[发明专利]一种基于隐马尔科夫模型的步态去噪方法

权利要求书

1.一种基于隐马尔科夫模型的步态去噪方法，其特征在于：包含以下步骤：

步骤1：对采集到的步态轮廓高度进行归一化处理；

步骤2：对采集到的步态序列长度进行归一化处理：使用KNN算法将长度为L，LN；的步态序列聚类成为长度为N的步态序列，将一个步态序列等距划分为N个步态集合,然后根据步态轮廓的距离在相邻步态集合之间做聚类操作，保证任意一个步态集合中至少有一个步态轮廓；

步骤3：根据步骤2得到的步态集合建立步态集合概率分布序列：根据公式获得第j个步态集合的累加和其中，D为步态集合的长度，S_j,d表示第j个步态集合S_j的第d个步态轮廓；根据公式获得第j个步态集合的概率分布P_j；其中，S_j,d(x,y)表示第j个步态集合S_j的第d个步态轮廓图片中的像素点坐标，x表示步态轮廓图片归一化后的像素高度，y表示步态轮廓图片归一化后的像素宽度；

步骤4：采用隐马尔可夫模型计算步态轮廓的先验估计；

所述隐马尔可夫模型表示为：λ＝(N,M,Π,A,B)；

模型中的参数具体意义如下：

1)N是隐状态的数目，即归一化后的每个步态序列长度；

2)M是观察状态的数目，即输入的一个步态周期的长度；

3)Π是隐状态的初始向量；

4)A为隐状态的状态转移矩阵；

5)B为隐状态的混淆矩阵；

基于现有的步态数据集对状态转移矩阵A和混淆矩阵B进行求解，得到步态序列中每个步态轮廓所对应的步态概率分布，看作是步态轮廓的先验概率；

步骤5：将步态轮廓和对应的步态概率分布相乘，再做二值化处理，得到步态轮廓的似然估计的结果；

步骤6：结合步骤4中获得先验估计的结果和步骤5中获得的步态集合的似然估计的结果对步态进行后验估计；

步骤7：在步态后验估计的基础上进行步态回归。

2.根据权利要求1所述的基于隐马尔科夫模型的步态去噪方法，其特征在于：步骤2中所述对步态序列长度进行归一化处理，将长度为L的步态序列聚类成长度为N的步态序列。

3.根据权利要求1所述的基于隐马尔科夫模型的步态去噪方法，其特征在于：步骤7中所述在步态后验估计的基础上进行步态回归，对步态后验估计做逆归一化操作。