[发明专利]基于椭圆傅立叶分解的行人时空轮廓表示方法

摘要

本发明公开了一种基于椭圆傅立叶分解的行人时空轮廓表示方法。主要分三个步骤进行，首先使用多分布模型进行背景模型更新，然后利用二值化、形态学算子和8连通轮廓跟踪法提取出待处理的原始行人的时空轮廓。接着基于MDL确定点对应关系，对于目标函数增加表示灰度分布特征的CDI特征，以得到准确的点对应关系。最后分析行人轮廓的闭合性，考虑到其上任意点沿轮廓移动最终会回到原来位置的周期性特点，利用椭圆傅立叶分解，忽略高频形状细节部分，保留低频全局形状信息，从而将高维的2D+time轮廓向量表示为低维的EFCShape向量。本发明在保留对轮廓分析的有效信息的同时，实现了轮廓数据的有效压缩，为后续的步态识别等应用提供了一个高效的轮廓表示方法。

主权项

基于椭圆傅立叶分解的行人时空轮廓表示方法，其特征在于，包括以下步骤：(1)进行轮廓压缩前的预处理；(2)使用procrustes分析的方法，计算各个形状之间的Procrustes距离，通过最小化每个轮廓与平均形状之间的误差平方和来对齐各个轮廓；首先选取第一个形状作为初始样本，使其他所有的形状都与之对齐；然后，对计算得到的对齐后的平均形状进行规一化处理，并将规一化后的平均形状作为初始样本；最后，将其他在此之前对齐好的形状与新的初始样本对齐；重复这一对齐过程，直到相邻两次的平均形状差别小于一阈值；(3)轮廓PCA处理：通过主分量分析，把训练样本从原始的笛卡尔坐标空间转换到特征空间，得到一系列相互正交的特征向量，这些特征向量张成一个(t-1)维的形状空间；(4)计算反映行人轮廓关键标志点的曲率在行人行走过程中变化幅度不大特征的Curvature Cost值，并将其添加到原有的MDL目标函数中；使得MDL目标函数在收敛的过程中考虑到关键标志点处曲率的变化特征，以增加点对应关系的求解精度；(5)计算反映行人在行走过程中局部灰度分布特征保持一致性的CDICost值，通过对图像的局部结构信息进行分析，对每个标志点建立反映图像差分结构的向量CDI，它表示标志点在一定尺度下，在图像旋转和变换时保持不变的局部图像结构信息；通过在MDL目标函数中增加反映各个标志点的局部图像结构信息对应关系的代价函数CDICost，使目标函数值更加收敛，得到更好的统计形状模型；(6)根据步骤(4)和(5)的结果及第i个轮廓Si在第m个方向Pm上投影得到的坐标为bm，i计算总的MDL目标函数值；(7)在轮廓上重新调整标志点的位置，直到MDL目标函数值达到收敛，从而得到优化的点对应关系；(8)在点对应关系确定的基础上，对于连续视频中某帧行人轮廓的N阶椭圆傅立叶分解，除去3个常椭圆傅立叶系数，剩下的椭圆傅立叶系数可组成一长度为4N-3的一维向量EFC(S，N)。再考虑所有帧的轮廓，从而得到行人时空轮廓的压缩表示。