[发明专利]基于步态识别的煤矿井下人员身份识别方法

说明书

本发明公开了一种基于步态识别的煤矿井下人员身份识别方法，该方法对采集的煤矿井下步态图像进行预处理，得到高维步态图像向量，运用自适应的度量方式，设置邻域权值矩阵，构造目标函数，优化目标函数，用最佳投影矩阵将测试集数据投影到低维特征分类空间，实现对高维空间数据样本点的维数约简和步态特征提取；在识别时，将待识别步态图像序列输入K‑NN分类器，实现对步态图像的分类识别监测。该方法受照度影响小，能较好地判定各高维数据点所在子空间的局部信息和类别信息，识别率高，稳定性好，能为煤矿井下人员位置自动化监测、人员身份自动化识别等提供可靠信息。

技术领域

本发明涉及一种基于步态识别的煤矿井下人员身份识别方法，该方法涉及图像识别和通信等领域。

背景技术

煤炭是我国最重要的基础能源，也是我国战略性发展能源之一，我国以煤为主的能源结构将长期不变。随着经济地不断发展，煤炭需求总量不断提升，与之而来的煤矿安全生产事故也逐渐增多，因此煤矿安全问题亟待解决。作为煤矿井下安全避险“六大系统”之一，煤矿井下人员位置监测系统用来监测井下人员位置，具有管理、查询携卡人员出入井时刻、重点区域出入时刻、限制区域出入时刻等功能。其中，矿井下人员身份识别是该系统作业的关键环节，目前使用较广的生物识别技术有指纹识别、人脸识别、虹膜识别和掌形识别等，在矿井下，人员身份识别技术常采用指纹识别、人脸识别。虽然这些生物识别技术研究较为成熟，在正常环境下有着较高的识别率。但是矿井下环境恶劣，光照度低、空间有限、空气潮湿、巷道中浮游杂志如煤尘含量较高等，均使得指纹和人脸模糊不清，大大降低了指纹识别和人脸识别对矿井下人员身份的识别率。

步态识别，旨在根据人的体型特征和走路姿态进行身份识别。作为一种新兴的生物特征识别技术，因其在远距离、低视频质量情况下的识别潜力，迅速引起了国内外研究者的广泛关注。步态识别与人脸、指纹等其它生物特征识别技术相比，具有远距离、非受控，难以伪装、受环境影响小等优势，在矿井下的恶劣环境中仍可识别感知。

目前已有多种步态特征提取方法，包括Hough变换、PCA、小波变换、时频域分析、Trace变换、线性插值和张量判别分析等，但这些方法都是线性方法，来处理线性结构数据较为有效，却得不到步态图像非线性的本质结构。除此之外，经典LPP算法虽在子空间中投影，但仍利用数据在初始空间的距离特征来进行近邻选择和相似度的确定。因原始数据会包含各种冗余特征(噪声等)，故不能真实反映数据间的相似度。由于步态图像序列的特点是高维、复杂多变且为非线性数据，因此上述各方法对步态识别的识别率不高且应用较为有限。

发明内容

本发明提出一种基于步态识别的煤矿井下人员身份识别方法，该方法采用自适应的方式选取最近邻点，根据同类、异类样本间的不同约束构建目标函数，通过最小化目标函数得出最佳投影矩阵，从而通过对高维步态数据样本点的投影降维来完成煤矿井下作业人员的分类识别监测。该监测方法受照度影响小，能较好地判定各高维数据点所在子空间的局部信息和类别信息，从而使该方法具有较高的识别正确率和识别稳定性，能为煤矿井下人员位置自动化监测、人员身份自动化识别等提供可靠信息。解决目前的步态识别方法对步态识别的识别率不高且应用较为有限的问题。

本发明提供一种基于步态识别的煤矿井下人员身份识别方法，包括以下步骤：

A.采集煤矿井下多个作业人员的步态视频序列，组成步态图像数据库；

B.将步态图像数据库中的步态视频序列进行预处理，得到高维空间的步态视频图像向量，然后从每个作业人员的步态视频序列中选取一半作为训练集，另一半作为测试集；

C.将训练集中的步态视频图像向量进行维数约简，求解最佳投影矩阵；

D.用最佳投影矩阵，将测试集的步态视频图像数据投影到低维步态图像数据特征分类空间，实现步态特征数据的提取；

E.将待识别步态图像序列输入K-NN分类器，利用K-NN分类器在测试集上根据提取的步态特征进行分类识别，并根据分类识别结果，鉴别煤矿井下人员身份。