[发明专利]一种基于确定学习理论的与视角无关的步态识别方法

摘要

本发明公开了一种基于确定学习理论的与视角无关的步态识别方法，属于模式识别技术领域。该方法包括以下步骤：预处理；特征提取；基于提取的步态特征，对训练集里不同视角下的步态系统动态进行神经网络建模、辨识；建立常值神经网络；构建动态估计器，利用不同视角下的步态模式之间在步态系统动力学上的差异，根据最小误差原则实现对测试模式的准确分类识别。本发明能够实现对不同视角下人体步态系统动态的局部准确建模和辨识，同时将不同视角下的步态模式组成一个统一的训练步态模式库，能够克服现有方法对于不同视角下的步态模式要分别构建对应训练集进行识别的问题，实现与视角无关的步态识别，具有更高的鲁棒性和实用性。

主权项

一种基于确定学习理论的与视角无关的步态识别方法，其特征在于，包含如下步骤：步骤一、预处理；(1)形态学处理：对训练集和测试集里每一个人在不同视角下的行走视频图像，依次进行前景检测、背景分离，对已经背景分离的人体运动目标图像进行形态学处理，去除二值化图像中存在的空洞，获得更优的分割效果；(2)轮廓提取：利用8连通分量分析的方法，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，提取每一个人不同视角下的步态轮廓序列；步骤二、特征提取；(1)步态周期检测：利用人体轮廓的高度和宽度随时间发生同步周期性改变的特性,通过人体轮廓的高度与宽度比值的变化信号来划分步态周期；(2)提取四个不同的人体轮廓宽度特征，构成一组步态特征变量；步骤三、非线性步态系统动态的建模和神经网络辨识；根据步骤二提取出来的步态轮廓宽度特征对训练集里每一个人在不同视角下的步态模式所对应的未知非线性步态系统动态建模，设计RBF神经网络辨识器，对步态系统未知动态的局部进行逼近；步骤四：常值神经网络的建立；根据确定学习理论,沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件,其权值收敛到最优值,取权值收敛后一段时间内各个权值的均值作为学习训练结果,并利用所述学习训练结果建立常值神经网络，所学到的步态动力学知识以常值神经网络权值的形式存储，将不同人在不同视角下的步态模式组成一个统一的训练模式库；步骤五：分类识别；利用常值神经网络构建一组动态估计器，把步骤三和步骤四学习到的训练集里每一个人在不同视角下的步态模式所对应的非线性步态系统动力学知识嵌入到估计器中，把测试集里待识别的某个人出现在某一包含在统一的训练模式库里的视角下的测试模式与这组动态估计器做差，形成一组识别误差，根据最小误差原则把测试模式准确分类识别出来，进行与视角无关的步态识别。