[发明专利]一种多区域特征融合的步态识别方法及系统

说明书

技术领域

本发明涉及步态识别技术，特别是指一种多区域特征融合的步态识别方法及系统。 

背景技术

随着安全敏感场合对智能监控系统需求的增加，非接触远距离监控系统成为当前生物识别领域的一个研究热点，例如美国远距离身份识别(HID，HumanIdentification at a Distance)计划，旨在远距离情况下进行人的检测、分类和识别。步态作为唯一可远程识别的生物认证技术，越来越受社会及科研机构的关注。在社会安全、身份认证、视频监测等方面有着广泛的应用前景。 

步态特征在早期的医学研究以及近期的步态分析中证明了其中含有人的身份信息，这使得步态识别成为生物识别研究中的新兴领域。与传统的生物识别技术相比，步态识别技术具有非侵犯性、远距离识别性、清晰度要求低以及难以隐藏等优点。 

步态识别技术主要通过人行走时的姿态来识别个人的身份，目前，步态识别技术主要是基于人体侧面轮廓进行研究的，由于轮廓的区域特征很直观，因此很多研究者尝试基于人体轮廓提取区域参数用于步态识别。例如：Cunado等将大腿建模为链接的钟摆；Johnson和Bobick使用人体静态参数，包括腿长、步长等作为步态特征；Hayfron-Acquah等使用广义对称算子分析人体运动的对称性；Little和Boyd基于人体轮廓提取出了质心等参数，并且，以此为基础分析人体的相位来进行步态识别。 

还有，田光见等人利用人体步态轮廓图像边界到重心的距离矢量对步态轮廓图像进行描述，采用步态图像的宽高比(细长度)进行步态的准周期性分析， 利用隐马尔可夫模型进行步态识别；黄凤岗等人根据面积变化确定运动周期，提取人体宽度信息，对下肢进行Radon变换，提取运动角度信息，最后对所得到的信息降维并进行动态时间规整。 

以上各种算法都是独立、单一的算法，在特征提取方面，基本也是仅基于某一类提取的特征完成步态识别。 

近年来融合技术日益流行，在步态识别中，所谓融合主要是指将现有不同步态识别的方法、或者不同步态识别方法得到的结果，运用一定算法集合在一起。融合技术应用在步态识别上，将现有不同的步态识别方法的优点集合在一起，效果往往比较好，不失为一种好的步态识别方法。具体的，Agus Santoso Lie等将adaboost算法用在步态识别上，在分类决策层面上进行了融合；Xiaoli Zhou等通过融合不同的特征来提高步态识别的效果，提出的算法大致如下：先用主成分分析(PCA，principal components analysis)把构造的高分辨率人脸侧面图(High-Resolution Side Face Image)和步态能量图(GEI，Gait Energy Image)分别提取出重要特征向量，然后用多重判别分析(MDA，Multiple DiscriminantAnalysis)进一步提取重要的特征，再将提取到的人脸和步态特征整合在一起作为个人的特征，最后用最近邻法进行分类。 

上述通过融合技术的方法，可以改善特征过少的问题。然而，基于融合技术的方法，需要对多个特征进行提取，且提取的特征越简单、有效将越适用于通过融合技术来进行步态识别，如果特征提取过于复杂势必会增加运算开销，影响融合技术在步态识别中的应用。 

发明内容

有鉴于此，本发明的主要目的在于提供一种多区域特征融合的步态识别方法和系统，能提高步态识别率，且实现简单、方便、有效。 

为达到上述目的，本发明的技术方案是这样实现的： 

本发明提供了一种多区域特征融合的步态识别方法，包括以下几个步骤： 

a1.将测试图片序列与每个测试对象的参考图片序列分别进行步态区域检测，得到每幅图片的步态区域图像；

b1.提取所有步态区域图像中包括紧致度在内的一个或一个以上区域特征；所述紧致度为所述步态区域图像中运动对象的轮廓周长的平方除以运动对象轮廓的面积； 

c1.对步骤b1中提取的各个区域特征进行相似性度量，并将各个区域特征的相似值分别进行融合，根据融合后测试图片序列与参考图片序列的相似程度识别出测试图片序列中的对象。其中，步骤b1中所述一个以上区域特征还包括矩形度、细长度、质心高度三者中的一个或三者的任意组合。 

其中，步骤c1所述将各个区域特征的相似值进行融合具体为：将各个区域特征的相似值采用乘性原则进行融合。步骤c1中所述相似性度量具体为：利用动态时间规整算法将测试图片序列与每个测试对象的参考图片序列进行动态时间规整，并计算出基于欧式距离的各个区域特征的相似值。