，包括：运动目标分割，形态学处理，侧影图像归一化，以及步态周期提取。

（2）确定视角

视角即行人行走方向与相机之间的夹角。结合相机成像原理和单个步态周期内人在起始和终止位置时的坐标变化与高度变化，估计行走方向，并确定视角，为设计步态分类器做准备,以克服视角对识别性能的影响。

（3）设计动态特征分类器