[發(fā)明專利]基于高階張量子空間學習的多視角步態(tài)識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710126372.2
• 申請日: 2017-03-06
• 公開（公告）號: CN106934359B
• 公開（公告）日: 2020-09-22
• 發(fā)明（設計）人: 劉洪濤;劉光軍;蹇潔;劉媛媛;雷大江
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/60
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種基于高階張量子空間學習的多視角步態(tài)識別方法，其特征在于，包括：

獲取多視角的步態(tài)圖像，多個步態(tài)圖像組成步態(tài)圖像集；

對每個步態(tài)圖像進行預處理，得到相應視角的輪廓序列；

將所述輪廓序列轉換為張量數(shù)據(jù)；

對所述張量數(shù)據(jù)依次進行數(shù)據(jù)維度降低處理及特征提取處理；

根據(jù)提取得到的多視角步態(tài)特征，對步態(tài)特征進行相似度測量，得到識別結果；

對所述張量數(shù)據(jù)進行數(shù)據(jù)維度降低處理包括：基于將高維張量數(shù)據(jù)映射到低維空間的多線性判別分析方法和圖嵌入處理方法，對判別張量子空間分析方法進行拓展，并利用拓展得到的高階判別張量子空間分析方法，對張量數(shù)據(jù)進行數(shù)據(jù)維度降低處理；

對所述張量數(shù)據(jù)進行數(shù)據(jù)維度降低處理，用于保留原來圖像矩陣的空間結構信息，并保留樣本分布的局部結構；

所述圖嵌入處理方法用于通過定義本征圖和懲罰圖來描述數(shù)據(jù)集的特征，其中本征圖用于描述數(shù)據(jù)集中需要增強或者強化的統(tǒng)計或幾何性質，懲罰圖用于描述數(shù)據(jù)集中需要抑制或者削弱的統(tǒng)計或幾何性質。

2.根據(jù)權利要求1所述的步態(tài)識別方法，其特征在于，所述對每個步態(tài)圖像進行預處理包括：

背景提取，包括采用中值法確定圖像灰度值，包括在同一視角的每幀步態(tài)圖像的同一位置的像素灰度組成一維數(shù)組，取數(shù)組的中間值作為步態(tài)圖像當前位置的灰度值；

背景減除，包括將每幀步態(tài)圖像與背景圖像進行差分處理得到步態(tài)圖像中的人體部分，同一視角的步態(tài)圖像中的人體部分組成灰度差分圖像序列；

二值化處理，包括采用迭代閾值法對圖像進行二值化處理，得到相應的二值圖像。

3.一種基于高階張量子空間學習的多視角步態(tài)識別系統(tǒng)，其特征在于，包括：

視角劃分模塊，用于獲取多視角的步態(tài)圖像，多個步態(tài)圖像組成步態(tài)圖像集；

預處理模塊，用于對每個步態(tài)圖像進行預處理，得到相應視角的輪廓序列；

張量空間構建模塊，用于將所述輪廓序列轉換為張量數(shù)據(jù)；

降維與特征提取模塊，用于對所述張量數(shù)據(jù)依次進行數(shù)據(jù)維度降低處理及特征提取處理；

多視角融合識別模塊，用于根據(jù)提取得到的多視角步態(tài)特征，對步態(tài)特征進行相似度測量，得到識別結果；

所述降維與特征提取模塊包括高階拓展單元和降維單元，

所述高階拓展單元用于基于將高維張量數(shù)據(jù)映射到低維空間的多線性判別分析方法及圖嵌入處理方法，對判別張量子空間分析方法進行拓展，得到高階判別張量子空間分析方法；

所述降維單元用于利用拓展得到的高階判別張量子空間分析方法對張量數(shù)據(jù)進行數(shù)據(jù)維度降低處理；

對所述張量數(shù)據(jù)進行數(shù)據(jù)維度降低處理，用于保留原來圖像矩陣的空間結構信息，并保留樣本分布的局部結構；

所述圖嵌入處理方法用于通過定義本征圖和懲罰圖來描述數(shù)據(jù)集的特征，其中本征圖用于描述數(shù)據(jù)集中需要增強或者強化的統(tǒng)計或幾何性質，懲罰圖用于描述數(shù)據(jù)集中需要抑制或者削弱的統(tǒng)計或幾何性質。

4.根據(jù)權利要求3所述的步態(tài)識別系統(tǒng)，其特征在于，所述預處理模塊包括背景提取單元、背景減除單元和二值化處理單元，

所述背景提取單元采用中值法確定圖像灰度值，包括在同一視角的每幀步態(tài)圖像的同一位置的像素灰度組成一維數(shù)組，取數(shù)組的中間值作為步態(tài)圖像當前位置的灰度值；

所述背景減除單元用于將每幀步態(tài)圖像與背景圖像進行差分處理得到步態(tài)圖像中的人體部分，同一視角的步態(tài)圖像中的人體部分組成灰度差分圖像序列；

所述二值化處理單元采用迭代閾值法對圖像進行二值化處理，得到相應的二值圖像。

5.根據(jù)權利要求3所述的步態(tài)識別系統(tǒng)，其特征在于，所述圖嵌入處理方法為MFA方法，所述降維與特征提取模塊還包括跟蹤優(yōu)化單元和提取單元，

所述跟蹤優(yōu)化單元采用Newton-Lanczos處理方法對圖像的跟蹤率進行優(yōu)化；所述提取單元用于從張量數(shù)據(jù)的流形結構中提取判別特征。

6.根據(jù)權利要求3所述的步態(tài)識別系統(tǒng)，其特征在于，所述將所述輪廓序列轉化為張量數(shù)據(jù)包括：利用Gabor濾波器獲取圖像空間位置、空間頻率及方向選擇性的局部結構信息，將不同視角的圖像轉化為張量形式。