[发明专利]一种基于相似规则高斯核函数分类器的步态识别方法

权利要求书

1.一种基于相似规则高斯核函数分类器的步态识别方法，其特征在于包括以下步骤：

S1.摄像头实时采集当前背景图像和检测目标的步态原始图像序列，并采用欧式距离法去除背景，得到去除背景后的步态二值图像序列；

S2.将去除背景后的步态二值图像序列的每张图像进行形态学处理，再截取人体轮廓区域图像并正规化成高度为100像素，宽度为128像素的步态标准图像，获得步态标准图像序列；

S3.对步态标准图像序列运用“间隔取帧”技术从中等间隔地取3个步态子序列(每个子序列包含多张步态标准图像)，对于每个子序列中的每张图像，计算图像中人体轮廓的质心坐标和最外轮廓点到质心的距离，提取出3个不同的距离信号子序列；

S4.给定特征值积累阈值τ，将获得的距离信号进行主成分分析降维；然后，对降维后的距离信号按每个步态子序列求均值，将该均值距离信号作为该子序列的步态特征向量；

S5.利用步态特征向量数据库中的所有步态特征向量进行相似规则构建，导出聚类数目和各聚类中心；

S6.对每个聚类簇中的步态特征向量，分别构造一个高斯核函数分类器进行训练；

S7.按相似规则找到检测目标的3个步态子序列特征向量对应的高斯核函数分类器进行分类，再求各个子序列步态特征向量的分类结果的众数作为最终识别结果；

S8.输出识别结果。

步骤S5中相似规则构建由以下三个子步骤构成:求解数据轮廓参数γ，利用相似度聚类算法更新数据点和利用层次聚类算法划分聚类簇；相似规则构建的详细步骤为：

S51.求解数据轮廓参数γ：

S511.令当前迭代次数t＝1，并给定相关系数终止阈值ε₁；

S512.计算和的相关系数，其中n为样本点数目，γ_t＝5t；其中

S513.如果相关系数大于或等于指定的ε₁，选择γ_t作为γ的估算值，否则令t＝t+1，重复步骤S512；

S52.利用相似度聚类算法更新数据点：

S521.初始化给定终止阈值ε₂，设置初始迭代次数η＝0；

S522.计算S_ij＝(exp(-||x_j-z_i||²)/β)；

S523.计算令η＝η+1，直至

S53.利用层次聚类算法划分聚类簇：

S531.令划分阈值ε₃＝3ε₂；

S532.对步骤S52完成后获得的进行层次聚类，按划分阈值ε₃找出对应的聚类数目c^*和各聚类中心。

2.根据权利要求1所述的步态识别方法，其特征在于：步骤S3所述的“间隔取帧”技术为将步态标准图像序列按编号每间隔三张取帧，形成三个子序列(例如：(1，4，7…),(2，5，8…),(3，6，9…))。

3.根据权利要求1所示的步态识别方法，其特征在于所述的最终识别结果是：计算检测目标的各步态子序列特征向量与各个聚类中心点的相似度，选择最相似的中心所属的多分类模型进行分类识别，并求分类结果的众数作为最终识别结果。