[发明专利]基于姿态信息的步态多特征表达和匹配方法

说明书

本发明提供一种基于姿态信息的步态多特征表达和匹配方法，包括以下步骤：有肩、无肩姿态能量图提取、时变姿态特征及其二维频谱提取、基于MvDA降维矩阵的训练、自适应匹配得分计算及识别结果预测。主要从以下三个方面提高行走状态改变时步态识别的鲁棒性，其一：提取的无肩姿态能量图，通过忽略服装变化导致人体肩膀宽度的差异，只考虑胳膊和腿部摆动等特征，有助于提高穿衣变化的识别结果。其二：提取时变姿态特征的二维频谱特征，不仅考虑同一特征不同时刻的频谱，还考虑同一时刻不同特征的频谱，有助于提取人体关节之间的关联性；其三：采用自适应加权匹配得分计算的方法，有效地提高了背包和服装改变两种行走状态下步态识别的鲁棒性。

技术领域

本发明涉及步态的姿态匹配技术领域，具体而言，尤其涉及基于姿态信息的步态多特征表达和匹配方法。

背景技术

基于视频序列的步态识别大致分为两种：基于模型的方法和无模型的方法；

1)无模型的方法：通常将一个周期内的步态侧影图求和取平均得到步态能量图，包括基于步态能量图延伸出的步态差分熵图像，以及将步态轮廓序列组成一个独立的步态集合的方法等；

2)基于模型的方法：通过提取与预先设定的人体模型相匹配的特征，用来减少人体外观变化的影响。最早如钟摆模型，“五连杆双足”等人体运动模型。近几年提出基于Kinect传感器得到的人体姿态关键点信息，提取胳膊、腿部等的角度、距离等特征。

3)深度学习被广泛应用于基于无模型的步态识别和基于模型的步态识别领域中，并取得了很大的进展。

目前步态识别存在的问题是：通过人体轮廓进行步态识别，对轮廓的质量和背景噪音较敏感，如受步态拍摄视频的光照条件、以及背景等影响，导致提取的步态轮廓不完整。基于非模型的步态表达方法，当行走状态发生改变，如：服装改变和携带包裹等，均会影响步态侧影图的形状特征，增加整个识别过程的难度，降低识别的准确性；且基于模型的步态识别根据先验知识预定义的人体模型提取特征点的难点是难以从步态序列中标记人体的关键点坐标，鲁棒性较差。

发明内容

根据上述提出的技术问题，而提供一种基于姿态信息的步态多特征表达和匹配方法。本发明主要利用基于姿态信息的步态多特征表达和匹配方法，其特征在于，包括以下步骤：

步骤S1：基于姿态信息的步态多特征表达；所述步骤S1还包括：S11：无肩姿态能量图特征表达；S12：时变姿态特征表达；

所述步骤S11还包括以下步骤：

步骤S111：通过姿态估计方法从步态视频序列中获取到人体的25个关键点坐标；

步骤S112：对所述关键点坐标进行坐标变换；

将右肩RShoulder，右肘RElbow，右手腕RWrist和左肩LShoulder，左肘LElbow，左手腕LWrist的坐标均向以Neck和MidHip之间的连线为轴移动肩膀宽度一半的距离；

设RShoulder坐标为(x_RShoulder,y_RShoulder)，LShoulder坐标为(x_LShoulder,y_LShoulder)，Neck坐标为(x_Neck,y_Neck)，RElbow坐标为(x_RElbow,y_RElbow)，LElbow坐标为(x_LElbow,y_LElbow)，RWrist坐标为(x_RWrist,y_RWrist)，LWrist坐标为(x_LWrist,y_LWrist)；