CN101558996B - 基于人体运动结构正投影三维重建的步态识别方法 - Google Patents

Abstract

本发明属于涉及人的特征识别、人体步态识别方法、身份认定，尤其涉及基于人体运动结构正投影三维重建的步态识别方法。为提供一种新的步态识别方法，在人正常行走的情况下，能够准确实时地提取出人体的步态特征，减少外界环境的影响，并识别出人的身份，提高识别率。本发明采用的技术方案是：基于人体运动结构正投影三维重建的步态识别方法，借助于下列装置实现，在人行走直线为半径的一侧半圆上，每隔18度设置一个摄像装置，共设置11个用于摄取人行走视频序列的摄像装置，并包括下列步骤：以摄像装置对人体进行步态跟踪，根据跟踪结果进行三维步态重建，然后提取出步态特征进行步态识别。本发明主要用于通过人步态进行身份识别。

Description

基于人体运动结构正投影三维重建的步态识别方法

技术领域

本发明属于涉及人的特征识别、人体步态识别方法、身份认定，尤其涉及基于人体运动结构正投影三维重建的步态识别方法。

背景技术

生物特征识别是通过各种高科技信息检测手段、利用人体所固有的生理或行为特征来进行个人身份鉴定。生物特征主要包括生理特征和行为特征两种，生理特征是指与生俱来的，先天性的人体物理特征，如指纹、虹膜、人脸等；行为特征是指从人所执行的运动中提取出来的特征，多为后天性的，如步态、笔迹等。人类利用生物特征识别的历史可追溯到古代埃及人通过测量人体各部位的尺寸来进行身份鉴别。而现代生物特征识别技术始于二十世纪70年代中期，生物特征识别技术经过数十年缓慢发展，近几年出现了跳跃式发展，成为产、学、研、管各方面广泛关注的热点。在2001年的MIT Technology Review杂志中，生物特征识别技术被列为10项最有可能改变世界的技术之一。根据International Biometric Group(IBG)2007年最新的市场预测分析报告，到2012年生物特征识别技术带来的收益将是现在的2倍多。

步态识别是生物特征识别技术中的一个新兴领域。所谓步态，是指人在行走和跑步过程中表现出来的一种行为方式。研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的“风格”上都存在细微差异。这使得利用步态进行身份识别成为可能。步态识别旨在根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测。与其它生物特征相比，步态具有非侵犯性、远距离识别、简化细节、难以伪装等显著优点。由于步态特征不像各种证件类持有物那样容易被窃取，也不像密码、口令那么容易被遗忘或破解，在身份识别领域具有独特的优势。步态识别融合了计算机视觉、模式识别与视频/图像序列处理等多项技术，具有广阔的应用前景，因此引起了国内外许多研究者的浓厚兴趣，成为近年来生物医学信息检测领域备受关注的前沿方向。

步态识别通常包括：人体检测、步态特征提取以及身份识别。而复杂背景下的人体检测与轮廓提取，是进行步态识别的前期预处理。检出人体目标后，进行叠加处理，可以获取步态特征图，但是如何提取步态特征图的有效特征参数就成为问题的关键。

目前的步态特征提取可以划分为基于模型和非模型两种方法。非模型方法：是指直接对人体在行走过程中的形状或动作进行分析而提取出来的特征。基于模型的方法：是指通过对人体结构建立模型或者对人体在步态序列图像中所表现出的明显的行走特征建立模型，利用模型衍生出来的参数提取步态特征。非模型方法，其特点是计算量相对较小，有助于在实用环节中达到实时运算的目的，但对背景和光照信号的变化敏感，一旦场景中出现遮挡现象，识别能力将受到较大影响。基于模型的步态识别算法可以更精确描述步态特征，大幅度减低对外部条件变化的敏感性，但是巨大的运算量是重视实时性的实用化所面临的难题。此外这两种方法的分析都要求人体行走的平面必须平行于照相机所在的平面，当人体行走平面不平行于照相机所在的平面时，步态识别率就会降低。

发明内容

为克服现有技术的不足，本发明的目的在于：提出一种新的步态识别方法，在人正常行走的情况下，能够准确实时地提取出人体的步态特征，减少外界环境的影响，并识别出人的身份，提高识别率。本发明采用的技术方案是：基于人体运动结构正投影三维重建的步态识别方法，借助于下列装置实现，在人行走直线为半径的一侧半圆上，每隔18度设置一个摄像装置，共设置11个用于摄取人行走视频序列的摄像装置，并包括下列步骤：以摄像装置对人体进行步态跟踪，根据跟踪结果进行三维步态重建，然后提取出步态特征进行步态识别，

所述步态跟踪分为预测步态特征和优化步态特征两个阶段，预测步态特征是运用人体动态模型根据前一帧图像中的步态特征来预测现在人体的步态特征；本发明采用运动学Kinematics模型进行优化步态特征；

所述三维步态重建是指运用正投影技术将二维图像中所得到的人体模型投影到三维空间中，再在三维空间中提取步态特征；

提取出步态特征是指提取出三维空间中人体的关节角度；

所述步态识别是采用基于支持向量机的步态识别方法。

以摄像装置对人体进行步态跟踪还包括步态运动分割和预处理步骤，步态运动分割和预处理步骤是指提取出捕捉区域：在图像的一定区域内用公式 $A(i,j)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{I}_n(i+v(\frac{N}{2}-n),j-{\mathrm{dy}}_n)$ 计算出不同的速度，找出最大速度的区域就是捕捉区域，式中：A为坐标为(i，j)的点的加速度，v是速度，I_n是第n帧的边界图像强度函数，i和就j是图像坐标系，dy_n是y轴方向的位移，N是步态序列总的帧数。

所述三维步态重建中将二维图像中所得到的人体模型投影到三维空间中，这个投影过程中要用到空间两点距离的计算方法，用图像信息和步态知识进行估计公式 $\begin{array}{c}u=\mathrm{se}\×x\\ v=\mathrm{se}\×y\end{array}$ 中的se，用公式dz²＝l²-((u₁-u₂)²+(v₁-v₂)²)/se²三维空间中两点之间的相对距离，前式中空间坐标分别为(x₁，y₁，z₁)和(x₂，y₂，z₂)的两个点投影之后为摄像装置中的坐标(u₁，v₁)和(u₂，v₂)，l为空间两点的距离。

所述提取出三维空间中人体的关节角度是指，对于三维空间中的向量(x，y，z)，其起始点为(x₁，y₁，z₁)和终止点为(x₂，y₂，z₂)，则x＝x₁-x₂，y＝y₁-y₂，z＝z₁-z₂，对三维模型中的每一段都可以看成一个向量，则对于每两个向量之间的夹角用如下公式计算： $\mathrm{\θ}={\cos }^{-1}\frac{\stackrel{\→}{a}\×\stackrel{\→}{b}}{\left|\stackrel{\→}{a}\right|\left|\stackrel{\→}{b}\right|}$ 用前述公式就可以提取出三维空间中人体的关节角度，a为三维空间中的一个起始向量，b为与a对应的终止向量。

所述步态识别是采用基于支持向量机的步态识别方法，取“一对一”策略，该方法对N类训练数据两两组合，构建 $C_N^2=N(N-1)/2$ 个支持向量机，最后分类时采取“投票”的方式决定分类结果。

所述运用人体动态模型根据以前图像中的步态特征来预测现在人体的步态特征是指：前一帧提取的步态结果来估计现在的动作，然后将预测的模型投影到平面上得到投影模型，将投影模型和现在的动作进行匹配，最后得到一个匹配误差，匹配误差包括边界匹配误差和区域匹配误差，边界误差的计算公式：

$E_b=\frac{1}{C}\underset{0}{\overset{1}{\∫}}\min \left(\right||z_1\left(s\right)-r\left(s\right),u|\left|\right)\mathrm{ds};$

区域匹配误差计算公式为：

$E_r=\frac{\left|p_2\right|}{\left(\right|p_1|+|p_2\left|\right)};$

使用两个物理力，分别是弹簧力F_b和另一弹簧力F_r，用如下公式减小匹配误差：

E(p)＝(1-α)E_b+αE_r

F＝(1-α)F_b+αF_r

其中：r(s)是模型曲线，0≤s＜1，z(s)是在图像的人体曲线，，ds是积分变量，s是表示模型曲线中的横坐标，u是常量，其大小为r(s)和z(s)空间尺度上的最大值，C是常量，其大小取决于r(s)的长度，z₁(s)相对于r(s)上的每一点离z(s)最近的点，p为动作向量，α为平衡参数，将模型区域分为两个部分，重叠部分p₁和非重叠部分p₂，|p_i|为p_i区域的像素数，p₂同理。

本发明可以带来以下效果：

本发明提出的一种基于人体运动结构正投影三维重建的步态识别方法，通过对同一实验对象的步态序列中不同角度的不同动作进行三维步态重建，再对人体身份进行识别，因而能够减少外界环境的影响，并识别出人的身份，提高识别率。本发明为步态提取和识别提供了一种新的方案，并获得可观的社会效益和经济效益。

附图说明

图1步态数据库采集示意图。

图2步态识别系统框图。

图3投影在图像平面上的人体模型。

图4捕捉区域算法过程：(a)原始步态序列(b)用Sobel算子提取出的边界(c)捕捉区域算法后的图像。

图5同一实验对象不同动作不同角度的三维步态重建结果。

具体实施方式

本发明提出一种基于人体运动结构正投影三维重建的步态识别的新方法。其过程是首先采用基于模型的方法进行人体建模，再用捕捉区域的方法计算人体行走中的运动参数，最后根据正投影原理进行三维步态重建，用重建的结果对人体身份进行识别。另外本发明提出的算法不受人体行走方向的限制，即人体可以沿任意方向走动，但试验者的行走方向必须是直的。

本发明是通过动作估计方程来优化本文中所使用的人体模型，然后将人体模型投影到三维空间中，再在三维空间中提取步态特征，从而再进行步态识别。

本发明运用重建三维步态来提取步态特征，也就是运用三维步态重建算法来提取步态特征。

下面结合附图和实施例进一步详细说明本发明。

本发明通过位于不同视角位置的11台摄像检测装置得到步态视频，每个对象摄取十一个方向行走(0°、18°、36°…180°)的视频序列，如图1所示。图2为本发明提出的算法结构框图。本发明的算法主要是通过对人体进行跟踪，根据跟踪结果运用步态知识和正投影技术进行三维步态重建，然后提取出步态特征进行步态识别。其中三维步态重建和步态特征提取是步态识别系统中一个非常重要的环节。

1实施例

1.1步态跟踪

本发明的步态跟踪主要分为预测步态特征和优化步态特征两个阶段。预测步态特征是是运用人体动态模型根据前一帧图像中的步态特征来预测现在人体的步态特征。在优化步态特征阶段，一定要选择适合人体的最好模型，根据研究表明，优化人体结构模型是很复杂的过程，并且很耗时，但是优化过程很重要。目前对于优化过程中的人体模型主要有三种，分别是Kinematics模型、Taylor模型和Stochastic模型，Kinematics模型在优化阶段考虑了人体各部分受力情况，Taylor模型运用人体运动的各种参数找出人体最佳位置来提高优化水平，Stochastic模型是在随机的人体框架中进行步态特征的提取。本发明使用了Kinematics模型，这种模型和Taylor模型相比，不需要估计动作微分方程，和Stochastic模型相比，计算复杂度比较低。

1.1.1人体模型

本发明所用的骨架模型主要包括14个部分，分别是：上躯干、下躯干、颈、双臂、两前臂、两个大腿、两个小腿、两个脚和头。人体建立的模型如图3所示：人身体的各个部分都用锥形表示，而头用圆表示，人体的头、上身和下身这三个部分在行走时形成的角度用欧式角度计算。如果不考虑人体静止时的参数，如人体的大小。那么这个模型的动态参数有34个自由度，分别是：人体的每个部分有两个自由度(14×2)，3个位置自由度和3个转动自由度。而计算这些自由度是很复杂的事情，如果我们假设关节角度一定时，那么这34个自由度就减少为12个，分别是10个关节角度(两个肩膀，两个肘关节，两个髋关节，两个膝关节，两个腕关节)和2个位置角度，所以就用一个12维向量P来表示，P＝{x，y，θ₁，θ₂，…θ₁₀}，(x，y)是人体的位置，θ_i是第i个关节的角度。另外三维人体模型重建还要计算出各个点的高度和各个关节点之间的距离，本发明根据临床研究得出这些点的高度和各个关节点之间的距离。

本发明的步态提取算法最重要的部分就是和向量P＝{x，y，θ₁，θ₂，…θ₁₀}有关的动作估计方程，动作估计方程就是用前一帧提取的步态结果来估计现在的动作，然后将预测的模型投影到平面上，这个投影模型和现在的动作进行匹配，最后得到一个匹配误差。这个误差包括边界匹配误差和区域匹配误差，本发明通过人体的受力情况、关节角度和修正模型来减少匹配误差。

本发明的步态提取算法最重要的部分就是和向量P＝{x，y，θ₁，θ₂，…θ₁₀}有关的动作估计方程，动作估计方程就是用前一帧提取的步态结果来估计现在的动作，然后将预测的模型投影到平面上，这个投影模型和现在的动作进行匹配，最后得到一个匹配误差。这个误差包括边界匹配误差和区域匹配误差。边界误差的计算公式如下

$E_b=\frac{1}{C}\underset{0}{\overset{1}{\∫}}\min \left(\right||z_1\left(s\right)-r\left(s\right),u|\left|\right)\mathrm{ds}---\left(1\right)$

其中r(s)是模型曲线(0≤s＜1)，z(s)是在图像的人体曲线，u是常量，其大小为r(s)和z(s)空间尺度上的最大值，C是常量，其大小取决于r(s)的长度，z₁(s)相对于r(s)上的每一点离z(s)最近的点，所以得到如下公式

z₁(s)＝z(s′)，其中 $S^{\′}=\underset{s^{\′}\∈g^{-1}\left(s\right)}{\arg \min }\left|\right|r\left(s\right)-z\left(s^{\′}\right)\left|\right|---\left(2\right)$

本发明根据人体受力情况用匹配误差来优化关节角度。对于人体每一个力F_i都考虑为与人体本身受力||F_i||相对应的一个物理力，对于人体的一个点总共所受的物理力F_b用如下公式计算

$F_b=\frac{1}{C}{\∫}_0^{1}f(F\left(s\right),\mathrm{\ρ}\frac{F\left(s\right)}{\left|\right|F\left(s\right)\left|\right|})\mathrm{ds}---\left(3\right)$

其中 $F\left(s\right)=\stackrel{\→}{r\left(s\right)z_1\left(s\right)},$ ρ为空间尺度常量，f(F(s))用如下公式计算

$f(F_1,F_2)=\left\{\begin{array}{cc}{F}_1& \left|\right|F_1\left|\right|\≤\left|\right|F_2\left|\right|\\ F_2& \left|\right|F_1\left|\right|>\left|\right|F_2\left|\right|\end{array}\right.---\left(4\right)$

另外当模型位于两个人体之间时，这时就要考虑区域误差，此时将模型区域分为两个部分，重叠部分p₁和非重叠部分p₂，区域匹配误差计算公式为

$E_r=\frac{\left|p_2\right|}{\left(\right|p_1|+|p_2\left|\right)}---\left(5\right)$

其中|p_i|为p_i区域的像素数。另外本发明定义c₁和c₂为区域p₁和p₂的中心位置，向量 $F_r=\stackrel{\→}{c_1{c}_2}$ 为人体所受的物理力，这个力会使模型偏向区域的一边。

为了使两个匹配误差更小，本发明使用了两个物理力，分别是F_b和F_r，然后用公式(7)和(6)来减小两个匹配误差。F_b和F_r指的是物理中的弹簧力。

E(p)＝(1-α)E_b+αE_r    (6)

F＝(1-α)F_b+αF_r       (7)

其中p为动作向量，α为平衡参数。当减小身体上半部分匹配误差时，α的值应该很小，因为当人体上半部分穿着衣服时，区域匹配误差不重要。

1.1.2模型初始化

本发明提出的步态跟踪过程是根据前一帧模型的结果来预测现在的模型，然后再对现在的模型进行优化。所以在跟踪过程中需要得到前一帧模型的结果，但是在跟踪开始时，前一帧的模型是不存在的，这就需要对模型进行初始化，本发明利用捕捉区域的办法对模型进行初始化，另外捕捉区域的方法还可以估计人体的形状和大小。

捕捉区域的原理是在背景剪切之后，用边界检测算法提取边缘，然后在步态序列中计算人体运动速度、加速度和起始点的公式如下：

$A(i,j)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{I}_n(i+v(\frac{N}{2}-n),j-{\mathrm{dy}}_n)---\left(8\right)$

其中A是加速度，v是速度，I_n是第n帧的边界图像强度函数，i和就j是图像坐标系，dy_n是y轴方向的位移，N是步态序列总的帧数，其中捕捉区域的边界的干扰主要取决于边界的强度、帧数和速度。如果人体运动加速度合适，即速度合适，就可以提取到边界。图4显示了捕捉区域的提取过程，为了提取出捕捉区域，本发明在图像的一定区域内用公式(8)计算出不同的速度，找出最大速度的区域就是捕捉区域，

此跟踪算法只适用于人体行走的平面平行于照相机所在的平面。当人体行走的平面不平行于照相机的平面时，人体行走过程中的大小是会发生变化的，所以要把人体大小放缩到同一大小，放缩系数用h_c/h_max来计算，其中h_max为所有帧中人体的最大高度，h_c为每一帧中人体的高度。

1.2三维步态重建

1.2.1三维步态重建算法

三维步态重建算法主要是用模型中的一些参数来计算图像中人体的一些参数，然后再提取出参数。但这个过程比较耗时，本发明提出了一种新的三维步态重建算法。

在三维步态重建过程中，首先要进行坐标转换，即把(x，y，z)坐标系转换成照相机中的坐标系(u，v)，本发明用正投影视图的关系就可以得到这两个坐标系之间的关系，这就可以得到公式(9)

$\left(\begin{array}{c}u\\ v\end{array}\right)=s\left(\begin{array}{c}100\\ 010\end{array}\right)\left(\begin{array}{c}x\\ y\\ z\end{array}\right)---\left(9\right)$

如果假设z是常量，由公式(9)得到公式(10)

u＝se×x

               (10)

v＝se×y

公式(10)中的se用图像信息和步态知识进行估计。

另外在正投影视图中，若两点(x₁，y₁，z₁)和(x₂，y₂，z₂)投影之后为(u₁，v₁)和(u₂，v₂)，在三维空间中这两点之间的距离用公式(11)来计算

l²＝(x₁-x₂)²+(y₁-y₂)²+(z₁-z₂)²(11)

由公式(10)和(11)可以得到

dz²＝l²-((u₁-u₂)²+(v₁-v₂)²)/se²(12)

用公式(12)就可以计算出两点之间的相对距离dz。

将所二维图像中所得到的人体模型投影到三维空间中，这个投影过程中要用到上述空间两点的距离。

1.2.2关节角度的计算

步态识别中还需要得到人体行走过程中的运动参数，本发明通过几何关系来提取人体行走过程中的运动参数。对于三维空间中的向量(x，y，z)，其起始点为(x₁，y₁，z₁)和终止点为(x₂，y₂，z₂)，则x＝x₁-x₂，y＝y₁-y₂，z＝z₁-z₂，对三维模型中的每一段都可以看成一个向量，则对于每两个向量之间的夹角用如下公式计算：

$\mathrm{\θ}={\cos }^{-1}\frac{\stackrel{\→}{a}\·\stackrel{\→}{b}}{\left|\stackrel{\→}{a}\right|\left|\stackrel{\→}{b}\right|}---\left(13\right)$

用公式(13)就可以提取出三维空间中人体的关节角度。

本发明用4.2.1提出的算法对4.1跟踪的关节位置进行三维步态重建，再用4.2.2提出的算法计算出关节角度。据研究表明人体在行走过程中的上肢动作大部分是相同的，所以本发明在三维步态重建后只提取了下半身的关节角度，即两个髋关节的角度和两个膝关节的角度。

1.3基于支持向量机的步态识别方法

在步态识别中，样本数目是有限的，而传统的统计模式识别是在样本数目足够多的前提下进行的，只有在样本数趋向于无穷大时其性能才有理论上的保证，这时很多方法都难以取得理想的效果。支持向量机(Support Vector Machine，SVM)是新近发展的及其学习方法，它通过结构风险最小化原则建模，将期望风险降至最低，使其模型识别力显著提高，该识别方法能够较好地解决小样本学习问题。支持向量机的主要思想是：寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面的间隔最大化。从理论上说，支持向量机能够实现对线性可分数据的最优分类。

支持向量机方法是针对二类别的分类提出来的，但步态识别是一个多类别的分类问题，如何将二类别分类方法扩展到多类别分类是将支持向量机应用于步态识别的技术难点之一。支持向量机不能直接应用于多类别分类问题，对于多类模式识别问题，支持向量机方法可通过两类问题的组合来实现，通常有两种方法：“一对一”和“一对其余”策略。“一对一”策略，即一个分类器每次完成二选一，该方法对N类训练数据两两组合，构建 $C_N^2=N(N-1)/2$ 个支持向量机。最后分类时采取“投票”的方式决定分类结果。“一对其余”策略，即一个分类器将每一类与剩下所有类别区分开来。“一对其余”的方法是对N分类问题构建N个支持向量机，每个支持向量机负责区分本类数据和非本类数据。最后结果由输出离分界面距离ω·x+b最大的那个支持向量机决定。由于步态识别属于多类模式识别问题，因此采取“一对一”策略。

假设待识别的步态有m类，记为S₁，S₂，…，S_m，每一类中随机选取其中一个样本S_ij(其中i为类别，j为该类中的样本序号)进行训练，其它样本S_it(j≠t)用于测试。测试时，将测试样本S_it输入到经过训练得到的分类器中，如果输出为i，则将该样本判为第i类，如果输出为j，则判定为识别错误。

另外本发明对每个测试对象在行走过程中记录12个步态序列，随即选取其中4个序列作为训练样本，另外8个样本用于测试。

最后在步态数据库上用1.1提出的算法进行步态跟踪，再用1.2提出的算法对提跟踪的结果进行三维步态重建，其中一个实验对象不同动作的三维步态重建结果如图5所示，再提取出三维步态重建之后的髋关节和膝关节的角度。将提取出的4个关节角度(两个关节和两个膝关节)输入支持向量机进行步态识别。

2有益效果

通过对同一实验对象的步态序列中不同角度的不同动作进行三维步态重建，再对人体身份进行识别，取得了超过89％的识别率。这说明本发明所用的三维步态重建算法对人体步态进行识别是可行的，其算法合理、有效。从图4和图5的各阶段结果来看，本发明所采用三维步态重建算法中步态跟踪、三维步态重建和步态识别是不可缺少的；其处理流程基本合理，最终三维步态重建结果比较清楚，可以对人体进行识别。

本发明提出一种三维步态重建的步态识别方法，能够寻找到一个最恰当的方法，即在代价最小的情况下提高预期的步态识别的准确率。该项发明可为监控系统的有效使用及监控效果的可靠评价提供帮助，并获得可观的社会效益和公共安全服务的提升。最佳实施方案拟采用专利转让、技术合作或产品开发。

Claims (3)

1.一种基于人体运动结构正投影三维重建的步态识别方法，其特征是，借助于下列装置实现，在人行走直线为半径的一侧半圆上，每隔18度设置一个摄像装置，共设置11个用于摄取人行走视频序列的摄像装置，并包括下列步骤：以摄像装置对人体进行步态跟踪，根据跟踪结果进行三维步态重建，然后提取出步态特征进行步态识别，

所述摄像装置对人体进行步态跟踪包括步态运动分割和预处理步骤，步态运动分割和预处理步骤是指提取出捕捉区域：在图像的一定区域内用公式

计算出不同的速度，找出最大速度的区域就是捕捉区域，所述公式中：A为坐标为(i，j)的点的加速度，v是速度，I_n是第n帧的边界图像强度函数，i和j是图像坐标系中的坐标，dy_n是y轴方向的位移，N是步态序列总的帧数；

所述步态跟踪分为预测步态特征和优化步态特征两个阶段，预测步态特征是运用人体动态模型根据前一帧图像中的步态特征来预测现在人体的步态特征；所述优化步态特征是采用运动学Kinematics模型进行优化步态特征；

所述三维步态重建是指运用正投影技术将二维图像中所得到的人体模型投影到三维空间中，再在三维空间中提取步态特征；

提取出步态特征是指提取出三维空间中人体的关节角度；

所述步态识别是采用基于支持向量机的步态识别方法。

2.根据权利要求1所述的一种基于人体运动结构正投影三维重建的步态识别方法，其特征是，所述提取出三维空间中人体的关节角度是指，对于三维空间中的向量(x，y，z)，其起始点为(x₁，y₁，z₁)和终止点为(x₂，y₂，z₂)，则x＝x₁-x₂，y＝y₁-y₂，z＝z₁-z₂，对三维模型中的每一段都可以看成一个向量，则对于每两个向量之间的夹角用如下公式计算：

用前述公式就可以提取出三维空间中人体的关节角度，

为三维空间中的一个起始向量，

为与

对应的终止向量。

3.根据权利要求1所述的一种基于人体运动结构正投影三维重建的步态识别方法，其特征是，所述步态识别是采用基于支持向量机的步态识别方法，对N类训练数据两两组合，构建

个支持向量机，最后分类时采取“投票”的方式决定分类结果。

Images