CN102289672A - 红外步态双信道特征融合识别方法 - Google Patents

Abstract

一种红外步态双信道特征融合识别方法，步骤是：红外图像预处理，首先采用混合高斯模型的背景减除法实现运动人体的检测；然后进行形态学处理，即采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失；红外图像特征提取，首先需要对步态序列的周期进行划分，基于轮廓宽度的周期性来确定步态周期；确定步态能量图；红外热释电特征提取，首先进行数据采集，然后，对采集的电压信号进行去噪处理，而后对时域信号进行傅里叶变换得到其频谱，然后再利用PCA进行降维，得到特征向量；分类识别。本发明由于红外热释电采集的人体运动时的一维电压信号，易实时实现，红外图像对人步行时的携带物如提包、雨伞、背包等会改变外形不太敏感，此外在夜间也可以进行工作。

Description

红外步态双信道特征融合识别方法

技术领域

本发明涉及一种红外步态双信道特征融合识别方法。特别是涉及一种将红外热释电和红外成像相结合对人体身份进行识别的红外步态双信道特征融合识别方法。

背景技术

生物特征识别技术是利用人体先天的生理特征或固有的行为特征来进行身份认证的新技术。指纹、虹膜、脸像等生理特征，通常要求近距离或者接触性的感知，而步态是远距离情况下可感知的行为特征。步态识别因其非侵犯、远距离、难伪装等优势引起了计算机视觉领域的浓厚兴趣，成为近年来生物特征识别技术中备受关注的前沿方向。

人的步态是一种日益受到重视的生物测量特征，它是通过人步行的方式，达到识别人身份的目的。步态识别近两年来备受关注，如2000年美国国防高级项目DARPA制定的H ID(HumanIdentification at a Distance)计划；美国五角大楼也正拟定采用步态识别技术进行反恐工作。国际上许多知名大学和研究机构如英国南安普顿大学、美国麻省理工学院、卡耐基梅隆大学等在H ID项目的驱动下广泛展开了步态识别研究工作。日本、瑞士、加拿大和中国的一些研究机构和大学也逐步展开了相关研究。

目前的步态识别分析大多数采用基于视频图像序列的方法，通常包含运动检测、周期检测、特征提取、识别算法4个过程。运动检测的目的是从视频序列的场景中检测、提取出运动目标。常用的运动检测方法有基于特征的方法、帧间差分法、背景减除法、光流法。

3.1运动检测

基于特征的方法包含两个主要的步骤，一是从视频图像序列中提取特征并建立它们之间的对应关系；二是依据特征的对应关系计算物体的结构和运动参数。基于特征的方法能够很好地刻画目标的运动，但是特征点的寻找和匹配比较困难，同时由于缺乏快速算法，也限制了其在实时智能监控系统中的应用。

帧间差分法利用视频序列中连续两帧或3帧图像亮度变化来提取运动目标。Lipton等人使用连续两帧图像的差分检测运动目标；Collins等人提出了一种3帧时间差分方法，改善了对噪声的敏感性；Chang等人改进了传统的帧问差分方法，结合连通分量标记、形态学闭运算和人体结构分析来滤除噪声和阴影的影响提取运动目标；帧间差分法方法简单，运算速度快，易于实现，能较快适应动态场景的变化；其不足之处在于对噪声敏感，运动物体内部亮度较均匀时只能检测到目标的边缘，无法检出整个物体。

背景减除法是利用当前帧图像与背景图像的差分运算进行运动检测的一种方法。背景减除法的关键是背景模型的构造，其中自适应背景建模是其研究的重点。Wren等人利用高斯分布来表示每个像素的颜色强度，研究了室内人体的运动检测与跟踪；Friedman和Russell将像素的灰度值看作是背景、前景和阴影3个高斯分布的加权，同时采用EM(期望最大化)算法获得模型参数；这类方法一般能够提供完全的特征数据，但对由于光照及其他外界扰动引起的场景变化特别敏感。主要应用于静止背景的情况。

光流法是一种以灰度梯度基本不变或亮度恒定的约束假设为基础的运动目标探测的有效方法。Sidenbladh刮利用浓度光流特征来训练SVM(支持向量基)，从而检测人的运动；Ishiyama等使用线形光流算法实现了高速、高精度的光流检测，随后最小生成树被用来进行运动分割。光流反映了序列图像中的速度场，光流法善于在运动场景中捕捉运动对象的运动特性，但是大多数光流法的计算比较复杂并且抗噪性比较差，这就阻止了它在实时智能监控系统中的应用。

3.2周期检测

依据背景环境的差异，通过对检测出的运动目标进行最大连通域分析或采用其他一些目标分类的方法，可以从图像序列中提取出人体区域。随后，就要处理步态识别中一个重要的环节：周期检测。Culter等人通过计算人体轮廓随时问变化的自相似性，利用自相关分析提出了一个周期检测的通用方法，但是这种方法计算量非常大；BenAbdelkader等人根据人体区域绑定框的宽度信号分析了步态序列的周期性，并给出了侧面视角和偏离侧面视角较大情况下的周期计算方法；Collins等人分析了CMU Mobo步态库中6个视角下人体宽度和高度信号周期变化，并据此提取步态序列的关键帧以降低计算复杂度；考虑到计算复杂度和实时性，当前步态周期检测主要是通过分析人体宽度信号或人体区域像素点数来实现的。

3.3特征提取

特征提取直接影响最终的识别性能，根据特征提取的差异可将步态识别的方法广义地分为两类：基于统计特性和基于模型两类方法。

3.3.1基于统计特性的方法

基于统计的方法不需要构建模型，而是先对待研究的对象提出假设，然后用图像序列中目标移动所产生的时空模式的各类统计值，从步态中提取特征参数。其中，最常用的就是步态轮廓特征。这类算法和身体的结构、步行的动态特性没有直接关系。

Murase提出了一种时空相关匹配的方法用于区别不同的步态。Shutler等提出了一种基于时间矩的统计步态识别算法；Hayfron Acquah使用广义对称性算子进行步态识别。Wang提出了一种基于轮廓的步态识别方法，从轮廓组成点和重心之间连线构成特征向量集；Huang从步态时空信息中抽取特征，再运用主元分析法(PCA)对特征数据进行降维处理；Kale采取的是一种以步行人的轮廓的宽度为提取特征的识别方法，使用动态时间规划(DTW)进行待测特征向量序列和样本序列的匹配。Kale从每一个对象的图像序列中选择、建立一组样本，使用这些样本生成一个维数较低的样本距离框架矢量，然后对连续隐马尔可夫模型进行训练，对各模型输入待测样本，根据输出结果即可达到识别目的。

上述基于统计特性的方法，其特点是计算量较小，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。

3.3.2基于模型的特征抽取方法

遮挡现象在实际应用中随时都可能出现，人的步行存在着携带诸如提包、雨伞、背包等足以改变外形、掩盖部分人体的现象；在很多运动场合，还存在着人的身体自我遮挡的现象。另外，同一个人身着不同种类的鞋和衣服，也会导致身体在二维平面的投影出现变化，对于基于统计特征方法而言，显然会造成影响。对步态识别研究而言，成功解决遮挡问题是至关重要的，而基于模型的步态分析就有这方面的优势，原因在于模型是依赖于序列图像中人的移动模式而建立，能够反映当前的变化，还能对过去和将来的变化进行估算。

基于模型的步态识别方法预先建立模型，通过模型和二维图像序列的匹配获得模型参数，则参数的比较结果等价于识别结果。目前的模型有：Lee构建的椭圆模型、Nash建立的人字型模型、Cunado建立的钟摆模型、Urtasun建立的3D模型

3.4识别算法

在提取了步态特征之后，就要将待测序列的特征与样本特征进行比对完成最终的识别任务。当前步态识别研究中采用的两个主要方法是模板匹配和统计方法。

3.4.1模板匹配

模板匹配方法广泛应用于模式识别领域，是一种基本的特征匹配方法。Foster等人旧刮的区域度量获取的特征进行比对时采用的也是类似的方法；Sarkar等人对序列图像的相似性描述采用的是图像模板匹配；模板匹配中另一类有效的方法是动态时间规整(DTW)。动态时间规整能够对存在全局或局部扩展、压缩或变形的模式进行匹配，解决动态模式的相似度量和匹配问题。在步态识别中，测试序列与样本序列的时间尺度一般不同，而动态时间规整可较好地完成这种情况下的匹配，且具有简单易懂、算法鲁棒的优点。

3.4.2统计方法

模板匹配实际是一种基于距离度量的方法，在步态识别中使用这种方法就忽略了隐含在步态序列中的姿态之间的联接关系，而隐马尔可夫模型(HMM)可以很好地融合这些信息。步态周期可以看作一个双重随机过程，其中隐过程用姿态之间的转移来描述，而显过程则用特定姿态下的图像特征刻画。在基于隐马尔可夫模型的步态识别中，步态序列被看作是人体行走姿态在给定约束下的一种遍历关系。通过对样本库中每个目标调整模型参数A＝(π，A，B)，使得同一目标的测试序列的P(o|λ)达到最大。除隐马尔可夫模型外，步态识别中还有其他基于统计的方法。Bazin和Nixon对训练集建立了特征分布的类内和类间先验概率分布模型，然后通过贝叶斯分类器实现个体的验证，收到较好的效果。

综上所述，步态识别是模式识别的范畴，是生物特征识别的一种新方法，能够应用于安全要求较高的场所，降低公共、个人财物被侵犯的风险，对其的研究有着广泛的现实意义。

目前常用的基于视频步态识别是普通摄像头拍摄的视频序列。正由前述，人步行时的携带物如提包、雨伞、背包等会改变外形，另外鞋和衣服也会对识别产生影响。而红外摄像头是对人体的热成像，对这些因素不敏感，可以降低其对识别的影响。基于模型的方法虽然能够有效改善遮挡的问题，但是由于算法的复杂，和实时性的要求产生矛盾。

发明内容

本发明所要解决的技术问题是，提供一种保证实时性与效能的统一，又能有效保证识别率的红外步态双信道特征融合识别方法。

本发明所采用的技术方案是：一种红外步态双信道特征融合识别方法，包括如下步骤：

1)红外图像预处理，首先采用混合高斯模型的背景减除法实现运动人体的检测；然后进行形态学处理，即采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失；

2)红外图像特征提取，首先需要对步态序列的周期进行划分，基于轮廓宽度的周期性来确定步态周期；确定步态能量图，步态能量图的定义如下：

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

其中：N表示所提取的侧影序列中一个完整的步态周期所包含的帧数；t表示侧影序列中的第t帧；(x，y)分别表示图像中的坐标值；B_i(x，y)则表示图像在第t帧(x，y)点的像素值；最后采用PCA对步态能量图进行降维。

3)红外热释电特征提取，首先进行数据采集，然后，对采集的电压信号进行去噪处理，而后对时域信号进行傅里叶变换得到其频谱，然后再利用PCA进行降维，得到特征向量；

4)分类识别。

步骤1实现运动人体的检测中，混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点，从而得到二值图像，其中K为3～5。

步骤1中所述的形态学处理，是采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失。

形态学滤波处理后，还要对图像进行连通域分析。

步骤2中所述的轮廓宽度是一个周期信号，该周期信号中的极大极小值点，是用一阶微分的方法来确定，具体的方法为：

(1)求步态序列的矩形窗，计算宽度信号，可以由分割区域最小最大纵坐标确定；

(2)为了去除小的毛刺避免机器将其误判为伪极值点，使用低通滤波器对宽度信号进行平滑滤波；

(3)计算滤波后宽度信号的一阶微分，寻找过零点；

(4)假设第i个过零点记为p_i，以p_i作为一个步态周期的起点，则该步态周期的终点为p_i+4，将其记为(p_i，p_i+4)来表示序列中的步态周期。

步骤4所述的分类识别，是提取红外图像的步态能量图特征及红外热释电频谱特征后，首先对该特征项在特征层上进行融合，步态能量图特征经主成分分析后的特征矩阵为R_n×m2，热释电红外传感器频谱信号经主成分分析后的特征矩阵为P_n×m3，将这两种特征以前后组合方式合并成一个新的特征矩阵，即T＝[R，P]。

本发明的红外步态双信道特征融合识别方法，采用红外图像和红外热释电双源信息实现步态的识别，将红外热释电和红外成像相结合对人体身份进行识别，由于红外热释电采集的人体运动时的一维电压信号，易实时实现，红外图像对人步行时的携带物如提包、雨伞、背包等会改变外形不太敏感，此外在夜间也可以进行工作。为了保证实时性与效能的统一，本发明提出了将红外热释电和红外成像相结合的方法，提取步态图像能量图和热释电频谱特征，方法易于实时，同时二者的结合又能有效识别率。

附图说明

图1是本发明的整体示意框图；

图2是本发明的膨胀运算示例；

图3是腐蚀运算示例；

图4是步态周期示意；

图5是图像序列及其步态能量图；

图6是采集系统整体结构；

图7是传感器及测试对象行走路线；

图8是受试者的时域与频域信号。

具体实施方式

下面结合实施例和附图对本发明的红外步态双信道特征融合识别方法做出详细说明。

如图1所示，本发明的红外步态双信道特征融合识别方法，包括如下步骤：

1、红外图像预处理，具体包括进行如下过程：

(1)人体检测

本发明采用混合高斯模型的背景减除法实现运动人体的检测，高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。

对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以认为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。

混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点，从而得到二值图像。

(2)形态学处理

由于天气、光照、影子等其他外界因素的影响，得到的二值图像中含有很多噪声点，产生空洞或者不连接。这就需要对图像进行进一步处理，以获得最佳的分割效果。本发明采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失。

形态学中，膨胀的规则是输出图像的值为输入像素所有相邻像素值的最大值。二值图像中，如果任何相邻像素的值为1，则输出像素的值设置为1；

腐蚀的规则是输入图像的值为输入像素所有相邻像素值的最小值。二值图像中，如果任何相邻像素的值为0，则输出像素的值设为0，如图2、图3所示，其中，

表示腐蚀运算。

在形态学中，开运算AoB是指A被B腐蚀后再用B来膨胀的结果，即：

开运算可以完全删除不能包含结构元素的对象，平滑对象的凸轮廓，断开狭窄的连接，并去掉细小的突起部分。闭运算A·B与开运算刚好相反，它的定义是指A被B膨胀后再用B来腐蚀的结果，即：

$A\·B=(A\⊕B)\⊗B---\left(2\right)$

闭运算可填充比结构元素小的洞，平滑对象的凹轮廓，将狭长的缺口连接成细长的弯。利用开运算和闭运算的这些性质，实现滤波和填充空洞的功能。

形态学滤波处理后，噪声并不一定完全消除，有的杂散噪声可能会形成大小不一的块，而运动目标往往是这些块中最大的，因此可对图像进行连通域分析，目的在于使图像中仅保留运动目标。

2、红外图像特征提取，具体包括进行如下过程：

(1)步态周期的确定

作为一种时空运动，步态在空间上表现为每一帧图像里的运动轮廓；在时间上，则表现为这些轮廓随着时间的变化过程，故可将步态序列看作由一组静态姿势所组成的模式，然后在识别过程中引入这些观察姿态随时间变化的信息。但如果采用所有帧作为特征，特征维数是相当高的，计算代价是难以想象的。因此，首先需要对步态序列的周期进行划分。

如图4所示，人的行走是一个周期性的行为，一般来说，对步态周期定义为：从足跟着地到同侧腿足跟再次着地所经历的时间，从更广义上来说是指从某一个姿态开始到重新又回到这种姿态所经历的时间。每侧肢体都要经过踩地负重和离地摆动两个阶段，因此一个步态周期又可划分为站立期和摆动期，若能找到这两个时期的一个分界点就能很容易的对步态视频序列图像进行周期划分，然而这个分界点是从生理角度对步态进行划分的，仅仅从视频图像上很难体现区分出来，这导致机器不能自动完成周期划分的工作。为了使机器能够自动区分不同的步态周期，必须从图像角度来重新确定分界点。通过观察很容易发现，在步态视频序列中，人体的轮廓宽度随时间的变化发生周期性改变，且这种改变的周期和步态周期是一致的。为此，本发明就是基于轮廓宽度的周期性来确定步态周期。

由前面的分析可知轮廓宽度信号是一个周期信号，本发明中需要的是这个信号中的极大极小值点，可以用一阶微分的方法来确定，具体的方法为：

(1)求步态序列的矩形窗，计算宽度信号，可以由分割区域最小最大纵坐标确定；

(2)为了去除小的毛刺避免机器将其误判为伪极值点，使用低通滤波器对宽度信号进行平滑滤波；

(3)计算滤波后宽度信号的一阶微分，寻找过零点；

(4)假设第i个过零点记为p_i，以p_i作为一个步态周期的起点，则该步态周期的终点为p_i+4，将其记为(p_i，p_i+4)来表示序列中的步态周期。

(2)步态图像特征——能量图

步态能量图是由Han等人提出的一种有效的步态特征表示，对于给定的一系列的轮廓二值图像，其步态能量图的定义如下：

$G(x,y)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{B}_i(x,y)---\left(3\right)$

其中：N表示所提取的侧影序列中一个完整的步态周期所包含的帧数；t表示侧影序列中的第t帧；(x，y)分别表示图像中的坐标值；B_i(x，y)则表示图像在第t帧(x，y)点的像素值。

图5中的最后一幅图是用一个步态周期得到的步态能量图，由于一个周期的序列图像帧数较多，本文只选取了一些关键帧来展示。从图像中可以看到，步态能量图反映了侧影轮廓的主要形状及其在整个步态周期中的变化。将其称为步态能量图，主要是因为：a)每一帧的侧影轮廓图像都是人行走时步态能量在该时刻的一个反映；b)步态能量图是对人行走的整个步态周期的能量积累的一个反映；c)在得到的步态能量图中，某点的像素值越大，表示人在整个步态周期中出现在该点的频率越高。因而步态能量图是对人步态特征的一个较好的描述。

(3)主成分分析

主成分分析(Principal Component Analysis，PCA)是设法将原来指标重新组成一组新的互相无关的几个综合指标，并用其代替原来指标，同时根据实际需要从中选取几个较少的综合指标尽可能多地反映指标的统计方法。

通常数学上的处理就是将原来p个指标作线性组合，作为新的综合指标，如果不加限制，则可以有很多。若将选取的第一个线性组合即第一个综合指标记为F₁，就希望F₁尽可能多的反映原来指标的信息。最经典的方法就是用F₁的方差来表达该信息，即Var(F₁)越大，表示产₁包含的信息越多。因此在所有的线性组合中所选取的F₁应该是方差最大的，故称为第一主成分。如果第一主成分不足以代表原来个指标的信息，再考虑选取即选第二个线性组合，为了有效反映原来信息，F₁已有的信息就不需要出现在F₂中，用数学语言表达就是要求Cov(F₁，F₂)＝0，称F₂为第二主成分，依此类推可以构造出第三，四，第p个主成分。

由于图像数据量大且包含有冗余的信息，因此本发明采用PCA对步态能量图进行降维。假设已经得到了数据库上N个人的K张步态能量图，每个人的步态能量图经过模板化后都变成了大小统一的图像，这里假设为得到了尺寸大小为80×48的图像。首先要对得到的所有步态能量图进行向量化，即把大小为80×48的图像变成3840×1的向量，这样N个人的K张步态能量图就可以变成一个3840×(N×k)的二维矩阵，此矩阵称为样本矩阵，然后利用PCA提取其主成分作为特征，并达到数据的降维。

3、红外热释电特征提取，具体包括进行如下过程：

(1)数据采集

行走的人体经过PIR传感器时，PIR传感器因为热释电效应有微弱的电压输出，将电压放大，利用数据采集卡进行A/D转换，接入计算机进行数据分析。热释电红外传感器采集步态信息系统结构图如图6所示(其中，1是PIR传感器，2是数据采集卡(A/D)，3是计算机)，测试人行走的路线与传感器1的安装处的距离D及传感器1的安装高度H对测试数据及识别正确率有直接的影响，由实施例的测试数据取自D＝2m处，传感器的安装高度H＝1.2m，参考图7。

(2)热释电信号特征

本发明首先对采集的电压信号进行去噪处理，而后对时域信号进行傅里叶变换得到其频谱，然后再利用PCA进行降维，得到特征向量。图8为红外热释电时域信号及其频域图。

4、分类识别，具体包括进行如下过程：

提取红外图像的步态能量图特征及红外热释电频谱特征后，首先对其在特征层上进行融合，步态能量图特征经主成分分析后的特征矩阵为R_n×m2，热释电红外传感器频谱信号经主成分分析后的特征矩阵为P_n×m3，将这两种特征以前后组合方式合并成一个新的特征矩阵，即T＝[R，P]。鉴于支持向量机的泛化能力较强，以及它在解决小样本问题方面表现出的很多优势，本发明采用支持向量机作为分类器。

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。

对于线性不可分的样本，可以通过一个核函数进行改善，然后在高维空间中寻找一个最优超平面来把不同类别的数据分开。它与传统学习算法的不同之处是它的解总是全局最优的，而且避免了在训练过程中出现的过学习和局部最小值的问题。

Claims (6)

1.一种红外步态双信道特征融合识别方法，其特征在于，包括如下步骤：

1)红外图像预处理，首先采用混合高斯模型的背景减除法实现运动人体的检测；然后进行形态学处理，即采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失；

2)红外图像特征提取，首先需要对步态序列的周期进行划分，基于轮廓宽度的周期性来确定步态周期；确定步态能量图，步态能量图的定义如下：

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

其中：N表示所提取的侧影序列中一个完整的步态周期所包含的帧数；t表示侧影序列中的第t帧；(x，y)分别表示图像中的坐标值；B_i (x，y)则表示图像在第t帧(x，y)点的像素值；最后采用PCA对步态能量图进行降维；

3)红外热释电特征提取，首先进行数据采集，然后，对采集的电压信号进行去噪处理，而后对时域信号进行傅里叶变换得到其频谱，然后再利用PCA进行降维，得到特征向量；

4)分类识别。

2.根据权利要求1所述的红外步态双信道特征融合识别方法，其特征在于，步骤1实现运动人体的检测中，混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点，从而得到二值图像，其中K为3～5。

3.根据权利要求1所述的红外步态双信道特征融合识别方法，其特征在于，步骤1中所述的形态学处理，是采用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失。

4.根据权利要求3所述的红外步态双信道特征融合识别方法，其特征在于，形态学滤波处理后，还要对图像进行连通域分析。

5.根据权利要求1所述的红外步态双信道特征融合识别方法，其特征在于，步骤2中所述的轮廓宽度是一个周期信号，该周期信号中的极大极小值点，是用一阶微分的方法来确定，具体的方法为：

(1)求步态序列的矩形窗，计算宽度信号，可以由分割区域最小最大纵坐标确定；

(2)为了去除小的毛刺避免机器将其误判为伪极值点，使用低通滤波器对宽度信号进行平滑滤波；

(3)计算滤波后宽度信号的一阶微分，寻找过零点；

(4)假设第i个过零点记为p_i，以p_i作为一个步态周期的起点，则该步态周期的终点为p_i+4，将其记为(p_i，p_i+4)来表示序列中的步态周期。

6.根据权利要求1所述的红外步态双信道特征融合识别方法，其特征在于，步骤4所述的分类识别，是提取红外图像的步态能量图特征及红外热释电频谱特征后，首先对该特征项在特征层上进行融合，步态能量图特征经主成分分析后的特征矩阵为R_n×m2，热释电红外传感器频谱信号经主成分分析后的特征矩阵为P_n×m3，将这两种特征以前后组合方式合并成一个新的特征矩阵，即T＝[R，P]。

Images