[發明專利]一種具有監督機制的步態識別方法

在審

• 申請號: 201310004713.0
• 申請日: 2013-01-08
• 公開（公告）號: CN103235928A
• 公開（公告）日: 2013-08-07
• 發明（設計）人: 楊旗
• 申請（專利權）人: 沈陽理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 沈陽利泰專利商標代理有限公司 21209
• 代理人: 李樞

1.一種具有監督機制的步態識別方法，其特征在于：其采用三層的動態貝葉斯網絡模型進行步態識別，其中：模型第一層采用人體步態輪廓為特征，并且當前時刻的狀態只與下一個時刻狀態相關；模型第二層采用步態幀差圖像為特征，并且當前時刻的狀態與下一時刻相關，并且與第一層當前時刻狀態及下一時刻狀態相關；模型第三層為監督層，與第二層當前時刻狀態及第一層當前時刻狀態相關。

2.按照權利要求1所述的一種具有監督機制的步態識別方法，其特征在于：模型第二層中的步態幀差圖像特征采用建立特征向量的方法表達，特征向量的建立采用如下步驟：

首先，用固定大小的矩形框來分割人體幀差圖像，把人體幀差圖像進行分段處理；

其次，計算每段矩形框的轉動慣量；

最后，用轉動慣量的值來構建特征向量。

3.按照權利要求2所述的一種具有監督機制的步態識別方法，其特征在于：所述具有監督機制的步態識別方法還滿足下述要求：監督層根據當前時刻的第一層狀態，即判斷人體輪廓圖像是否為非人體步態的異常行為，來決定當前模型是否進行模型學習及識別；同時，還根據當前時刻第二層狀態，即判斷幀差圖像是否為非人體步態的異常行為，來決定當前模型是否進行模型學習及識別。

4.按照權利要求3所述的一種具有監督機制的步態識別方法，其特征在于：

所述具有監督機制的貝葉斯網絡模型含有3個狀態變量????????????????????????????????????????????????,,及5個觀測變量；其中用來表達步態序列的靜態幀信息，即t-1時刻步態幀、t時刻步態幀，上述的步態幀信息只包含當前時刻的步態靜態的信息；用來表達幀差圖像，用來表示對和狀態的監督；觀測變量、、為步態靜態幀信息的關節角、高度、寬度信息；觀測變量、為步態運動的幀差的速度及幅度信息；

在3層的動態貝葉斯網絡模型中，模型第一層及第二層的狀態用以描述人行走時步態的動態信息及靜態信息；在每個模型層中動態概率過程假設是馬氏的，即未來時刻的概率只與當前時刻有關而與過去時刻無關：依賴于；由于步態行走是個時序的過程，反映的是隨時刻t步態幀的姿態、幅度、輪廓以及節奏的變化；隨時刻t變化的動態信息能反應出人行走時的步態幅度、節奏的變化，而隨時刻t變化的靜態信息能很好的表達步態的姿態、輪廓外形的信息；在模型中動態信息受當前時刻及前一時刻靜態信息的作用來表達。

5.按照權利要求2、3或4所述的一種具有監督機制的步態識別方法，其特征在于：

所述具有監督機制的步態識別方法中，步態幀差圖像特征采用建立特征向量的方法表達，特征向量的建立采用如下步驟：

首先從上到下用固定大小的矩形框來分割人體幀差圖像，把人體幀差圖像分為若干段；其次計算每段矩形框的轉動慣量；最后，用轉動慣量的值來構建特征向量；即：

，其中m取為像素點的像素值，幀差為二值圖像，白色區域應該為255，但為了便于計算試驗中像素值設定常量值為1；r為像素點到矩形中心的距離，設定矩形中心點為坐標（0，0）點，即，矩形區域中動態部位的像素點坐標為（x，y），即圖像中白色區域的坐標點，以此特征值建立特征向量；

所述具有監督機制的步態識別方法，模型第三層為監督層，監督層根據當前時刻第一層狀態，即判斷人體輪廓圖像是否為非人體步態的異常行為，來決定當前模型是否進行模型學習及識別；以及根據當前時刻第二層狀態，即判斷幀差圖像是否為非人體步態的異常行為，來決定當前模型是否進行模型學習及識別；

步態行走是個時序的過程，在單位時間片t內，不僅包含有由步態序列幀表達的外形輪廓靜態信息，還包含有由幀差圖像表達的人體行走時的節奏性動態信息：運動幅度、速度；在動態信息的表達中，人在步態行走時，通常表現為左右肢體交替性的有節奏的擺動，這種擺動從人體側面90度視角觀察時，表現為人體的左右部分由前向后，再由后向前的運動過程，在此過程步態幀差中：幀差的前向部分和幀差的后向部分表達了人體運動左右部分的動態運動特性；

由如上動態信息和靜態信息的融合構建具有監督機制的貝葉斯網絡模型：?具有監督機制的貝葉斯網絡模型含有3個狀態變量,,及5個觀測變量；其中用來表達步態序列的靜態幀信息，即t-1時刻步態幀、t時刻步態幀，此步態幀信息只包含了當前時刻的步態靜態的信息：外形輪廓、姿態；用來表達幀差圖像，用來表示對和狀態的監督；觀測變量、、為步態靜態幀信息的關節角、高度、寬度信息；觀測變量、為步態運動的幀差的速度及幅度信息；

具有監督機制的步態識別方法采用3層的動態貝葉斯網絡模型，模型中第一層及第二層的狀態用來來描述人行走時步態的動態信息及靜態信息，第三層用來作為監督層，而在每層中動態概率過程假設是馬氏的（Markovian），即未來時刻的概率只與當前時刻有關而與過去時刻無關：依賴于；由于步態行走是個時序的過程，反映的是隨時刻t步態幀的姿態、幅度、輪廓以及節奏的變化；隨時刻t變化的動態信息能很好的反應出人行走時的步態幅度、節奏的變化，而隨時刻t變化的靜態信息能很好的表達步態的姿態、輪廓外形的信息；在模型中動態信息受當前時刻及前一時刻靜態信息的作用來表達，模型能融合步態行走的動靜態信息；

推理動態貝葉斯網絡模型就是計算在給定觀察序列計算隱狀態變量的邊緣概率，通過計算所有狀態節點的聯合概率分布，然后再邊緣化，進而計算所有狀態節點的概率分布，模型推理的全局聯合概率分布為：

在上式中，任一狀態節點的聯合概率分布為：

????條件概率分布為：

模型學習根據給定的訓練數據來估計模型的參數進行，令表示t時刻的狀態，表示狀態序列，表示t時刻的觀測數據，表示觀測序列；模型學習的任務是根據給定的訓練數據來估計模型的參數，對于給定訓練觀測序列，由模型參數最大似然方法估計，即：

,?

觀測是不完全的，故通過Expectation-maximization（EM）算法來進行迭代求解：

(14)

其中表示第n次迭代時的參數估計，通過上式迭代收斂到一個局部極值，至少達到局部最優；

在使用模型的步態識別上來看，基于動態貝葉斯網絡識別是一個推理迭代求解過程，給定R個訓練好的模型，其中每個模型對應一個人的步態，通過測試，觀測序列為,則由下式確定分類：

??????????

其中為模型的先驗概率，取為平均值1/R，設模型參數為，則，觀測序列給定，則，則上式推導為：

由以上公式確定分類，進而進行識別。