CN101488185A - 基于分块矩阵的步态识别方法 - Google Patents

Abstract

本发明提供的是一种基于分块矩阵的步态识别方法。首先从视频中提取单帧图像进行灰度变换，采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中统一大小为64*64像素；根据步态视频序列中每帧图像标准中心化后图形区域拟合的椭圆短轴和离心率来观测步态的周期性变化情况；从而在一个周期中采用步态能量图提取步态的整体特征，采用分块矩阵的方式对GEI进行子块划分，自适应地去掉对分类无用的子块，运用子块模式的二维主成分分析结合子块模式的二维线性判别分析的方法进一步局部特征提取；在分类识别时将每个有效子块的特征合为整体，采用最近邻分类器进行身份判别。本发明对背包变化的步态的识别有效。

Description

基于分块矩阵的步态识别方法

(一)技术领域

本发明属于模式识别技术领域，具体涉及一种步态识别方法。

(二)背景技术

随着安全敏感场合(银行、机场等)对智能视觉监控系统的需求，一些传统的生物特征识别系统难以满足实际应用的需要。这种非接触式远距离的身份识别研究——基于运动视觉的第二代生物特征识别技术，引起了研究人员的广泛关注。人脸、指纹等生物特征通常要求近距离或接触性的感知。它们在远距离情况下将不可能使用，而步态此时，在被观测者未知的情况下是唯一一个难以隐藏、难以伪装和可被捕获感知的生物特征。因此，步态识别技术对于计算机视觉与模式识别领域的科学研究人员来说具有重要的社会和科学研究意义。

步态特征蕴含在人的行走过程中，包括人的行走频率相位，躯干倾斜度，脚踝变化，胳膊摆动的不同等等，所以通常一个周期序列图像中提取出来的步态特征才可以表征一个人的步态特点。但是，在进行步态识别时就面临着一个实质性的问题：数据量过于庞大。而数据量过大直接导致步态特征提取复杂，运算时间过长等问题。步态能量图像就能很好地解决这个问题，它利用加权平均的简单步骤将一周期步态图(GEI)合成为一幅图像，这幅图保留了轮廓、频率、相位等步态信息。这样，步态数据量减少到了原来的几十分之一。由于步态能量图有这样的优势，研究人员利用步态能量图作为特征直接用于分类。

关于步态的特征提取技术，2001年中国科学院自动化所模式识别国家重点实验室(NLPR)提出3种步态识别算法，并申请了一项发明专利——基于步态的远距离身份识别方法(申请专利号01144157.7)，三种识别算法都是结合传统的主成分分析(Principal Component Analysis，PCA)的降维方法。西安电子科技大学采用了GEI与主成分分析(PCA)、GEI与核主成分分析(KPCA)、GEI与KPCA+LDA(线性判别分析)等特征提取方法。但这些方法都由于特征提取不精简存在着计算量大，识别精度不高等问题。

(三)发明内容

本发明的目的在于提供一种能够有效提高步态识别速度和精度的基于分块矩阵的步态识别方法。

本发明的目的是这样实现的：

包括行人目标轮廓的获取、步态的周期检测、特征提取和身份识别步骤；

所述的行人目标轮廓的获取的方法为：首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为64*64像素；

所述的步态的周期检测是根据是根据步态视频序列中每帧图像标准中心化后图形区域拟合的椭圆短轴和离心率的变化情况来观测步态的周期；

所述的特征提取采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取；

所述的身份识别是将每个有效子块的特征合为整体，采用最近邻分类器进行身份判别。

所述的采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取的步骤包括：

(1)步态能量图

在进行步态的周期检测之后，通过对一个周期内的步态序列图像处理生成GEI，GEI为：

$G(x,y)=\frac{1}{N}\underset{=t1}{\overset{N}{\mathrm{\Σ}}}{B}_t(x,y)$

式中，N是完整步态周期序列的长度，t代表时间，x，y代表二维图像平面坐标；

(2)基于分块矩阵的特征提取

在提取到步态整体特征GEI之后，采用分块矩阵的方法进一步提取步态特征；将训练集的所有GEI进行无交叠的子块划分，首先检测各个图像中是否存在灰度值没有差异的子块，如果存在，自适应地将这些对分类无用的子块去掉；再将各个有效子块图像看作训练样本的图像，然后采用子块模式的二维主成分分析和子块模式的二维线性判别分析方法提取特征；特别地，对于测试携带背包时的步态，为了减小背包对步态识别的影响，要依据先验知识，将步态能量图中含有背包的子块也要去除；

(3)子块模式的二维主成分分析结合子块模式的二维线性判别分析。

本发明的主要贡献和特点在于：1.通过观测拟合椭圆的短轴、离心率的变化进行步态周期检测的方法，可以高效地确定步态周期；2.通过对步态能量图进行分块，自适应地去掉了灰度没有变化且对分类没有贡献的子块，有效地减少了计算量并有利于提高识别精度；3.对单个有效子块采用2DPCA结合2DLDA进行特征提取的方法，即Sp2DPCA结合Sp2DLDA，极大地减少了步态识别算法的复杂度和计算量，提高了识别速度；而且在保留了GEI本质结构特征的同时，有效地提取到GEI的局部特征，从而使得最终识别精度得到显著提高；4.依据先验知识，将步态中含有背包的子块去除，从而明显提高对存在背包变化的步态识别的鲁棒性。

(四)附图说明

图1步态识别算法的流程图；

图2a-e提取人体目标的预处理过程，(a)灰度变换、(b)背景重建、(c)背景减除、(d)人体轮廓、(e)标准化中心化；

图3图形区域拟合的椭圆，其中(1)为椭圆的焦点，(2)为椭圆的长轴，(3)为椭圆的短轴，(4)椭圆；

图4通过拟合椭圆的短轴、离心率观测步态的周期性，(a)为短轴长度逐帧变化的情况，(b)为离心率大小逐帧变化的情况；

图5步态能量图，(a)图为正常步态，(b)图为背包的步态；

图615种分块方式；

图72DPCA结合2DLDA方法---维数Vs.识别率，A点对应为2DPCA中间降得的维数为28，2DPCA结合2DLDA最终降得的维数为12时，获得最优的识别结果，识别率为0.9637；

图8训练集为每人4个正常步态视频序列，测试集为每人2个正常步态视频。维数Vs.识别率；

图9训练集为每人4个正常步态视频序列，测试集为每人2个背包步态视频。维数Vs.识别率；

图10背包步态的分块；

图11采用子块模式测试正常步态的识别性能表；

图12采用子块模式测试背包变化的步态的识别性能表，其中黑色区域为去除的区域。

(五)具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.为了提取人体目标，首先从原始视频中提取单帧图像进行灰度变换(如图2(a))；然后然后计算各像素点在逐帧中的的中值，作为整个序列的背景图像(如图2(b))；最后，采用背景减除法提取人体目标(如图2(c))，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影(如图2(d)).为了消除图像大小对识别的影响应使人体居中，将图像的大小统一为64*64像素(如图2(e))。

2.步态的周期检测

图3来诠释椭圆定位和长、短轴的定位，椭圆的方向角为水平的虚线和椭圆长轴的夹角。根据步态视频序列中每帧图像标准中心化后图形区域拟合的椭圆短轴和离心率来观测步态的周期性变化情况。图4(a)为通过短轴长度的逐帧变化来观测步态周期性，图4(b)为通过离心率大小的逐帧变化来观测步态的周期性。拟合的椭圆与图形区域具有相同的标准二阶中心矩。

S(ellipse)＝E((x-μ)²)/σ·²|_x∈region          (1)

椭圆离心率的大小等于椭圆的两个焦点的距离与椭圆长轴长度的比值。这个值在0到1之间，且为开集。当离心率极限为0时，椭圆变成圆；当离心率极限为1时，椭圆变成线段。

由随机信号分析：随机变量X概然分布的n阶中心矩，μ为随机变量X的均值。

μ_n＝E((X-μ)ⁿ)                               (2)

特别地，上式的一阶中心矩为0，二阶中心矩为标准方差σ。则n阶标准中心矩为

μ_st＝E((x-μ)_n)/σⁿ                           (3)

区域的二阶空间矩(spatial moment)有三个，分别表示为二阶行矩μ_rr、二阶列矩μ_cc和二阶混合矩μ_rc，分别定义如下：

$\mathrm{\μ}_{\mathrm{rr}}^2=\frac{1}{A}\underset{(r,c)\∈R}{\mathrm{\Σ}}(r-\stackrel{\‾}{r})---\left(4\right)$

$\mathrm{\μ}_{\mathrm{cc}}=\frac{1}{A}\underset{(r,c)\∈R}{\mathrm{\Σ}}{(c-\stackrel{\‾}{c})}^2---\left(5\right)$

$\mathrm{\μ}_{\mathrm{rc}}=\frac{1}{A}\underset{(r,c)\∈R}{\mathrm{\Σ}}(r-\stackrel{\‾}{r})(c-\stackrel{\‾}{c})---\left(6\right)$

μ_rr表示偏离行均值的行变差，μ_cc表示偏离列均值的列变差，μ_rc表示偏离中心的行列变差，它们不随二维形状的平移和尺度变化而变化，因此常用于描述简单的形状。

形状区域情况下二阶空间矩的数值和含义，与二维概论分布协方差矩阵的数值和含义类似，如果区域R为椭圆，其中心位于原点，则R可以表示为：

R＝{(r，c)|dr²+2erc+fc²≤1}                             (7)

则椭圆方程的系数d、e和f与二阶矩μ_rr、μ_cc和μ_rc之间的关系为

$\left(\begin{array}{cc}d& e\\ e& f\end{array}\right)=\frac{1}{4({\mathrm{\μ}}_{\mathrm{rr}}{\mathrm{\μ}}_{\mathrm{cc}}-{\mathrm{\μ}}_{\mathrm{rc}}^2)}\left(\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{cc}}& -{\mathrm{\μ}}_{\mathrm{rc}}\\ -{\mathrm{\μ}}_{\mathrm{rc}}& {\mathrm{\μ}}_{\mathrm{rr}}\end{array}\right)---\left(8\right)$

有了椭圆方程的系数d、e和f，我们可以确定椭圆长、短轴及其方向，由于椭圆方程系数与二阶矩μ_rr、μ_cc和μ_rc具有上述关系，因此我们由μ_rr、μ_cc和μ_rc可以确定椭圆的长、短轴及其方向。若μ_rc≠0，μ_rr≤μ_cc，长轴的方向角为：

${\tan }^{-1}\left\{\frac{-2{\mathrm{\μ}}_{\mathrm{rc}}}{{\mathrm{\μ}}_{\mathrm{rr}}-{\mathrm{\μ}}_{\mathrm{cc}}+{[{({\mathrm{\μ}}_{\mathrm{rr}}-{\mathrm{\μ}}_{\mathrm{cc}})}^2+{4\mathrm{\μ}}_{\mathrm{rc}}^2]}^{1/2}}\right\},$ 长轴的长度为 ${\left[8\left\{{\mathrm{\μ}}_{\mathrm{rr}}+{\mathrm{\μ}}_{\mathrm{cc}}+{[{({\mathrm{\μ}}_{\mathrm{rr}}-{\mathrm{\μ}}_{\mathrm{cc}})}^2+{4\mathrm{\μ}}_{\mathrm{rc}}^2]}^{1/2}\right\}\right]}^{1/2}$ ，短轴的方向角为长轴方向角逆时针转90。，其长度为： ${\left[8\left\{{\mathrm{\μ}}_{\mathrm{rr}}+{\mathrm{\μ}}_{\mathrm{cc}}-{[{({\mathrm{\μ}}_{\mathrm{rr}}-{\mathrm{\μ}}_{\mathrm{cc}})}^2+{4\mathrm{\μ}}_{\mathrm{rc}}^2]}^{1/2}\right\}\right]}^{1/2}$ 。

3.特征提取

在特征提取阶段主要包括两个部分：采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取。

3.1 步态能量图

在进行步态的周期检测之后，针对步态序列图像的数据量庞大的特点，通过对一个周期内的步态序列图像处理生成GEI，它能够反映步态运动特征，同时又将数据量减少为原来的几十分之一.这种方法不需考虑每帧的步态间隔的大小，并且还避免一些偶然因素的影响.对于给定的二值步态周期图像序列B_t(x，y)，GEI的定义如下：

$G(x,y)=\frac{1}{N}\underset{=t1}{\overset{N}{\mathrm{\Σ}}}{B}_t(x,y)---\left(9\right)$

式中，N是完整步态周期序列的长度，t代表时间，x，y代表二维图像平面坐标。

如图5所示为人体运动的方向与摄像机光轴的方向成90°时正常步态与背包变化的GEI。

3.2 基于分块矩阵的特征提取

在提取到步态整体特征(GEI)之后，采用分块矩阵的方法进一步提取步态特征。将训练集的所有GEI进行无交叠的子块划分，并将各个子块图像看作训练样本的图像(如图6的15种分块方式)，然后采用子块模式的二维主成分分析(SP2DPCA)和子块模式的二维线性判别分析方法(SP2DLDA)提取特征。分块的优点在于当检测到图像中灰度值没有变化的子块，自适应地去掉它们，只对灰度值有变化的块计算，这样在运用2DPCA结合2DLDA方法之前就先很好地进行数据压缩，为后续对每个子块依次施加2DPCA结合2DLDA，计算提供方便。特别地，对于测试携带背包时的步态，为了减小背包对步态识别的影响，要依据先验知识，将步态中含有背包的子块去除。

3.2.1 二维主成分分析(2DPCA)，

2DPCA也叫广义主成分分析，是一种直接基于图像矩阵的包含在类平均图像中的判别信息的最优压缩技术。考虑一个大小为m×n的图像A，令投影矩阵P∈R^n×d(n≥d)，将图像矩阵A投影到P，将产生一个m×d的矩阵Y：

Y＝AP                                             (10)

P为投影轴，Y称为图像A的投影特征向量。最佳投影轴P可以根据特征向量Y的散布情况来决定。在2DPCA方法中，用投影后向量的总离散度作为准则函数J(P)来衡量投影矩阵P的优劣，采用的准则如下：

J(P)＝trace{S_P}                                   (11)

其中S_P表示训练样本投影特征向量Y的协方差矩阵，trace{S_P}代表S_P的迹，当准则(11)式取得最大值时，它的物理意义是：找到一个将所有训练样本投影在上面的投影轴P，使得投影后所得特征向量的总体散布矩阵(即样本类间散布矩阵)最大化。矩阵S_P可以记成下式：

trace{S_P}＝trace{E[(Y-EY)(Y-EY)^T]}

         ＝trace{E[AP-E(AP))(AP-E(AP))^T]}

         ＝trace{P^TE[(A-EA)^T(A-EA)]P}             (12)

定义图像协方差矩阵：

G＝E[(A-EA)^T(A-EA)]                                      (13)

G是一个n×n的非负正定矩阵。我们可以直接利用训练样本来计算G。假设有M幅m×n的训练样本图像A_k(k＝1，2，...M)，其平均图像矩阵为 $\stackrel{\‾}{A}=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{A}_k,$ 那么G可以被估计为：

$G=\frac{1}{M}\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(A_k-\stackrel{\‾}{A})}^T(A_k-\stackrel{\‾}{A})---\left(14\right)$

所以式(11)可以写成：

J(P)＝tr(P^TGP)                                            (15)

P是归一正交化列向量。这个(15)的准则就叫做广义总体散布准则。而P就使准则(15)最大化，叫做最佳投影轴。物理意义是：矩阵在轴上投影后所得特征向量的总体分散程度最大。实际上，该最佳投影轴即为图像总体散布矩阵的最大特征值所对应的单位特征向量。

这里的最佳投影轴P_opt是归一化向量，使得J(P)最大化，也就是说，G的本征向量对应着最大本征值；总体而言，只选择一个最佳投影轴是不够的，我们通常选取一系列的标准正交化投影轴。可以证明，准则函数J(P)最大的P中每列向量是由协方差矩阵G的d′个非零特征值对应的前面最大的d个特征向量组成：

$\left\{\begin{array}{c}P=(p_1,p_2,\·\·\·,p_d)=\arg \max \left[J\left(P\right)\right]\\ p_i^T{p}_j=0,i\≠j,i,j=1,\·\·\·,d\end{array}\right.---\left(16\right)$

3.2.22DLDA

考虑一个大小为m×n的图像A，令投影矩阵Q∈Rn×d(n≥d)，那么将图像矩阵A投影到Q将产生一个m×d的矩阵Z：

Z＝AQ                                           (17)

Q为投影轴，Z称为图像A的特征投影向量。

假设共有图像有M个，属于C个类别。A_ij表示第i类j个样本，第i个人属于类ω_i，且有M_i幅图像，A表示M幅图像的平均图像，

第i类的平均图像，则ω_i类出现的概率为

$P\left({\mathrm{\ω}}_i\right)=\frac{M_i}{M}---\left(18\right)$

S_b称为训练样本集的类间离散度矩阵，S_w称为训练样本集的类内离散度矩阵，则

$S_b=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}P\left({\mathrm{\ω}}_i\right){({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A})}^T({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A})---\left(19\right)$

$S_w=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}P\left({\mathrm{\ω}}_i\right)\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}{\left(A_{\mathrm{ij}}-{\stackrel{\‾}{A}}_i\right)}^T(A_{\mathrm{ij}}-{\stackrel{\‾}{A}}_i)---\left(20\right)$

其中，S_b，S_w是非负定矩阵，定义准则函数 $J\left(Q\right)=\frac{Q^T{S}_{b}Q}{Q^T{S}_{w}Q},$ 能够使鉴别准则达到最大的那个Q即为最优投影向量，如果S_w是非奇异的，那么该Q就是的最大特征值所对应的特征向量。

这里的最佳投影轴Q_opt是归一化向量，使得J(Q)最大化，也就是说，

的本征向量对应着最大本征值；总体而言，只选择一个最佳投影轴是不够的，我们通常选取一系列的标准正交化投影轴。准则函数J(Q)最大的Q中每列向量是由

的d′个非零特征值对应的前面最大的d个特征向量组成：

$\left\{\begin{array}{c}\{q_1,q_2,\·\·\·,q_d\}=\arg \max \left[J\left(Q\right)\right]\\ q_i^T{q}_j=0,i\≠j,i,j=1,\·\·\·,d\end{array}\right.---\left(21\right)$

3.3子块模式的二维主成分分析结合子块模式的二维线性判别分析算法(SP2DPCA+SP2DLDA)

设总的类别数为C，第i类有M_i个训练样本，则训练样本的总数为： $M=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{M}_i$ ，第i类第j个训练样本A_ij的s×t(s，t∈{2ⁿ，n∈N})分块为：

则经SP2DPCA+SP2DLDA计算得到的特征矩阵为

测试图像为：

则经SP2DPCA+SP2DLDA投影得到的特征矩阵为：

4.身份判别

在分类识别时将每个有效子块的特征合为整体，采用最近邻分类器进行身份判别：

$d(Y_{\mathrm{ij}},Y)=\underset{c=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{s}{\mathrm{\Σ}}}{\left|\right|{\left(A_{\mathrm{ij}}\right)}_{\mathrm{rc}}{P}_{\mathrm{rc}}{Q}_{\mathrm{rc}}-A_{\mathrm{rc}}{P}_{\mathrm{rc}}{Q}_{\mathrm{rc}}\left|\right|}_F=\underset{c=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{s}{\mathrm{\Σ}}}\sqrt{\mathrm{trace}{W}^{T}W}---\left(26\right)$

其中，W＝(A_ij)_rcP_rcQ_rc-A_rcP_rcQ_rc

如果 $d(Y_{\mathrm{Cj}},Y)=\underset{i=C}{\min }d(Y_{\mathrm{ij}},Y),$ 那么Y属于C类.

5.实验

为了验证本方法的识别性能，我们选择中科院自动化所提供的CASIA(B)库实验，该库总共124人。本专利选取数据环境是目标运动方向与摄像机光轴的方向为90°，每人6个视频为正常步态，2个为带有书包的情况.

训练集均为每人4个正常步态序列，总共496个步态序列样本；测试集1为每人2个正常步态序列，总共248个步态序列样本；测试集2为每人2个携带背包的步态序列，总共248个步态序列样本。图7是测试集1得到的2DPCA与2DLDA结合的方法的识别性能，X轴为2DPCA方法中间降得的维数，Y轴为2DPCA与2DLDA结合的方法最终降得的维数，Z轴为对应的识别率。图8、图9分别为测试集1、2的非子块模式的识别性能随最终所降得的维数变化的情况。结论：在非子块模式下，2DPCA结合2DLDA的识别性能略优于单独2DLDA方法，大大地优于单独2DPCA方法。而且2DPCA结合2DLDA方法最终降得的维数是三种方法中最低的。

图11为采用子块模式的正常步态的识别性能表，分别采用SP2DPCA、SP2DLDA以及两者结合的方法进行实验，注括号中注明最终降得的特征维数。图12为采用子块模式的携带背包步态的识别性能表，分别采用SP2DPCA、SP2DLDA以及两者结合的方法进行实验。

本专利所提方法与其他方法性能的比较

 

	测试集1	测试集2
			SPPCA	0.9274	0.3226
SPPCA+SPLDA	0.9355	0.3427
			2DPCA	0.9435	0.3548
2DLDA	0.9597	0.4960
			本专利的方法	0.9758	0.6774

Claims (3)

1、一种基于分块矩阵的步态识别方法，包括行人目标轮廓的获取、步态的周期检测、特征提取和身份识别步骤；其特征是：

所述的行人目标轮廓的获取的方法为：首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为64*64像素；

所述的步态的周期检测是根据步态视频序列中每帧图像标准中心化后图形区域拟合的椭圆短轴和离心率的变化情况来观测步态的周期，即使拟合的椭圆与图形区域具有相同的标准二阶中心矩；

所述的特征提取采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取；

所述的身份识别是将每个有效子块的特征合为整体，采用最近邻分类器进行身份判别。

2、根据权利要求1所述的基于分块矩阵的步态识别方法，其特征是：采用步态能量图提取步态的整体特征，采用分块矩阵的方式进一步局部特征提取的步骤包括：

(1)步态能量图

在进行步态的周期检测之后，通过对一个周期内的步态序列图像处理生成GEI，GEI为：

$G(x,y)=\frac{1}{N_{=t}}\underset{1}{\overset{N}{\mathrm{\Σ}}}{B}_t(x,y)$

式中，N是完整步态周期序列的长度，t代表时间，x，y代表二维图像平面坐标。

(2)基于分块矩阵的特征提取

在提取到步态整体特征GEI之后，采用分块矩阵的方法进一步提取步态特征；将训练集的所有GEI进行无交叠的子块划分，首先检测各个图像中是否存在灰度值没有差异的子块，如果存在，自适应地将这些对分类无用的子块去掉；再将各个有效子块图像看作训练样本的图像，然后采用子块模式的二维主成分分析和子块模式的二维线性判别分析方法提取特征。

3、根据权利要求2所述的基于分块矩阵的步态识别方法，其特征是：基于分块矩阵的特征提取时，对于测试携带背包时的步态，将步态能量图中含有背包的子块去除作为训练样本的图像。

Images