CN103049758A - 融合步态光流图和头肩均值形状的远距离身份验证方法 - Google Patents

Abstract

本发明属于模式识别领域，具体涉及一种融合步态光流图和头肩均值形状的远距离身份识别方法。该方法的步骤包括：预处理，估计行走方向并确定视角，建立步态的动态特征分类器，建立步态的静态特征分类器，在匹配层根据乘积规则融合动态特征分类器和静态特征分类器的相似度，得出决策信息。本发明引入视角作为分类器的准则，解决了步态识别受视角影响大的问题；利用Lacus-Kanade光流法计算相邻两帧侧影图像间的光流场，提高了算法的实时处理能力；融合步态的动态信息和静态信息，提高了方法的可分性，改善了识别性能。

Description

融合步态光流图和头肩均值形状的远距离身份验证方法

技术领域

本发明属于模式识别领域，具体涉及一种融合步态光流图和头肩均值形状的远距离身份识别方法。

背景技术

随着时代和社会的发展，对个人身份认证与管理的需求不断增长，准确地鉴定一个人的身份、保护信息安全，已成为一个必须解决的社会问题。生物特征识别技术以其特有的唯一性、普遍性、稳定性和不可复制性，被广泛应用在安全、认证等身份鉴别领域。目前应用比较成熟的生物特征有：指纹、虹膜、人脸、DNA、手背脉纹、签名等。然而它们通常要求近距离或者接触性的感知，在远距离的情况下，这些生物特征的识别性能下降。

人体步态在远距离情况下仍然可见，在被观察者没有觉察的情况下，从任意角度进行非接触性的感知和度量。同时，步态具有独特性、非侵犯性、难伪装等优点。因此，步态是远距离情况下极具潜力的生物特征，近年来受到了越来越多的关注并得到了快速的发展。

步态识别是根据人的走路姿态进行身份识别的一种技术，旨在从相同的行走行为中提取个体之间的变化特征，以实现自动识别。步态分析方法主要包括基于模型和非基于模型两类，后者在相邻帧之间建立起内在关联，并采用统计方法获得表征人体运动模式的动态信息或静态外观信息。步态能量图（Gait Energy Image,GEI）、运动侧影轮廓模板（Motion SilhouetteContour Template,MSCT），步态光流图（Gait Flow Image,GFI）和静态侧影模板（StaticSilhouette Template,SST）等非基于模型的步态表征方法在识别中取得了良好的效果。GEI通过统计一个步态周期内的侧影图像来构造，是最基础的动态信息表征方法。GFI通过在一个步态周期内采用Horn-Schunck方法计算相邻两帧侧影间的稠密光流场而获得，在假定视角不变情况下其识别率比GEI有所提高，但实时性较差。SST表征了人体行走过程中的静态信息，它通过对GEI进行阈值处理而获得，能满足实时性要求，但识别率较低。

近年来随着融合技术的日益流行，在步态识别中，运用一定的规则将不同的步态识别方法或不同方法得到的结果融合，与单一算法相比，识别性能有所提高。基于融合技术的方法，需要对多个特征进行提取，提取的特征越简单有效，越适于通过融合技术进行步态识别，提高步态识别性能，同时满足识别的实时性要求。

目前大部分步态识别在假定视角不变的情况下进行，视角的改变对识别结果影响很大。为克服视角对识别结果的影响，通常采用的方法是对各个视角的识别结果赋予不同的权重进行融合，或者通过视角转换模型将不同视角下的步态特征转换到一个共同视角上。然而这些方法实现比较复杂，识别准确性有待进一步提高。

发明内容

针对上述问题，本发明提供了一种通过融合单个步态周期内步态的动态信息——步态光流图（Lacus Kanade Gait Flow Image,简称LK-GFI）与静态外观信息——头肩均值形状(Headand Shoulder Procrustes Mean Shape,简称HS-PMS)，并结合行人与相机的视角自动步态识别，实现远距离多视角的身份识别的方法。

本发明采用如下的技术方案：

本发明通过设计步态的动态特征分类器和静态特征分类器，并对二者进行融合，实现步态识别。首先，对原始的步态图像序列进行预处理以获得高质量的步态侧影图像，并提取步态周期，确定视角。然后，分别设计步态的动态特征分类器和静态特征分类器。最后，利用乘积规则对两个步态分类器的匹配结果进行融合。

本发明的特征在于采取以下步骤：

（1）预处理

步态特征LK-GFI和HS-PMS是以单个步态周期内的侧影图像为基础的，为获得高质量的步态侧影图像，需要对原始的步态图像序列进行预处理。预处理采用一般的常用技术，包括：运动目标分割，形态学处理，侧影图像归一化，以及步态周期提取。

（2）确定视角

视角即行人行走方向与相机之间的夹角。结合相机成像原理和单个步态周期内人在起始和终止位置时的坐标变化与高度变化，估计行走方向，并确定视角，为设计步态分类器做准备,以克服视角对识别性能的影响。

（3）设计动态特征分类器

光流（Optical Flow）是空间运动物体被观测表面上像素点运动的瞬时速度，光流按照空间位置排列组成光流场。光流法可充分利用像素的时空信息计算图像中每一个像素点的速度矢量，形成图像的运动场。行人在行走过程中的运动表现为侧影轮廓随着时间的形状变化。用光流场表示连续两帧侧影之间的这种变化，进而构造步态光流图表征步态的运动特征，极大限度地保留了行人的运动信息，有利于提高系统的识别率。Lacus-Kanade方法是计算稀疏光流的最流行方法，与稠密光流的计算相比，其事先指定具有明显特征的被跟踪角点，节省了计算开销，更适合实际应用。

本发明采用Lacus-Kanade光流法计算相邻两帧侧影图像间的光流场，并构造二值光流图像以描述人体侧影在相邻帧之间的运动。统计单个步态周期内的二值光流图像，得到动态特征图像LK-GFI表征步态的动态信息。

设计动态特征分类器的步骤为：首先，离线建立目标在各视角下的LK-GFI数据库；然后对行人的步态图像序列进行预处理，提取其步态周期和视角，计算步态动态特征图像LK-GFI；最后结合当前视角在数据库中查找目标的相应LK-GFI，采用欧式距离度量相同视角下目标与行人的LK-GFI之间的相似度。设定阈值，当欧式距离小于阈值时，行人即为目标，完成动态特征分类器的设计。

（4）设计静态特征分类器

本发明采用Procrustes形状分析法从人体行走过程的时空变化模式中捕获头肩固有的结构化特征，得到一个紧致的头肩外观表达间接地描述头肩运动，并用于身份验证中。人体运动过程中，肩部和头部的形状基本稳定且易于区分，而且在复杂环境中不容易被遮挡，常用于人的检测跟踪中。Procrustes形状分析法是方向统计学中的一种流行方法，它适用于编码二维形状，并且提供了一种寻找均值轮廓的有效方法。应用Procrustes形状分析法统计一个步态周期内的头肩外观特征用于步态识别，可以保留行人运动过程中的静态信息，有效提高系统的识别率。

设计静态特征分类器的步骤为：首先，离线建立目标在各视角下的HS-PMS数据库；然后，对行人的步态图像序列进行处理并提取步态周期、视角和静态特征HS-PMS；最后，结合当前视角在数据库中查找目标的相应HS-PMS，采用欧式距离度量相同视角下目标与行人的HS-PMS之间的相似性。设定阈值，当欧式距离小于阈值时，行人即为目标，完成静态特征分类器的设计。

应用Procrustes形状分析法获得表征人体静态信息的方法如下：

①提取头肩图像轮廓，将其坐标(x_i,y_i)用复数表示：z_i＝x_i+jy_i，则构成一个复数向量Z＝[z₁，z₂,..，z_k]，其中k为表示轮廓的坐标个数。然后对其进行中心配置以表征头肩轮廓：U＝[u₁,u₂，...，u_k]^T，其中

为头肩轮廓的质心。

②计算一个步态周期内头肩序列的配置矩阵

其中N为一个步态周期内所含步态图像个数。

③计算配置矩阵S_u的特征值及其对应的特征向量。

④设置Procrustes均值形状(PMS)，为相应于配置矩阵Su的最大特征值的特征向量

这个均值形状将作为头肩序列的统计静态特征用于识别。

一个具有N帧图像的步态序列的头肩形状被紧致地表示成为一个长度为k的复数向量，极大地减少了计算量。且同一个个体的HS-PMS有很大的相似性，而属于不同个体之间的HS-PMS差别较大，因此HS-PMS可分性强。

（5）匹配层融合

匹配层融合的输入是各生物特征识别系统的匹配模块输出的相似度。在各种融合方式中，匹配层融合由于融合了特征的各种信息量且易于实现而被广泛采用。

本发明在匹配层融合步态的动态特征（LK-GFI）和静态特征（HS-PMS）。动态特征分类器和静态特征分类器产生的相似度范围不同，故需要对二者进行归一化处理，使之具有相同的取值范围。然后按照乘积规则将归一化后的相似度进行融合计算，得到一个更具有可分性的分值，用于最终的决策。

本发明的有益效果是：利用Lucas-Kanade光流法提取行人在行走过程中的光流场，进而构造LK-GFI，有效地提取了步态的动态特征，同时实现步态特征的快速提取。根据行走过程中人体头肩区域基本不变的特性，用Procrustes形状分析法统计一个步态周期内的头肩均值形状，获得的静态特征可分性强。同时，结合视角分别设计动态特征分类器和静态特征分类器，有效地解决了步态识别受视角影响的问题。最后对以上两种分类器按乘积规则进行融合，充分利用步态的动态信息和静态信息，提高了算法的识别率，满足实时性要求。

附图说明

图1为基于步态的远距离多视角身份识别方法框图；

图2为视角确定方法示意图：

(a)为在相机平面行人行走示意图，(b)为图像平面行人行走示意图，图中：x_b、x_e分别为图像坐标系中行人在单个步态周期内的起始和终止位置的横坐标，h_b、h_e分别为这两个位置图像侧影的高度，θ为相机坐标系中行人的行走方向与水平方向所成的不大于90°的正角，α为行人的行走方向与纵轴正向的夹角，f为相机焦距；

图3为目标的LK-GFI数据库示意图：

以中科院步态数据库中编号为001的行人的第nm-02个步态序列为目标，图中从左到右依次是在视角0°，18°，36°，54°，72°，90°，108°，126°，144°，162°，180°时的LK-GFI；

图4为中科院步态数据库中0°视角下同一行人不同序列的HS-PMS示意图；

图5为中科院步态数据库中0°视角下不同行人的HS-PMS示意图；

图6为中科院步态数据库上实验测得的接受者操作曲线。

具体实施方式

结合附图对本发明作进一步的详细说明。如附图1所示，本发明具体包括以下几个步骤：

（1）预处理

步态特征LK-GFI和HS-PMS是以单个步态周期内的侧影图像为基础，为获得高质量的步态侧影图像，需要对原始的步态图像序列进行预处理。

本发明的预处理过程包括：

①运动目标分割：采用背景减除法将运动目标从背景图像中分割出来，设定阈值为210，对图像进行二值化操作，使像素点的灰度值为0或255，得到人体步态侧影。

②形态学处理：背景减除法得到的步态侧影图像受光照等干扰因素的影响含有噪声和空洞，使用形态学算子进一步滤除噪声和填充小的空洞，同时进行连通性分析以获得质量较高的步态侧影。

③侧影图像归一化：为了消除由于人体场景深度造成的侧影图像尺寸变化对后期特征提取的影响，将侧影图像归一化为标准尺寸。

④步态周期提取：步态具有稳定的周期性运动特点，在一个步态周期内侧影的宽度和高度随时间呈规律性变化。本文利用步态序列中人体侧影的高宽比变化对步态进行周期性分析，将步态周期定义为步态侧影的高宽比连续取三个极小值时的时间间隔。

（2）确定视角

如附图2所示，视角的确定方法包括：

①建立相机坐标系和图像平面坐标系：

以垂直于相机光轴的方向为x轴（向左为正），以平行于相机光轴的方向为y轴（向相机方向为正），以相机正前方5米处为原点，建立相机坐标系；

以图像左上角为原点，以水平方向为x轴（向右为正），以竖直方向为y轴（向下为正），建立图像平面坐标系。

②设定行人沿着光轴靠近相机行走时的视角为0°，方向角度沿着顺时针逐渐增大，当行人平行于相机从场景的右侧走向左侧时，视角为90°，在相机坐标系中将视角按象限分为4个类别：

类别一：行人从场景的右侧走向左侧，且逐渐靠近或平行于相机；

类别二：行人从场景的右侧走向左侧，且逐渐远离相机，或沿着光轴远离相机；

类别三：行人从场景的左侧走向右侧，且逐渐远离或平行于相机；

类别四：行人从场景的左侧走向右侧，且逐渐靠近相机，或沿着光轴靠近相机。

③按下式分别计算4个类别中行人的行走方向：

$\mathrm{\θ}\left|\arctan \frac{f\×(h_b-h_e)}{h_b\×x_e-h_e\×x_b}\right|$

其中，x_b、x_e分别为图像坐标系中行人在单个步态周期内的起始和终止位置的横坐标，h_b、h_e分别为这两个位置的图像侧影的高度；θ为相机坐标系中行人的行走方向与水平方向所成的不大于90°的正角，α为行人的行走方向与纵轴正向的夹角；f为相机焦距。

4个类别中，α与θ的关系如下：

类别一，h_b≤h_e,x_b＞x_e，α＝90°-θ；

类别二，h_b＞h_e,x_b≥x_e，α＝90°+θ；

类别三，h_b≥h_e,x_b＜x_e，α＝270°-θ；

类别四：h_b＜h_e,x_b≤x_e，α＝270°+θ。

④由步骤③得到的α确定视角：在相机坐标系中将行走方向范围分成21个区域，始端区域为0°~9°，终端区域为351°~360°，中间区域的宽度均为18°。当α落在各个区域时，对应的视角如表1所示。

表1.行走方向与视角的关系

通过对CASIA B数据库中的步态序列进行验证，该方法可以准确估计行人的视角，为步态识别做准备。

（3）设计动态特征分类器

步态的动态特征分类器，用Lacus-Kanade光流法计算行人行走过程中人体侧影轮廓随时间的形状变化，进而构造LK-GFI表征步态的动态信息，同时结合视角实现步态识别。设计步态特征分类器的方法包括：

①离线建立目标在各视角下的LK-GFI数据库，见附图3。

利用Lacus-Kanade光流法计算相邻两帧侧影图像间的光流场，得到光流场的水平分量和垂直分量：

(F_u(t,i),F_v(t,i))＝f_opf(S(t,i),S(t+1，i))

其中：f_opf(.)表示利用Lacus-Kanade方法计算光流场，F_u(t,i)为光流场的水平分量，F_v(t,i)为光流场的垂直分量，S(t,i)为第i个步态周期内第t帧的侧影图像。然后根据光流场的水平分量和垂直分量，计算光流场的幅值图像F_A(t,i)：

$F_A(t,i)=\left|\right|(F_u(t,i),F_v(t,i))\left|\right|=\sqrt{{\left(F_u(t,i)\right)}^2+{\left(F_v(t,i)\right)}^2}$

其中，F_u(t,i)为光流场的水平分量，F_v(t,i)为光流场的垂直分量。

设定阈值为1，并对幅值图像F_A(t,i)二值化，获得二值光流图像F_B(t,i)。最后统计一个步态周期内的二值光流图像，以获得表征步态动态信息的LK-GFI：

$f_{\mathrm{GFI}}\left(i\right)=\frac{\underset{t=1}{\overset{N-1}{\mathrm{\Σ}}}{F}_B(t,i)}{N}$

其中，N是步态序列的周期。

②对行人的步态图像序列进行预处理，确定行人的步态周期及视角。

③提取行人的动态特征图像LK-GFI。

④结合行人的视角在数据库中查找目标相应的LK-GFI，采用欧式距离计算相同视角下目标与行人的LK-GFI之间的相似度，设定阈值为0.4，当相似度满足阈值要求时，行人即为目标。

（4）设计静态特征分类器

Procrustes形状分析法是方向统计学中的一种流行方法，它适用于编码二维形状，并且提供了一种寻找均值轮廓的有效方法。人体运动过程中肩部和头部的形状基本稳定且易于区分，而且在复杂环境中不容易被遮挡，常用于人的检测跟踪中。采用Procrustes形状分析法从人体行走过程中的时空变化模式中捕获头肩固有的结构化特征，得到一个紧致的头肩外观表达间接地描述头肩运动，并用于身份验证中。

设计静态特征分类器的方法包括：

①离线建立目标在各视角下的HS-PMS数据库。

经过预处理获得高质量的步态侧影图像。根据形态学原理，在步态侧影图像中提取头肩模型（截取头顶到0.35H作为头肩模型，H为侧影高度）。采用分区域定点采样方法提取头肩轮廓上100个像素点，得到一个复数向量：Z＝[z₁，z₂,...，z_k]，z_i＝x_i+jy_i。然后对其进行中心配置获得描述头肩轮廓的向量：U＝[u₁,u₂，..，u_k]^T，其中k＝100是像素点数，

为头肩轮廓的质心。

对于某步态序列，在一个步态周期内具有N幅图像，则可以得到N个类似的复数向量。进而构造配置矩阵：

$S_u=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(u_i{u_i}^{*}\right)/\left({u_i}^{*}{u}_i\right)$

其中，上标“*”表示复数共轭转置。

计算配置矩阵Su的特征值及其对应的特征向量。设置Procrustes均值形状（PMS）为相应于配置矩阵S_u的最大特征值的特征向量

将PMS作为头肩序列的统计静态特征用于识别。

②对行人的步态图像序列进行预处理并提取其步态周期、视角和静态特征HS-PMS。

③结合当前视角在数据库中查找相应的HS-PMS，采用欧式距离度量相同视角下目标与行人的HS-PMS之间的相似性，设定阈值为0.2，当相似度满足阈值要求时，行人即为目标。完成静态特征分类器的设计。

（5）匹配层融合

本发明在匹配层融合步态的动态特征（LK-GFI）和静态特征（HS-PMS）。动态特征分类器和静态特征分类器产生的匹配分值的范围不同，采用线性归一化方法对二者进行处理，使之具有相同的取值范围。然后按照乘积规则将归一化后的匹配分值进行融合计算，得到一个更具有可分性的分值，用于最终的决策。动态分类器和静态分类器进行融合的方法包括：

①对两个分类器的相似度按下式进行线性归一化处理：

${\mathrm{SC}}_D=\frac{S_D-\min \left(S_D\right)}{\max \left(S_D\right)-\min \left(S_D\right)}$

${\mathrm{SC}}_S=\frac{S_S-\min \left(S_S\right)}{\max \left(S_S\right)-\min \left(S_S\right)}$

其中，S_D、S_S分别为动态特征分类器和静态特征分类器的相似度，SC_D、SC_S分别为二者归一化后的相似度；

②采用乘积规则进行融合：

S_F＝SC_D*SC_S

其中，S_F为融合后的相似度。

为了进一步了解本发明的优点，在中科院步态数据库CASIAB上进行了验证。首先对本发明中视角确定方法进行验证，视角确定的准确率为100%。实验数据表明本发明中确定的视角适合作为动态特征分类器和静态特征分类器的视角依据。接着验证了本发明的识别性能，以编号为001的行人的第nm-002个序列为目标，分别建立动态特征数据库（LK-GFI）和静态特征数据库（HS-PMS）。对动态特征分类器、静态特征分类器和二者融合后的分类器进行验证，接受者操作曲线（Receiver Operating Characteristic,ROC）如附图6所示。可见通过本发明能有效地提高步态身份认证的识别率，可以应用于远距离多视角下的身份识别。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种融合步态光流图（LK-GFI）和头肩均值形状（HS-PMS）的步态识别方法，其特征在于，该方法包括以下几个步骤：

步骤1，对原始步态序列进行预处理，包括：运动目标分割，形态学处理，侧影图像归一化，以及步态周期提取；

步骤2，估计行走方向，并确定视角，包括：

建立相机坐标系和图像平面坐标系：以垂直于相机光轴的方向为x轴（向左为正），以平行于相机光轴的方向为y轴（向相机方向为正），以相机正前方5米处为原点，建立相机坐标系；以图像左上角为原点，以水平方向为x轴（向右为正），以竖直方向为y轴（向下为正），建立图像平面坐标系；

设定行人沿着光轴靠近相机行走时的视角为0°，方向角度沿着顺时针逐渐增大，当行人平行于相机从场景的右侧走向左侧时，视角为90°，在相机坐标系中将视角按象限分为以下4个类别：

类别一：行人从场景的右侧走向左侧，且逐渐靠近或平行于相机；

类别二：行人从场景的右侧走向左侧，且逐渐远离相机，或沿着光轴远离相机；

类别三：行人从场景的左侧走向右侧，且逐渐远离或平行于相机；

类别四：行人从场景的左侧走向右侧，且逐渐靠近相机，或沿着光轴靠近相机；

按下式分别计算4个类别中行人的行走方向：

$\mathrm{\θ}\left|\arctan \frac{f\×(h_b-h_e)}{h_b\×x_e-h_e\×x_b}\right|$

其中，x_b、x_e分别为图像坐标系中行人在单个步态周期内的起始位置和终止位置的横坐标，h_b、h_e分别为这两个位置图像侧影的高度；θ为相机坐标系中行人的行走方向与水平方向所成的不大于90°的正角，α为行人的行走方向与纵轴正向的夹角；f为相机焦距；

4个类别中，α与θ的关系如下：

类别一，h_b≤h_e,x_b＞x_e，α＝90°-θ；

类别二，h_b＞h_e,x_b≥x_e，α＝90°+θ；

类别三，h_b≥h_e,x_b＜x_e，α＝270°-θ；

类别四：h_b＜h_e,x_b≤x_e，α＝270°+θ；

由α确定视角：在相机坐标系中将行走方向范围分成21个区域，始端区域为0°~9°，终端区域为351°~360°，中间区域的宽度均为18°，依次为9°~27°，27°~45°，……，333°~351°；当α属于始端区域时，视角为0°，当α属于终端区域时，视角为360°，当α属于中间区域时，视角均为区域两端角度的平均值；

步骤3，建立步态的动态特征分类器，包括：

离线建立目标在各视角下的LK-GFI数据库；

对行人的步态图像序列进行预处理，提取其步态周期和视角，计算步态的动态特征图像LK-GFI；

提取行人的动态特征图像LK-GFI；

结合当前视角，在数据库中查找目标相应的LK-GFI，采用欧式距离度量相同视角下目标与行人的LK-GFI之间的相似度，设定阈值，欧式距离小于阈值时，行人即为目标；

步骤4，建立步态的静态特征分类器，包括：

离线建立目标在各视角下的HS-PMS数据库；

对行人的步态图像序列进行处理，提取步态周期、视角和静态特征HS-PMS；

结合当前视角，在数据库中查找目标相应的HS-PMS，采用欧式距离度量相同视角下目标与行人的HS-PMS之间的相似度，设定阈值，欧式距离小于阈值时，行人即为目标；

步骤5，在匹配层，融合步态的动态特征（LK-GFI）和静态特征（HS-PMS），包括：

对两个分类器的相似度按下式进行线性归一化处理：

${\mathrm{SC}}_D=\frac{S_D-\min \left(S_D\right)}{\max \left(S_D\right)-\min \left(S_D\right)}$

${\mathrm{SC}}_S=\frac{S_S-\min \left(S_S\right)}{\max \left(S_S\right)-\min \left(S_S\right)}$

其中，S_D、S_S分别为动态特征分类器和静态特征分类器的相似度，SC_D、SC_S分别为二者归一化后的相似度；

采用乘积规则进行融合：

S_F＝SC_D*SC_S

其中，S_F为融合后的相似度。

2.根据权利要求1所述的融合步态光流图和头肩均值形状的步态识别方法，其特征在于，步骤3中所述动态特征LK-GFI的构造方法包括以下步骤：

步骤（1），利用Lacus-Kanade光流法计算相邻两帧侧影图像间的光流场，得到光流场的水平分量和垂直分量：

(F_u(t,i),F_v(t,i))＝f_opf(S(t,i),S(t+1，i))

其中：f_opf(.)表示利用Lacus-Kanade方法计算光流场，F_u(t,i)为光流场的水平分量，F_v(t,i)为光流场的垂直分量，S(t,i)为第i个步态周期内第t帧的侧影图像；步骤（2），根据光流场的水平分量和垂直分量，计算光流场的幅值图像：

$F_A(t,i)=\left|\right|(F_u(t,i),F_v(t,i))\left|\right|=\sqrt{{\left(F_u(t,i)\right)}^2+{\left(F_v(t,i)\right)}^2}$

其中，F_A(t,i)为光流场的幅值图像；

设定阈值并将幅值图像F_A(t,i)二值化，获得二值光流图像F_B(t,i)；

步骤（3），统计单个步态周期内的二值光流图像，得到动态特征图像LK-GFI表征步态的动态信息：

$f_{\mathrm{GFI}}\left(i\right)=\frac{\underset{t=1}{\overset{N-1}{\mathrm{\Σ}}}{F}_B(t,i)}{N}$

其中，N为步态序列周期，f_GFI(i)为动态特征图像LK-GFI。

3.根据权利要求1所述的融合步态光流图和头肩均值形状的步态识别方法，其特征在于，步骤4中所述静态特征HS-PMS的构造方法包括以下步骤：

步骤（1），根据形态学原理，在人体侧影图像上截取头肩模型，采用分区域定点采样方法，提取头肩轮廓上k个像素点，得到一个复数向量：

Z＝[z₁,z₂,...,z_k]，z_i＝x_i+jy_i

其中，k为像素点数，x_i，y_i为相应像素点坐标；

步骤（2），对其进行中心配置获得描述头肩轮廓的向量：

U＝[u₁,u₂，..，u_k]^T，

其中，

为头肩轮廓的质心；

对于某步态序列，在一个步态周期内具有N幅图像，则可以得到N个类似的复数向量，进而构造配置矩阵：

$S_u=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(u_i{u_i}^{*}\right)/\left({u_i}^{*}{u}_i\right)$

其中，S_u为配置矩阵，上标“*”表示复数共轭转置；

步骤（3），计算配置矩阵S_u的特征值及其对应的特征向量，设置Procrustes均值形状（PMS）为相应于配置矩阵S_u的最大特征值的特征向量

将PMS作为头肩序列的统计静态特征。

Images