[發明專利]基于非線性耦合度量學習的步態特征融合方法

在審

• 申請號: 201811540264.0
• 申請日: 2018-12-17
• 公開（公告）號: CN109635754A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 呂卓紋;謝瑞強;馮娟;宰文姣;王一斌
• 申請（專利權）人: 四川師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 長春眾邦菁華知識產權代理有限公司 22214
• 代理人: 王瑩

1.基于非線性耦合度量學習的步態特征融合方法，其特征在于，包括以下步驟：

步驟一、采用碼本檢測方法從步態視頻流中獲取人的二值化輪廓序列，并將每幀圖像標準中心化；

步驟二、根據人行走中兩腿分離程度的周期性，檢測非正面步態周期，并在一個周期中提取步態能量圖特征和主動能量圖特征；

步驟三、將步態能量圖特征和主動能量圖特征進行非線性耦合度量學習，并投影到核耦合空間，得到新的步態能量圖特征和新的主動能量圖特征；

步驟四、對得到的新的步態能量圖特征和新的主動能量圖的特征的向量進行加權融合，得到核耦合空間的新步態特征。

2.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟一中，每幀圖像標準中心化為將二值化輪廓序列中的人體居中，每幀圖像統一大小。

3.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟二中，非正面步態周期檢測公式為：

式中，G_i為第i幀圖像腿部區域平均寬度，h₁和h₂分別為某幀前景圖像中人的腳踝和膝蓋的人體測量學高度，R_j和L_j分別為第j行中屬于前景圖像的最左邊和最右邊的像素位置。

4.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟二中，步態能量圖特征的提取公式為：

式中，E_GEI為步態能量圖特征，N為一個步態周期中包含的步態幀數，(x,y)代表二維圖像平面坐標，B_i(x,y)代表第i幀二值圖像。

5.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟二中，主動能量圖特征的提取公式為：

式中，E_AEI為主動能量圖特征，N為一個步態周期中包含的步態幀數，(x,y)代表二維圖像平面坐標，B_i(x,y)代表第i幀二值圖像，B_i+1(x,y)代表第i+1幀二值圖像，D_i(x,y)代表連續兩幀二值圖像的像素差。

6.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟三中，將步態能量圖特征和主動能量圖特征進行非線性耦合度量學習，最小化公式為：

式中，Tr(·)為矩陣跡的表示符號；A_x和A_y分別為X和Y的變換矩陣，φ(X)A_x＝φ(Y)A_y，φ(X)和φ(Y)分別為樣本矩陣X和Y映射到高維Hilbert空間F的結果；T為轉置符號；F_x和F_y為對角矩陣，對角元素分別為樣本矩陣X和Y的相關關系矩陣C對應行和對應列的累加和；K^x和K^y為核函數，公式如下：

式中，xⁱ和x^j為樣本矩陣X的樣本，yⁱ和y^j為樣本矩陣Y的樣本，σ為方差系數。

7.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟三中，將步態能量圖特征和主動能量圖特征投影到核耦合空間，得到新的步態能量圖特征和新的主動能量圖特征，公式為：

式中，E'_GEI為新的步態能量圖特征，E'_AEI為新的主動能量圖特征，T為轉置符號，和分別為對K^x和K^y的中心化，公式為：

式中，1_nn為矩陣維數n×n的單位矩陣，n分別代表樣本矩陣X和Y中樣本數。

8.根據權利要求1所述的基于非線性耦合度量學習的步態特征融合方法，其特征在于，所述步驟四中，對得到的新的步態能量圖特征和新的主動能量圖的特征的向量進行加權融合，得到核耦合空間的新步態特征，公式為：

E'＝αE'_GEI+(1-α)E'_AEI (10)

式中，E'為核耦合空間的新步態特征，E'_GEI為新的步態能量圖特征，E'_AEI為新的主動能量圖特征，α為加權系數。