CN103473539B - 步态识别方法和装置 - Google Patents

Abstract

本发明提供了一种步态识别方法和装置,属于模式识别技术领域。该方法包括训练样本视频图像得到步态码本，获取待辨识人行走的前景图像序列，提取前景图像序列的方向梯度直方图特征，根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征，根据稀疏编码特征，得到待辨识人的身份。当待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，本发明的步态识别方法和装置也可以准确的识别出待辨识人的身份。

Description

步态识别方法和装置

技术领域

本发明涉及模式识别技术领域，尤其涉及一种步态识别方法和装置。

背景技术

近年来，如何以一种自然的方式，即不影响待辨识人的正常活动，有效、可靠的对个人身份进行验证和辨识，在公共安全领域受到广泛重视。常用的生物特征身份认证方法，如指纹、掌纹等，需要待辨识人与识别装置发生物理接触和配合，而基于视频监控系统的身份验证方法，可以不需要待辨识人的配合和注意。人的步态信息是其中一种可以通过视频获取的重要生物特征。采用步态作为生物特征可以在低分辨率的视频图像中对人身份进行辨识。

现有技术公开了一种基于隐马尔可夫模型的步态识别方法。该方法首先对步态的周期进行估计，然后将周期中的图像根据时间段进行划分，接着对不同时间段内图像轮廓特征进行聚类，生成隐马尔可夫模型的隐状态。最后根据这些状态量训练隐马尔可夫模型用于分类。

但是基于隐马尔可夫模型的步态识别方法，需要对步态周期进行估计，当待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，使得步态周期不完整，当步态周期不完整时，会导致建模过程中一些隐状态无法找到，使得建模失败，该步态识别方法便会失效。

发明内容

有鉴于此，本发明要解决的技术问题是提供一种步态识别方法及装置，在识别过程中不需要对步态周期进行估计，即使待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，也可以准确的对待辨识人进行识别。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的步态识别方法包括：

训练样本视频图像得到步态码本；

获取待辨识人行走的前景图像序列；

提取前景图像序列的方向梯度直方图特征；

根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

根据稀疏编码特征，得到待辨识人的身份；

其中，训练样本视频图像得到步态码本，包括：

获取样本视频图像中的行人前景图像序列；

标注各个行人前景图像序列；

提取行人前景图像序列的方向梯度直方图特征；

对各个行人的方向梯度直方图特征进行聚类，生成不同身份行人的步态单词，集合不同身份行人的步态单词生成步态码本；

根据稀疏编码特征，得到待辨识人的身份，包括：

对稀疏编码特征中不同身份行人的步态单词的稀疏编码值进行求和，选取求和最大值所对应的身份为待辨识人的身份。

优选地，获取待辨识人行走的前景图像序列包括：

采集待辨识人行走视频图像；

提取视频图像中的前景图像；

检测前景图像中的待辨识人的前景图像；

跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。

优选地，提取前景图像序列的方向梯度直方图特征包括：

将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

计算各个子区域像素点的梯度方向和强度；

统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

优选地，根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征包括：

根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

将每一帧的稀疏编码进行整合，生成稀疏编码特征。

根据本发明的另一个方面，提供的一种步态识别装置包括：

训练模块，用于训练样本视频图像得到步态码本；

获取模块，用于获取待辨识人行走的前景图像序列；

提取模块，用于提取前景图像序列的方向梯度直方图特征；

生成模块，用于根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

识别模块，用于根据稀疏编码特征，得到待辨识人的身份；

其中，训练模块具体包括：

图像序列获取单元，用于获取样本视频图像中的行人前景图像序列；

标注单元，用于标注各个行人前景图像序列；

特征提取单元，用于提取行人前景图像序列的方向梯度直方图特征；

码本生成单元，用于对各个行人的方向梯度直方图特征进行聚类，生成不同身份行人的步态单词，集合不同身份行人的步态单词生成步态码本；

识别模块，具体用于，对稀疏编码特征中不同身份行人的步态单词的稀疏编码值进行求和，选取求和最大值所对应的身份为待辨识人的身份。

优选地，获取模块包括：

采集单元，用于采集待辨识人行走视频图像；

图像提取单元，用于提取视频图像中的前景图像；

检测单元，用于检测前景图像中的待辨识人的前景图像；

跟踪单元，用于跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。

优选地，提取模块包括：

划分单元，用于将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

计算单元，用于计算各个子区域像素点的梯度方向和强度；

统计单元，用于统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

串联单元，用于将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

优选地，生成模块包括：

生成子单元，用于根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

整合单元，用于将每一帧的稀疏编码进行整合，生成稀疏编码特征。

本发明实施例的方法和装置，通过训练生成的步态码本和提取的方向梯度直方图特征，得到稀疏编码特征，根据稀疏编码特征进行待辨识人的身份识别，整个识别过程不需要对步态周期进行估计，步态周期是否完整以及有几个周期，均不会影响识别结果，因此即使待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，本发明的步态识别方法和装置也可以准确的识别出待辨识人的身份。并且本发明的步态识别方法通过提取方向梯度直方图特征来描述步态特征，方向梯度直方图把一副前景图像分成各个子区域，然后统计各个局部子区域梯度在各个方向区域的强度分布。当前景图像提取部分有缺陷时，只会影响某些局部子区域的统计特征，保留了其他子区域的统计特征。与从整张前景图提取统计特征的方法相比，受影响较小。而且方向梯度直方图特征向量是对局部子区域统计量的串联，当前景图像方形区域有较小位移时，对特征向量的值影响较小。因此提取方向梯度直方图特征来描述步态特征提高了本发明的步态识别方法和装置在前景图像提取有缺陷的情况下的鲁棒性。

附图说明

图1为本发明实施例提供的步态识别方法流程图；

图2为本发明优选实施例提供的一种训练生成步态码本的方法流程图；

图3为本发明优选实施例提供的一种获取前景图像序列的方法流程图；

图4为本发明优选实施例提供的一种提取方向梯度直方图特征的方法流程图；

图5为本发明优选实施例提供的一种生成稀疏编码特征的方法流程图；

图6为本发明实施例提供的步态识别装置模块结构图；

图7为本发明优先实施例提供的训练模块结构图；

图8为本发明优选实施例提供的获取模块结构图；

图9为本发明优选实施例提供的提取模块结构图；

图10为本发明优选实施例提供的生成模块结构图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供的步态识别方法包括：

S1、训练样本视频图像得到步态码本；

请参阅图2，本步骤可进一步包括：

S11、获取样本视频图像中的行人前景图像序列；

S12、标注各个行人前景图像序列；即确定行人前景图像序列的行人身份。

S13、提取行人前景图像序列的方向梯度直方图特征；

S14、根据方向梯度直方图特征，生成步态码本。

具体地，分别对不同身份行人提取出的方向梯度直方图特征进行聚类，生成针对不同身份行人的步态单词。聚类的中心特征值代表不同的步态单词。

其中聚类可使用K-Means方法聚类。K-Means是一种常用的聚类方法，通过设定聚类数目K，随机生成K个聚类中心后，通过迭代更新聚类中心和对应的特征向量，把特征向量分成K个聚类。

除了K-Means外还可以使用其他聚类方法，例如分层聚类(HierarchicalClustering),模糊K-means聚类和模拟退火算法聚类等。分层聚类就是每一层的聚类根据上一层的聚类结果进行聚类。例如：第一层将数据聚成两类，第二层则分别对分层两类的数据进行聚类，如果也是聚成两类，则经过第二层后总共得到四类数据。模糊K-means和K-means方法类似，只是在聚类过程中会根据模糊理论估计数据点对不同类的从属度。模拟退火算法聚类在每一次迭代的过程中，计算数据点从属于不同类的概率时，方差由大变小，理论上可避开局部最小解。

集合不同身份行人的步态单词生成步态码本。

S2、获取待辨识人行走的前景图像序列；

请参阅图3，本步骤可进一步包括：

S21、采集待辨识人行走视频图像；

S22、提取视频图像中的前景图像；

具体地，前景图像的提取可采用(但不限于)基于背景建模的前景图像提取方法。该方法首先用混合高斯模型(高斯函数的加权和)对视频图像中每个像素点值的取值范围进行建模，在前景图像提取过程中，如果当前像素点可以被背景的混合高斯模型描述，则判定为背景点，否则判定为前景点。也可以采用帧差法进行前景图像提取，该方法通过前后帧相减找出前后帧变化较大的像素点并在连续多帧进行累计后判断前景图像。

S23、检测前景图像中的待辨识人的前景图像；

优选地，本步骤进一步包括：

前景图像特征提取。较常用的特征有:哈尔小波(HAAR)特征，伽柏(Gabor)特征，梯度直方图特征(HOG)等,或融合多种特征。提取的特征也可以通过学习的方法得到。例如：卷积神经网络(CNN)通过使用反向传递算法，学习多层卷积核，然后这些卷积核与不同层次的图像进行卷积，生成图像的多层特征表达。

将特征输入行人检测器进行判决。根据已训练好的检测器(该检测器也可视为一种两类分类器，用于区分行人区域和非行人区域)，判决该区域是否为行人，判定为行人的区域即为待辨识人的前景图像。该检测器可使用(但不限于)支持向量机来实现，也可以使用自适应增强(AdaBoost)等分类算法实现。其中支持向量机通过学习不同类别之间特征向量(或向量的线性(非线性)映射)的分界面，该分界面在最小化训练误差的同时最小化结构风险。而自适应增强分类算法通过学习多个弱分类器及对应权重，然后将多个弱分类器串联后进行分类，串联前端的弱分类器可用很小的计算量去除大量不是行人的区域，后段的弱分类器再对剩余的区域进行进一步检测，从而可以极大提升检测速度。

S24、跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。

优选地，可通过下述跟踪方法获取待辨识人行走的前景图像序列：

第一帧中初始化待跟踪物模板和运动模型，该模板可通过提取待跟踪物体图像区域的颜色直方图等特征得到，运动模型描述了物体位移及尺度与物体运动速度、加速度，尺度变化速度、时间的关系；

根据运动模型选取候选区域，该步骤根据运动模型得到当前帧被跟踪物体可能的区域；

从候选区域中提取建立模板时所使用的特征；

估计候选区域为被跟踪物体的概率，该概率可根据当前区域特征与模板特征的距离，并结合运动模型来估计；

选取概率最大区域为当前帧跟踪位置；

根据当前跟踪位置和物体特征更新被跟踪物模板和运动模型；

对序列中的各帧前景图像重复进行根据运动模型选取候选区域的步骤至根据当前跟踪位置和物体特征更新被跟踪物模板和运动模型的步骤。

除了上述的跟踪方法，还可以采用均值偏移(Meanshift)、分类器跟踪(随机森林)等方法进行跟踪。

S3、提取前景图像序列的方向梯度直方图特征；

请参阅图4，本步骤可进一步包括：

S31：将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

S32：计算各个子区域像素点的梯度方向和强度；

S33：统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

归一化是指用各个单一方向的强度之和除以所有方向的强度之和。

S34：将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

S4、根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

请参阅图5，本步骤可进一步包括：

S41、根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

具体地，每一帧的稀疏编码可以通过求解以下非线性优化问题得到：

$\underset{s}{\min }{\left|\right|\mathrm{AS}-x\left|\right|}_2+c{\left|\right|S\left|\right|}_1$

s.t.s₁,…,s_n≥0

其中A是训练生成的步态码本，x是当前帧的方向梯度直方图特征，S是当前帧的稀疏编码，n为步态码本中的步态单词数目，s₁,…,s_n为S各个元素的值，c为优化中给稀疏编码1范数的权重。该非线性优化问题可采用共轭梯度等方法求解。

S42、将每一帧的稀疏编码进行整合，生成稀疏编码特征。

具体地，稀疏编码的整合可通过以下公式得到：

r＝max(S₁,…,S_m)

其中m为运动序列中的帧数，r为运动序列最终的稀疏编码特征，max表示分别对稀疏向量S₁,…,S_m各个元素求最大值。

S5、根据稀疏编码特征，得到待辨识人的身份。

具体地，可通过对属于不同身份人的步态单词的稀疏编码值进行加和，选取求和最大值所对应的身份为待辨识人的身份。具体公式如下：

$\underset{C}{\arg \max }\underset{i\∈C}{\mathrm{\Σ}}{r}_i$

其中r_i为稀疏编码特征r的第i个元素，C代表训练样本中的身份。

本发明实施例的步态识别方法，通过训练生成的步态码本和提取的方向梯度直方图特征，得到稀疏编码特征，根据稀疏编码特征进行待辨识人的身份识别，整个识别过程不需要对步态周期进行估计，步态周期是否完整以及有几个周期，均不会影响识别结果，因此即使待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，本发明的步态识别方法也可以准确的识别出待辨识人的身份。并且本发明的步态识别方法通过提取方向梯度直方图特征来描述步态特征，方向梯度直方图把一副前景图像分成各个子区域，然后统计各个局部子区域梯度在各个方向区域的强度分布。当前景图像提取部分有缺陷时，只会影响某些局部子区域的统计特征，保留了其他子区域的统计特征。与从整张前景图提取统计特征的方法相比，受影响较小。而且方向梯度直方图特征向量是对局部子区域统计量的串联，当前景图像方形区域有较小位移时，对特征向量的值影响较小。因此提取方向梯度直方图特征来描述步态特征提高了本发明的步态识别方法在前景图像提取有缺陷的情况下的鲁棒性。

如图6所示为本发明实施例提供的一种步态识别装置模块结构图，该装置包括：训练模块10、获取模块20、提取模块30、生成模块40和识别模块50，其中：

训练模块10，用于训练样本视频图像得到步态码本；

请参阅图7，训练模块10包括：

图像序列获取单元101，用于获取样本视频图像中的行人前景图像序列；

标注单元102，用于标注各个行人前景图像序列；

特征提取单元103，用于提取行人前景图像序列的方向梯度直方图特征；

码本生成单元104，用于根据方向梯度直方图特征，生成步态码本。

具体地，码本生成单元104通过对不同身份行人提取出的方向梯度直方图特征进行聚类，生成针对不同身份行人的步态单词，集合不同身份行人的步态单词生成步态码本。

聚类的中心特征值代表不同的步态单词。其中聚类可使用K-Means方法聚类。K-Means是一种常用的聚类方法，通过设定聚类数目K，随机生成K个聚类中心后，通过迭代更新聚类中心和对应的特征向量，把特征向量分成K个聚类。

除了K-Means外还可以使用其他聚类方法，例如分层聚类(HierarchicalClustering),模糊K-means聚类和模拟退火算法聚类等。分层聚类就是每一层的聚类根据上一层的聚类结果进行聚类。例如：第一层将数据聚成两类，第二层则分别对分层两类的数据进行聚类，如果也是聚成两类，则经过第二层后总共得到四类数据。模糊K-means和K-means方法类似，只是在聚类过程中会根据模糊理论估计数据点对不同类的从属度。模拟退火算法聚类在每一次迭代的过程中，计算数据点从属于不同类的概率时，方差由大变小，理论上可避开局部最小解。

获取模块20，用于获取待辨识人行走的前景图像序列；

请参阅图8，获取模块20包括：采集单元201、图像提取单元202、检测单元203和跟踪单元204。

采集单元201，用于采集待辨识人行走视频图像；

具体实施时，采集单元201可以采用可见光摄像头采集可见光视频也可以加装红外摄像装置采集红外光视频。

图像提取单元202，用于提取视频图像中的前景图像；

具体地，图像提取单元202通过基于背景建模的前景图像提取方法或者帧差法来提取视频图像中的前景图像。

检测单元203，用于检测前景图像中的待辨识人的前景图像；

具体地，检测单元203通过提取前景图像特征，将特征输入行人检测器进行判决。较常用的特征有:哈尔小波(HAAR)特征，伽柏(Gabor)特征，梯度直方图特征(HOG)等,或融合多种特征。提取的特征也可以通过学习的方法得到。例如：卷积神经网络(CNN)通过使用反向传递算法，学习多层卷积核，然后这些卷积核与不同层次的图像进行卷积，生成图像的多层特征表达。根据已训练好的检测器(该检测器也可视为一种两类分类器，用于区分行人区域和非行人区域)，判决该区域是否为行人，判定为行人的区域即为待辨识人的前景图像。该检测器可使用(但不限于)支持向量机来实现，也可以使用自适应增强(AdaBoost)等分类算法实现。其中支持向量机通过学习不同类别之间特征向量(或向量的线性(非线性)映射)的分界面，该分界面在最小化训练误差的同时最小化结构风险。而自适应增强分类算法通过学习多个弱分类器及对应权重，然后将多个弱分类器串联后进行分类，串联前端的弱分类器可用很小的计算量去除大量不是行人的区域，后段的弱分类器再对剩余的区域进行进一步检测，从而可以极大提升检测速度。

跟踪单元204，用于跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。跟踪单元204包括：

初始化子单元、用于在第一帧中初始化待跟踪物模板和运动模型。该模板可通过提取待跟踪物体图像区域的颜色直方图等特征得到。运动模型描述了物体位移及尺度与物体运动速度、加速度，尺度变化速度、时间的关系。

选取子单元、用于根据运动模型选取候选区域。该步骤根据运动模型得到当前帧被跟踪物体可能的区域。

提取子单元、用于从候选区域中提取建立模板时所使用的特征。

估计子单元、用于估计候选区域为被跟踪物体的概率。该概率可根据当前区域特征与模板特征的距离，并结合运动模型来估计。

判定子单元、用于选取概率最大区域为当前帧跟踪位置。

更新子单元、用于根据当前跟踪位置和物体特征更新被跟踪物模板和运动模型。

跟踪单元204还可以通过均值偏移(Meanshift)、分类器跟踪(随机森林)等进行跟踪。

提取模块30，用于提取前景图像序列的方向梯度直方图特征；

请参阅图9，提取模块30包括：划分单元301、计算单元302、统计单元303和串联单元304。

划分单元301，用于将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

计算单元302，用于计算各个子区域像素点的梯度方向和强度；

统计单元303，用于统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

归一化是指用各个单一方向的强度之和除以所有方向的强度之和。

串联单元304，用于将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

生成模块40，用于根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

请参阅图10，生成模块40包括：生成子单元401、整合单元402。

生成子单元401，用于根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

具体地，每一帧的稀疏编码可以通过求解以下非线性优化问题得到：

$\underset{s}{\min }{\left|\right|\mathrm{AS}-x\left|\right|}_2+c{\left|\right|S\left|\right|}_1$

s.t.s₁,…,s_n≥0

其中A是训练生成的步态码本，x是当前帧的方向梯度直方图特征，S是当前帧的稀疏编码，n为步态码本中的步态单词数目，s₁,…,s_n为S各个元素的值，c为优化中给稀疏编码1范数的权重。该非线性优化问题可采用共轭梯度等方法求解。

整合单元402，用于将每一帧的稀疏编码进行整合，生成稀疏编码特征。

具体地，稀疏编码的整合可通过以下公式得到：

r＝max(S₁,…,S_m)

其中m为运动序列中的帧数，r为运动序列最终的稀疏编码特征，max表示分别对稀疏编码特征S₁,…,S_m各个元素求最大值。

识别模块50，用于根据稀疏编码特征，得到待辨识人的身份。

具体地，可通过对属于不同身份人的步态单词的稀疏编码值进行加和，选取求和最大值所对应的身份为待辨识人的身份。具体公式如下：

$\underset{C}{\arg \max }\underset{i\∈C}{\mathrm{\Σ}}{r}_i$

其中r_i为稀疏编码特征r的第i个元素，C代表训练样本中的身份。

本发明实施例的步态识别装置，生成模块40用于训练生成的步态码本和提取的方向梯度直方图特征，得到稀疏编码特征，识别模块50用于根据稀疏编码特征进行待辨识人的身份识别，整个识别过程不需要对步态周期进行估计，步态周期是否完整以及有几个周期，均不会影响识别结果，因此即使待辨识人在视频部分帧中被遮挡，或者待辨识人在视频中只出现了很短的时间，本发明的步态识别装置也可以准确的识别出待辨识人的身份。并且本发明的步态识别装置的提取模块30通过提取方向梯度直方图特征来描述步态特征，方向梯度直方图把一幅前景图像分成各个子区域，然后统计各个局部子区域梯度在各个方向区域的强度分布。当前景图像提取部分有缺陷时，只会影响某些局部子区域的统计特征，保留了其他子区域的统计特征。与从整张前景图提取统计特征的方法相比，受影响较小。而且方向梯度直方图特征向量是对局部子区域统计量的串联，当前景图像方形区域有较小位移时，对特征向量的值影响较小。因此提取方向梯度直方图特征来描述步态特征提高了本发明的步态识别装置在前景图像提取有缺陷的情况下的鲁棒性。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种步态识别方法，其特征在于，该方法包括：

训练样本视频图像得到步态码本；

获取待辨识人行走的前景图像序列；

提取前景图像序列的方向梯度直方图特征；

根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

根据稀疏编码特征，得到待辨识人的身份；

其中，所述训练样本视频图像得到步态码本，包括：

获取样本视频图像中的行人前景图像序列；

标注各个行人前景图像序列；

提取行人前景图像序列的方向梯度直方图特征；

对各个行人的方向梯度直方图特征进行聚类，生成不同身份行人的步态单词，集合不同身份行人的步态单词生成步态码本；

所述根据稀疏编码特征，得到待辨识人的身份，包括：

对稀疏编码特征中不同身份行人的步态单词的稀疏编码值进行求和，选取求和最大值所对应的身份为待辨识人的身份。

2.根据权利要求1所述的步态识别方法，其特征在于，所述获取待辨识人行走的前景图像序列包括：

采集待辨识人行走视频图像；

提取视频图像中的前景图像；

检测前景图像中的待辨识人的前景图像；

跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。

3.根据权利要求1所述的步态识别方法，其特征在于，所述提取前景图像序列的方向梯度直方图特征包括：

将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

计算各个子区域像素点的梯度方向和强度；

统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

4.根据权利要求1所述的步态识别方法，其特征在于，所述根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征包括：

根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

将每一帧的稀疏编码进行整合，生成稀疏编码特征。

5.一种步态识别装置，其特征在于，该装置包括：

训练模块，用于训练样本视频图像得到步态码本；

获取模块，用于获取待辨识人行走的前景图像序列；

提取模块，用于提取前景图像序列的方向梯度直方图特征；

生成模块，用于根据训练生成的步态码本以及方向梯度直方图特征，生成稀疏编码特征；

识别模块，用于根据稀疏编码特征，得到待辨识人的身份；

其中，所述训练模块具体包括：

图像序列获取单元，用于获取样本视频图像中的行人前景图像序列；

标注单元，用于标注各个行人前景图像序列；

特征提取单元，用于提取行人前景图像序列的方向梯度直方图特征；

码本生成单元，用于对各个行人的方向梯度直方图特征进行聚类，生成不同身份行人的步态单词，集合不同身份行人的步态单词生成步态码本；

所述识别模块，具体用于，对稀疏编码特征中不同身份行人的步态单词的稀疏编码值进行求和，选取求和最大值所对应的身份为待辨识人的身份。

6.根据权利要求5所述的步态识别装置，其特征在于，所述获取模块包括：

采集单元，用于采集待辨识人行走视频图像；

图像提取单元，用于提取视频图像中的前景图像；

检测单元，用于检测前景图像中的待辨识人的前景图像；

跟踪单元，用于跟踪待辨识人的前景图像，获取待辨识人行走的前景图像序列。

7.根据权利要求5所述的步态识别装置，其特征在于，所述提取模块包括：

划分单元，用于将前景图像序列的每个前景图像方形区域划分为相互重叠的子区域；

计算单元，用于计算各个子区域像素点的梯度方向和强度；

统计单元，用于统计各个子区域在各个方向划分中的强度之和并进行归一化，得到各个子区域的方向梯度直方图；

串联单元，用于将各个子区域的方向梯度直方图串联成方向梯度直方图特征。

8.根据权利要求5所述的步态识别装置，其特征在于，所述生成模块包括：

生成子单元，用于根据训练生成的步态码本以及每一帧的方向梯度直方图特征，得到每一帧的稀疏编码；

整合单元，用于将每一帧的稀疏编码进行整合，生成稀疏编码特征。