CN101794372A - 基于频域分析的步态特征表示及识别方法 - Google Patents

Abstract

基于频域分析的步态特征表示及识别方法，对采样的步态序列预处理，基于采样的步态序列训练得到特征频率并构建步态特征库，以此对给定的未知步态序列进行识别。本发明将一个步态序列视作一个整体，通过分析其轮廓-质心距离信号变化的频率特点来提取特征，一方面凸显了步态序列的整体性，另一方面，也充分利用了人的行走行为具有一定周期性的特点。本发明提高了步态识别的正确识别率，能达到较小的计算开销。通过将视频摄像头获取并进过预处理得到的人行走的侧视图做为本发明的步态识别方法的输入，借助于预先建立的步态特征库，就能够较为精确地进行识别。

Description

基于频域分析的步态特征表示及识别方法

技术领域

本发明属于计算机图像处理和模式识别领域，具体涉及一种基于频域分析的步态特征表示及识别方法。

背景技术

步态识别技术是生物特征识别研究的一个新方向。相对于其他生物识别技术，如人脸识别、虹膜识别、掌纹识别等，步态识别有如下四方面的优势：(1)可远距离识别，步态识别是目前唯一的能用于远距离身份识别的技术；(2)非侵犯性，即不会对被识别者的行动造成干扰，步态特征可以被动采集而不需要行为人的配合；(3)步态特征难于隐藏；(4)步态识别对低分辨率的图像有较好的适应性。

传统的步态识别技术采用基于模型的方法，即预先将人体的行走抽象成某种模型，通过人的步态图像同该模型的匹配获取模型参数，用这些参数作为特征进行步态识别。这种方法参数多，计算量大，且难于选择合适的模型建模步态。因而近几年的研究转而采用基于整体的方法，即不对人体行走进行建模，而是直接分析步态图像中的人体形状信息如身体宽高比、轮廓特征等，用于识别。一般而言，基于整体形状分析的方法要优于基于模型的方法。

发明内容

本发明要解决的问题是：现有步态识别方法参数多，计算量大，需要提出一种准确度较高，计算开销较小的步态识别方法。

本发明的技术方案为：基于频域分析的步态特征表示及识别方法，获取步态的二值化侧面视图数据序列，然后进行以下步骤：

1)二值化侧面视图序列预处理：

11)步态周期检测，由分析二值化侧面视图中运动前景像素个数的方式确定步态周期，人的一个完整步态周期含有五个关键姿势，依次为左右脚并拢、左脚前迈并落地、左右脚并拢、右脚前迈并落地、左右脚并拢，它们分别依次对应运动前景像素个数的局部最小值、局部最大值、局部最小值、局部最大值、局部最小值，对二值化侧面视图序列的一个子序列，若其包含且只包含一组五个关键姿势，则认为该子序列是该步态的一个周期；

12)对步态周期中的每幅步态侧视图采用数字图像处理中的形态学操作减少图像噪音的干扰，形态学操作包括腐蚀和膨胀；

13)对每幅侧视图，由边界提取算法确定其轮廓图；

14)对每幅轮廓图，进行轮廓解卷绕和距离归一化，计算轮廓图质心，在轮廓上等间隔地取尽量多的取样点，并满足不同轮廓图取样点的个数相同，分别计算它们到质心的距离，将所得结果保存在一个向量中，对得到的向量进行归一化，即用该向量中的最大元素的值除向量中的每个元素，以各个轮廓图对应的归一化向量为行向量，由步态的一个周期的轮廓图得到该步态的步态矩阵；

15)对按照步骤14)处理得到的步态矩阵，进行二维傅立叶变换，对经傅立叶变换得到的二维矩阵，以矩阵中心所处的行开始向上下两侧消去若干行，以矩阵中心所处的列开始向左右两侧消去若干列，从而消除高频噪声，所得结果称作步态频域矩阵，保证所有的步态序列最终得到的步态频域矩阵有相同的维数；

2)采集多个人的不同步态序列进行步骤1)的处理，每个步态序列得到一个对应的步态频域矩阵，所述步态频域矩阵维数相同，基于这些矩阵进行训练，确定特征频率，建立步态特征库：

21)对步态频域矩阵的每个频率，分别计算其分类效能CDA；

22)按CDA值的大小由大到小对频率排序，取靠前的若干频率作为特征频率；

23)对每个步态序列，分别取出其步态频域矩阵在特征频率上的取值，所得为一向量，即该步态序列的特征向量，各步态序列的特征向量组成步态特征库；

3)对给定的未知步态序列进行识别分类：

31)按步骤1)处理待识别的步态的二值化侧面视图序列；

32)取步骤31)所得频域矩阵在其特征频率上的取值，作为该待测步态的特征向量；

33)按带权值的归一化欧式距离，分别计算待测步态序列的特征向量和步态特征库中所有步态特征向量的距离，将最小距离对应的特征库中的步态特征的所属类标赋给待测步态序列，做为对其识别的结果。

步骤13)中，用Canny算子计算并得到其轮廓图。

进一步的，步骤14)为：

a)质心计算，对每幅轮廓图，计算其质心为

$x_e=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\mathrm{\Σ}}}{x}_i,$ $y_e=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\mathrm{\Σ}}}{y}_i$

其中(x_e，y_e)是质心坐标，N_b是轮廓上被采样像素的个数，(x_i，y_i)为采样点坐标；

b)边界展开，选定轮廓边界的左上角处的像素作为起始像素，按逆时针方向遍历所采样的轮廓像素，分别计算轮廓上每个采样的像素到质心的距离：

$d_i=\sqrt{(x_i-x_e{)}^2+(y_i-y_e{)}^2}$

其中(x_i，y_i)是第i个所采样的轮廓像素的坐标，将采样像素到质心的距离保存在一个向量中；

c)归一化，使用L-范数对b)中得到的向量进行归一化；

步骤14)中，由二值化侧面视图表征的步态序列被数据化成一个n₀×m₀的步态矩阵，记做M_t ⁰，它表示从该步态序列中检测出的一个完整步态周期包含n⁰幅侧视图，而且在每幅侧视图对应的轮廓图上有m₀个取样点，步骤15)对M_t ⁰进行二维傅立叶变换，得到一个n₀×m₀维矩阵，记做M_f ⁰，M_f ⁰为该步态序列的频域信息表示形式，对不同的步态序列而言，它们的n₀值可能不同，为保证不同步态序列的M_f ⁰具有相同的维数，通过消去中间行和列的方式将M_f ⁰降维成n×m的矩阵，记做M_f，M_f的n×m个元素对应M_f ⁰中的低频部分。

步骤15)中，优选通过消去中间行和列的方式将M_f ⁰降维成9×81的矩阵。

步骤2)基于步态频域矩阵进行训练，得到训练集：设频率(p，q)，对应M_f第p行第q列的元素，其分类效能CDA_p，q按如下方式计算：

CDA_p，q＝sB/sW

其中， $\mathrm{sW}=\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{P}_i{S}_i,$ $\mathrm{sB}\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{P}_i({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)\×\mathrm{conj}({\mathrm{\μ}}_i-{\mathrm{\μ}}_0),$ 在sW中，T表示训练集中类的

数目，同属一个人的所有步态序列具有相同的类标，属于同一个类，P_i表示类i在训练集中的先验概率，即P_i＝n_i/N，n_i表示属于类i的训练实例的数目，训练实例指采集的步态序列，N表示训练集中所有训练实例的数目， $S_i=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}(x_j-{\mathrm{\μ}}_i)\×\mathrm{conj}(x_j-{\mathrm{\μ}}_i),$ 在S_i中，n_i表示属于类i的训练实例数目，x_j表示类i的第j个训练实例对应的频域特征矩阵M_f在频率(p，q)上的取值，μ_i表示类i的所有训练实例的M_f在频率(p，q)上取值的均值，conj(□)表示取共轭复数；在sB中，μ_i同于S_i中μ_i的定义，μ₀表示训练集中所有训练实例对应的M_f在元素位(p，q)上取值的均值；

计算出每个频率的分类效能CDA后，按其大小降序排列，选择位于前面的10％-15％做为特征频率，对每个步态序列而言，依次选择其对应M_f在特征频率的取值作为其特征向量，用于识别分类。

步骤3)为：计算给定的未知步态序列的特征向量和步态特征库中所有步态特征向量的带权值的归一化欧几里德距离，作为度量它们之间相似度的依据，设选择了s个特征频率，记为(p_i，q_i)，i＝1，2，...，s，则步态序列G^j的特征向量可以表示为 $d^j=(M_f^j(p_1,q_1),M_f^j(p_2,q_2),...,M_f^j(p_s,q_s)),$ 其中M_f ^j表示G^j的步态频域特征矩阵，将G^j和G^k之间的距离定义为 ${\mathrm{dist}}_{\mathrm{normalized}\_\mathrm{weighted}}(G^j,G^k)=\left|\right|(\frac{d^j}{\left|\right|d^j\left|\right|}-\frac{d^k}{\left|\right|d^k\left|\right|})\·w\left|\right|,$ G^k为步态特征库中步态特征向量， $\left|\right|d_j\left|\right|=\sqrt{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{M}_f^i(p_i,q_i)\·\mathrm{conj}\left(M_f^i(p_i,q_i)\right);}$ w是权值向量，w＝(w₁，w₂，...，w_s)，且 $w_i=1/(C-{\mathrm{CDA}}_{p_i,q_i}),$ i＝1，2，...，s，其中C是一个常数；再使用最近邻分类器NN，将最小距离对应的特征库中的步态特征的所属类标赋给给定的未知步态序列，做为对其识别的结果。

本发明的主要特点和贡献在于：(1)将一个步态序列视作一个整体，通过分析其轮廓-质心距离信号变化的频率特点来提取特征。这样做一方面凸显了步态序列的整体性，即一个步态的特征应当通过序列中所有侧视图共同表现，从而克服了某些步态识别方法中一关键帧侧视图的个性特点来表征整个步态序列特征所导致的表达偏差；另一方面，也充分利用了人的行走行为具有一定周期性的特点；(2)克服了在实际情况中常遇到的同一个或若干个不同步态序列中提出的一个步态周期所包含的侧视图数目往往不同，从而对步态特征提取和识别带来困难的问题；(3)本发明方法避免了现有的其它步态识别方法常涉及到的复杂矩阵运算，从而显著减小了计算开销。

本发明提高了现有步态识别方法的正确识别率，能达到较小的计算开销。通过将视频摄像头获取并进过预处理得到的人行走的侧视图做为本发明的步态识别方法的输入，借助于预先建立的步态特征库，就能够较为精确地进行识别。

附图说明

图1为本发明流程图。

图2为本发明步骤1)步态序列预处理的流程图。

图3为本发明步骤2)训练特征频率及构建步态特征库的流程图。

图4为本发明步骤3)对给定的未知步态序列进行识别流程图。

具体实施方式

本发明采用步态特征的二值化侧面视图，基于频域分析进行步态特征表示及识别，如图1，其具体实现如下：

1)二值化侧面视图序列预处理，如图2：

11)步态周期检测，由分析二值化侧面视图中运动前景像素个数的方式确定步态周期，人的一个完整步态周期含有五个关键姿势，依次为左右脚并拢、左脚前迈并落地、左右脚并拢、右脚前迈并落地、左右脚并拢，它们分别依次对应运动前景像素个数的局部最小值、局部最大值、局部最小值、局部最大值、局部最小值，对二值化侧面视图序列的一个子序列，若其包含且只包含一组五个关键姿势，则认为该子序列是该步态的一个周期；

12)对步态周期中的每幅步态侧视图采用数字图像处理中的形态学操作减少图像噪音的干扰，形态学操作包括腐蚀和膨胀；

13)对每幅侧视图，由边界提取算法确定其轮廓图，例如用Canny算子计算并得到其轮廓图；

14)对每幅轮廓图，进行轮廓解卷绕和距离归一化，计算轮廓图质心，在轮廓上等间隔地取尽量多的取样点，并满足不同轮廓图取样点的个数相同，分别计算它们到质心的距离，将所得结果保存在一个向量中，对得到的向量进行归一化，即用该向量中的最大元素的值除向量中的每个元素，以各个轮廓图对应的归一化向量为行向量，由步态的一个周期的轮廓图得到该步态的步态矩阵；这里取尽量多的取样点是为了尽量完整的获得轮廓图信息，鉴于每幅轮廓图的大小不同，为了后续处理，也要保证不同轮廓图取样点的个数相同，实际操作中以此来判断选择合适数量的取样点；

15)对按照步骤14)处理得到的步态矩阵，进行二维傅立叶变换，对经傅立叶变换得到的二维矩阵，以矩阵中心所处的行开始向上下两侧消去若干行，以矩阵中心所处的列开始向左右两侧消去若干列，从而消除高频噪声，所得结果称作步态频域矩阵，保证所有的步态序列最终得到的步态频域矩阵有相同的维数；步态矩阵进行二维傅立叶变换后得到的二维矩阵的中间部分为高频噪声，所述高频噪声不能有效描述步态特征，而且会干扰后面对步态频域矩阵中，频率的分类效能计算，因此需要消除，并且消除后也可极大减小计算开销，消除高频噪声时优选的方式是所消去行数和列数为原行数和列数的60-70％；

2)采集多个人的不同步态序列进行步骤1)的处理，每个步态序列得到一个对应的步态频域矩阵，所述步态频域矩阵维数相同，基于这些矩阵进行训练，确定特征频率，建立步态特征库，如图3：

21)对步态频域矩阵的每个频率，分别计算其分类效能CDA；

22)按CDA值的大小由大到小对频率排序，取靠前的若干频率作为特征频率，从理论上来说，所有的频率都可用做特征频率，而CDA越大，对应的频率对步态识别的作用越大，基于数据处理速度的考量，所用到的频率越少，计算量越小，数据处理速度越快，另外步态识别中，过多的识别特征和过少的识别特征都会引起错误识别，也就是特征频率过多过少都不好，可以根据在训练集上做留一校验的方式，确定特征频率的选取数量；

23)对每个步态序列，分别取出其步态频域矩阵在特征频率上的取值，所得为一向量，即该步态序列的特征向量，各步态序列的特征向量组成步态特征库；

3)对给定的未知步态序列进行识别分类：

31)按步骤1)处理待识别的步态的二值化侧面视图序列；

32)取步骤31)所得频域矩阵在其特征频率上的取值，作为该待测步态的特征向量；

33)按带权值的归一化欧式距离，分别计算待测步态序列的特征向量和步态特征库中所有步态特征向量的距离，将最小距离对应的特征库中的步态特征的所属类标赋给待测步态序列，做为对其识别的结果。

其中，步骤14)具体为：

a)质心计算，对每幅轮廓图，计算其质心为

$x_e=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\mathrm{\Σ}}}{x}_{i,}$ $y_e=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\mathrm{\Σ}}}{y}_i$

其中(x_e，y_e)是质心坐标，N_b是轮廓上被采样像素的个数，(x_i，y_i)为采样点坐标；

b)边界展开，选定轮廓边界的左上角处的像素作为起始像素，按逆时针方向遍历所采样的轮廓像素，分别计算轮廓上每个采样的像素到质心的距离：

$d_i=\sqrt{(x_i-x_e{)}^2+(y_i-y_e{)}^2}$

其中(x_i，y_i)是第i个所采样的轮廓像素的坐标，将采样像素到质心的距离保存在一个向量中；

c)归一化，使用L-范数对b)中得到的向量进行归一化；

步骤14)中，由二值化侧面视图表征的步态序列被数据化成一个n₀×m₀的步态矩阵，记做M_t ⁰，它表示从该步态序列中检测出的一个完整步态周期包含n₀幅侧视图，而且在每幅侧视图对应的轮廓图上有m₀个取样点，步骤15)对M_t ⁰进行二维傅立叶变换，得到一个n₀×m₀维矩阵，记做M_f ⁰，M_f ⁰为该步态序列的频域信息表示形式，对不同的步态序列而言，它们的n₀值可能不同，为保证不同步态序列的M_f ⁰具有相同的维数，通过消去中间行和列的方式将M_f ⁰降维成n×m的矩阵，记做M_f，M_f的n×m个元素对应M_f ⁰中的低频部分，优选将M_f ⁰降维成9×81的矩阵。

步骤2)的具体实施中，基于步态频域矩阵进行训练，得到训练集：设频率(p，q)，对应M_f第p行第q列的元素，其分类效能CDA_p，q按如下方式计算：

CDA_p，q＝sB/sW

其中， $\mathrm{sW}=\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{P}_i{S}_{i,}$ $\mathrm{sB}=\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{P}_i({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)\×\mathrm{conj}({\mathrm{\μ}}_i-{\mathrm{\μ}}_0),$ 在sW中，T表示训练集中类的数目，同属一个人的所有步态序列具有相同的类标，属于同一个类，P_i表示类i在训练集中的先验概率，即P_i＝n_i/N，n_i表示属于类i的训练实例的数目，训练实例指采集的步态序列，N表示训练集中所有训练实例的数目， $S_i=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}(x_j-{\mathrm{\μ}}_i)\×\mathrm{conj}(x_j-{\mathrm{\μ}}_i),$ 在S_i中，n_i表示属于类i的训练实例数目，x_j表示类i的第j个训练实例对应的频域特征矩阵M_f在频率(p，q)上的取值，μ_i表示类i的所有训练实例的M_f在频率(p，q)上取值的均值，conj()表示取共轭复数；在sB中，μ_i同于S_i中μ_i的定义，μ₀表示训练集中所有训练实例对应的M_f在元素位(p，q)上取值的均值；

计算出每个频率的分类效能CDA后，按其大小降序排列，选择前面的若干个做为特征频率，本发明在训练集上进行留一校验，优选位于前面的10％-15％的频率做为特征频率，对每个步态序列而言，依次选择其对应M_f在特征频率的取值作为其特征向量，用于识别分类。

对步骤3)的具体实施如图4，计算给定的未知步态序列的特征向量和步态特征库中所有步态特征向量的带权值的归一化欧几里德距离，作为度量它们之间相似度的依据，设选分类效能高的前s个特征频率，记为(p_i，q_i)，i＝1，2，...，s，则步态序列G_j的特征向量可以表示为 $d^j=(M_f^j\left(p_{1,}{q}_1\right),M_f^j(p_2,q_2),...,M_f^j(p_s,q_s)),$ 其中M_f ^j表示G_j的步态频域特征矩阵，将G^j和G^k之间的距离定义为 ${\mathrm{dist}}_{\mathrm{normalized}\_\mathrm{weighted}}(G^j,G^k)=\left|\right|(\frac{d^j}{{\left|\right|d}^j\left|\right|}-\frac{d^k}{\left|\right|d^k\left|\right|})\·w\left|\right|,$ G^k为步态特征库中步态特征向量， $\left|\right|d^j\left|\right|=\sqrt{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{M}_f^i(p_i,q_i)\·\mathrm{conj}\left(M_f^j(p_i,q_i)\right)};$ w是权值向量，w＝(w₁，w₂，...，w_s)，且 $w_i=1/(C-{\mathrm{CDA}}_{p_i,q_i}),$ i＝1，2，...，s，其中C是一个常数；再使用最近邻分类器NN，将最小距离对应的特征库中的步态特征的所属类标赋给给定的未知步态序列，做为对其识别的结果。

对本发明的步态识别方法，进行的验证性实验。

实验采用的是由中科院自动化所创建并提供的步态数据集Dataset B的二值化侧面视图数据集。该数据集包含124个人，每个人11个视角(000，018，036，054，072，090，108，126，144，162，180)，每个视角分别有2个背包(bg)、2个穿大衣(cl)和6个正常(nm)步态序列。即整个数据集的步态序列总数为124×11×(2+2+6)＝13640，每个人有11×(2+2+6)＝110个步态序列。需要说明的是(1)对每个人只考虑其在90度(090)视角下的6个正常(nm)步态序列。(2)该数据集所包含的二值化侧面视图质量参差不齐，而且个别步态序列的侧面视图并不完整，基于此，在实验前手动筛除了部分序列。筛除依据有具体以下2条：a，侧视图数目过少或不是连续采集的，无法提取出一个完整的步态周期；b，二值化侧面视图噪音严重，在进行腐蚀、膨胀等形态学图像处理及边界检测操作后所得轮廓图中出现多个独立连续区域的，即人体轮廓被分成了若干个独立部分。尽管使用较大尺度的模板对二值化侧面视图进行形态学处理可以较好的避免b中所述的情况，但是我们认为这样做丢失了大量的真实步态信息，所以没有采用这种方法。同时，为了避免使用不平衡数据(Unbalanced Data)进行训练，不考虑那些被筛除了2个以上序列的类。最终用于实验的数据集包含252个序列，共48个类别。

使用留一校验(leave one out)来考察算法的识别准确率。共进行252次实验，每次实验选出一个之前未被选过的序列作为待测序列，将余下的所有序列作为计算M_f元素位(p，q)的分类效能CDA_p，q的训练集，最后对待测序列进行测试。这样，每个序列都会被测试一次。算法的正确识别率CCR(correct classification rate)定义为被正确识别的序列在实验数据集中的比率。实验中，取 $C={\mathrm{CDA}}_{p_1,q_1}+1,$ 其中

表示M_f元素分类效能的最大值。实验结果如表1所示。

表1实验结果

表1中，特征向量维数为40，表示采用M_f分类效能最高的前40个频率作为步态的特征频率，其余类推。可见本发明的方法能够达到较好的识别准确率。进一步，我们在相同数据集上按照现有文献中公开的步态识别技术的方法进行的实验，所述现有文献为王亮，胡卫明，谭铁牛，《基于步态的身份识别》，《计算机学报》，2003，Vol.26，No.3，pp.353-360，对比结果如表2：

表2实验结果对比

实验结果证实了本发明方法的有效性，图4给出了对给定的未知步态序列进行识别的流程。

Claims (6)

1.基于频域分析的步态特征表示及识别方法，其特征是获取步态的二值化侧面视图数据序列，然后进行以下步骤：

1)二值化侧面视图序列预处理：

11)步态周期检测，由分析二值化侧面视图中运动前景像素个数的方式确定步态周期，人的一个完整步态周期含有五个关键姿势，依次为左右脚并拢、左脚前迈并落地、左右脚并拢、右脚前迈并落地、左右脚并拢，它们分别依次对应运动前景像素个数的局部最小值、局部最大值、局部最小值、局部最大值、局部最小值，对二值化侧面视图序列的一个子序列，若其包含且只包含一组五个关键姿势，则认为该子序列是该步态的一个周期；

12)对步态周期中的每幅步态侧视图采用数字图像处理中的形态学操作减少图像噪音的干扰，形态学操作包括腐蚀和膨胀；

13)对每幅侧视图，由边界提取算法确定其轮廓图；

14)对每幅轮廓图，进行轮廓解卷绕和距离归一化，计算轮廓图质心，在轮廓上等间隔地取尽量多的取样点，并满足不同轮廓图取样点的个数相同，分别计算它们到质心的距离，将所得结果保存在一个向量中，对得到的向量进行归一化，即用该向量中的最大元素的值除向量中的每个元素，以各个轮廓图对应的归一化向量为行向量，由步态的一个周期的轮廓图得到该步态的步态矩阵；

15)对按照步骤14)处理得到的步态矩阵，进行二维傅立叶变换，对经傅立叶变换得到的二维矩阵，以矩阵中心所处的行开始向上下两侧消去若干行，以矩阵中心所处的列开始向左右两侧消去若干列，从而消除高频噪声，所得结果称作步态频域矩阵，保证所有的步态序列最终得到的步态频域矩阵有相同的维数；

2)采集多个人的不同步态序列进行步骤1)的处理，每个步态序列得到一个对应的步态频域矩阵，所述步态频域矩阵维数相同，基于这些矩阵进行训练，确定特征频率，建立步态特征库：

21)对步态频域矩阵的每个频率，分别计算其分类效能CDA；

22)按CDA值的大小由大到小对频率排序，取靠前的若干频率作为特征频率；

23)对每个步态序列，分别取出其步态频域矩阵在特征频率上的取值，所得为一向量，即该步态序列的特征向量，各步态序列的特征向量组成步态特征库；

3)对给定的未知步态序列进行识别分类：

31)按步骤1)处理待识别的步态的二值化侧面视图序列；

32)取步骤31)所得频域矩阵在其特征频率上的取值，作为该待测步态的特征向量；

33)按带权值的归一化欧式距离，分别计算待测步态序列的特征向量和步态特征库中所有步态特征向量的距离，将最小距离对应的特征库中的步态特征的所属类标赋给待测步态序列，做为对其识别的结果。

2.根据权利要求1所述的基于频域分析的步态特征表示及识别方法，其特征是步骤13)中，用Canny算子计算并得到其轮廓图。

3.根据权利要求1所述的基于频域分析的步态特征表示及识别方法，其特征是步骤14)为：

a)质心计算，对每幅轮廓图，计算其质心为

其中(x_e，y_e)是质心坐标，N_b是轮廓上被采样像素的个数，(x_i，y_i)为采样点坐标；

b)边界展开，选定轮廓边界的左上角处的像素作为起始像素，按逆时针方向遍历所采样的轮廓像素，分别计算轮廓上每个采样的像素到质心的距离：

其中(x_i，y_i)是第i个所采样的轮廓像素的坐标，将采样像素到质心的距离保存在一个向量中；

c)归一化，使用L-范数对b)中得到的向量进行归一化；

步骤14)中，由二值化侧面视图表征的步态序列被数据化成一个n₀×m₀的步态矩阵，记做M_t ⁰，它表示从该步态序列中检测出的一个完整步态周期包含n₀幅侧视图，而且在每幅侧视图对应的轮廓图上有m₀个取样点，步骤15)对M_t ⁰进行二维傅立叶变换，得到一个n₀×m₀维矩阵，记做M_f ⁰，M_f ⁰为该步态序列的频域信息表示形式，对不同的步态序列而言，它们的n₀值可能不同，为保证不同步态序列的M_f ⁰具有相同的维数，通过消去中间行和列的方式将M_f ⁰降维成n×m的矩阵，记做M_f，M_f的n×m个元素对应M_f ⁰中的低频部分。

4.根据权利要求3所述的基于频域分析的步态特征表示及识别方法，其特征是步骤15)中，通过消去中间行和列的方式将M_f ⁰降维成9×81的矩阵。

5.根据权利要求3所述的基于频域分析的步态特征表示及识别方法，其特征是步骤2)基于步态频域矩阵进行训练，得到训练集：设频率(p，q)，对应M_f第p行第q列的元素，其分类效能CDA_p，q按如下方式计算：

CDA_p，q＝sB/sW

其中，

在s_W中，T表示训练集中类的数目，同属一个人的所有步态序列具有相同的类标，属于同一个类，P_i表示类i在训练集中的先验概率，即P_i＝n_i/N，n_i表示属于类i的训练实例的数目，训练实例指采集的步态序列，N表示训练集中所有训练实例的数目，

在S_i中，n_i表示属于类i的训练实例数目，x_j表示类i的第j个训练实例对应的频域特征矩阵M_f在频率(p，q)上的取值，μ_i表示类i的所有训练实例的M_f在频率(p，q)上取值的均值，conj(·)表示取共轭复数；在sB中，μ_i同于S_i中μ_i的定义，μ₀表示训练集中所有训练实例对应的M_f在元素位(p，q)上取值的均值；

计算出每个频率的分类效能CDA后，按其大小降序排列，选择位于前面的10％-15％做为特征频率，对每个步态序列而言，依次选择其对应M_f在特征频率的取值作为其特征向量，用于识别分类。

6.根据权利要求5所述的基于频域分析的步态特征表示及识别方法，其特征是步骤3)为：计算给定的未知步态序列的特征向量和步态特征库中所有步态特征向量的带权值的归一化欧几里德距离，作为度量它们之间相似度的依据，设选择了s个特征频率，记为(p_i，q_i)，i＝1，2，...，s，则步态序列G^j的特征向量可以表示为

其中M_f ^j表示G^j的步态频域特征矩阵，将G^j和G^k之间的距离定义为

G^k为步态特征库中步态特征向量，w是权值向量，w＝(w₁，w₂，...，w_s)，且

i＝1，2，...，s，其中C是一个常数；再使用最近邻分类器NN，将最小距离对应的特征库中的步态特征的所属类标赋给给定的未知步态序列，做为对其识别的结果。

Images