[发明专利]一种基于虚拟姿态样本合成的异常步态行为识别方法

说明书

本发明公开了一种基于虚拟姿态样本合成的异常步态行为识别方法。使用三维参数化的异常步态真实训练样本对虚拟姿态样本合成模型进行训练，然后使用训练完成的模型来生成虚拟样本，再利用真实训练样本和虚拟样本对SoftMax异常步态行为分类器进行训练，训练完成后即能够通过分类器对采集的异常步态行为进行准确识别。本发明所采用的虚拟姿态样本合成方法和特征调制机制，可以有效解决人体异常步态真实训练样本少的问题，显著提高异常步态行为检测和识别模型的鲁棒性，具有广泛的应用前景，包括：危险区域异常步态行为识别，老龄人异常步态行为检测，智能驾驶和安防中的行人步态行为分析等，有很好的经济和社会效益。

技术领域

本发明涉及一种基于虚拟姿态样本合成的异常步态行为识别方法。

背景技术

异常步态通常指人体行走时的各种非正常的动作和姿态。作为一种重要的生物特征，它可以用来实现老龄人异常步态行为检测，安防领域中的异常行为监测，自动驾驶环境下的行人异常行为分析，医学中的步态症状评估和分析等，具有很广阔的应用前景和较大的实用价值。

当前通过视觉手段对异常步态行为进行检测和识别，主要有两种方法：一种基于传统二维图像数据，另一种基于结构光传感器采集的三维点云数据。使用二维视觉方法比较直观且方便，使用二维彩色摄像机来获取人体的步态运动图像数据，并通过模式识别方法进行检测和分析。比如，使用人体质心所在的相对位置来判断跌到，使用二值步态轮廓和支持向量机来进行异常步态行为的检测分类，使用步态能量图或运动历史图等基于统计信息的步态图像来进行异常步态特征的表述和分类识别等。

由于人体视觉是三维系统，通过三维摄像机采集的深度或点云数据来进行异常步态行为分析，可以充分发挥三维视觉的优势。比如使用深度摄像机来进行人体行为识别，通过法向量来提取人体运动能量特征的方法，实现对异常步态行为的分类和识别。使用滤波方法来获取深度视频中的局部特征点，通过深度长方体相似性特征描述和度量方法，将其应用于行为检测和识别算法中。

当前，无论二维检测方法还三维识别方法，都存在一个比较明显的问题，就是异常步态的训练样本不足。相比正常步态而言，真实异常步态行为数据太少，其中涉及到个人隐私等问题。由于无法大规模采集训练样本，因而形成了模式识别中的小样本问题。小样本问题，会使得异常步态检测识别在面对视角和形体变换，遮挡和衣着变化等外在因素时，直接影响到识别模型的识别准确性。二维步态图像由于缺少深度信息，无法构建三维空间模型，无法充分发挥三维人体模型的特点进行虚拟样本扩展。

当前，基于结构光深度传感器的人体行为检测识别方法得到了不少的关注。但是，结构光传感器所获取的人点云数据往往是杂乱无章的，同时也会受到光线、背景和遮挡等外界干扰，数据存在噪音和缺失。与此同时，三维异常人体步态数据获取比二维更加困难，比如摔倒，昏厥，跛脚等数据采集难度大，真实数据较少，大多是通过正常人员或专业演员模拟得到的单一视角数据。

在生物特征小样本扩展方面，通常使用两种技术，一种是根据生理结构对称性假设的镜像对称虚拟样本合成，如人脸识别中的左右完全对称样本合成。另一种是通过添加高斯噪音到原来样本中，以生成新的虚拟样本。镜像虚拟样本是一种完全对称的操作，但即使是正常健康的人，其人体也不是完全对称的，镜像对称是一种理想的假设，与实际存在偏差，一定程度上会影响到真实的识别效果。而添加高斯噪音的方法，可以解决图像识别中的普通白噪音干扰问题，但并不能解决不同人在相同动作上的个体差异问题，即不同人在同一个动作上，其姿态关节的变化上存在差异。同时对于加入高斯噪音的均值和方差很难自动选取，噪音过小作用不明显，噪音过大可能影响到分类结果，通常依据个人经验来设定，因此通用性不强。

发明内容