CN106203321B - 一种步态识别方法及系统 - Google Patents

一种步态识别方法及系统 Download PDF

Info

Publication number
CN106203321B
CN106203321B CN201610527927.XA CN201610527927A CN106203321B CN 106203321 B CN106203321 B CN 106203321B CN 201610527927 A CN201610527927 A CN 201610527927A CN 106203321 B CN106203321 B CN 106203321B
Authority
CN
China
Prior art keywords
tensor
gait
image sequence
data
property
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610527927.XA
Other languages
English (en)
Other versions
CN106203321A (zh
Inventor
曾德威
刘志华
王书强
施昌宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201610527927.XA priority Critical patent/CN106203321B/zh
Publication of CN106203321A publication Critical patent/CN106203321A/zh
Application granted granted Critical
Publication of CN106203321B publication Critical patent/CN106203321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及模式识别技术领域，特别涉及一种步态识别方法及系统。所述步态识别方法包括：步骤a：对步态图像序列进行预处理，并将所述预处理后的步态图像序列以三阶张量模式进行存储；步骤b：提取所述步态图像序列中有分类作用的张量特征，根据所述有分类作用的张量特征构建张量分类模型；步骤c：提取所述步态图像序列中未知步态数据的张量特征，将所述未知步态数据的张量特征输入张量分类模型中，通过所述张量分类模型预测所述未知步态数据的标签。本发明将步态图像序列以张量模式进行存储，保留了步态数据的完成信息；在特征提取阶段，提取有标签的张量特征，去除冗余的信息，精简数据结构，提高步态分类准确率。

Description

一种步态识别方法及系统
技术领域
本发明涉及模式识别技术领域，特别涉及一种步态识别方法及系统。
背景技术
模式识别，是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要方面。
步态识别，即通过分析人们走路的姿态进行身份识别，是一种较新的生物认证技术。与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。
在模式识别、计算机可视化和图像处理等研究领域，数据经常以张量模式储存，譬如，灰度图像是二阶张量(矩阵)、彩色图像是三阶张量等等。不同于向量模式表示方法，张量模式表示能够储存更多向量模式无法表示的信息，如原始数据的结构信息、内在依赖性等。随着大数据时代的到来，数据的张量表达逐渐成为主流，如步态数据，以3阶张量表示一段步态图像序列。
而现有的步态识别方法通常是基于向量模式算法对张量数据进行处理。传统的向量模式算法在处理张量数据时，存在诸多问题。根据向量模式算法的观点，须在预处理阶段对原始数据进行特征提取(向量化)，这样，容易破坏张量数据特有的空间信息及内在相关性；且模型参数过多，容易导致维度灾难、过学等问题；另外，向量数据常常夹杂较多冗余信息，对分类识别问题具有一定的破坏性。
发明内容
本发明提供了一种步态识别方法及系统，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本发明提供了如下技术方案：
一种步态识别方法，包括以下步骤：
步骤a：对步态图像序列进行预处理，并将所述预处理后的步态图像序列以三阶张量模式进行存储；
步骤b：提取所述步态图像序列中有分类作用的张量特征，根据所述有分类作用的张量特征构建张量分类模型；
步骤c：提取所述步态图像序列中未知步态数据的张量特征，将所述未知步态数据的张量特征输入张量分类模型中，通过所述张量分类模型预测所述未知步态数据的标签。
本发明实施例采取的技术方案还包括：所述步骤a前还包括：采集测试者不同视角、不同行走条件下的步态图像序列；所述不同行走条件包括普通条件、裹大衣条件及携带包裹条件。
本发明实施例采取的技术方案还包括：在所述步骤a中，所述对步态图像序列进行预处理具体包括：对所述步态图像序列进行降噪处理，通过图像分割将测试者与背景进行分离，并对分离后的步态图像序列进行二值化处理。
本发明实施例采取的技术方案还包括：在所述步骤b中，所述提取步态图像序列中有分类作用的张量特征，根据所述有分类作用的张量特征构建张量分类模型具体包括：基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标；根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；并根据以张量特征表示的步态数据构建支持塔克机的张量分类模型。
本发明实施例采取的技术方案还包括：在所述步骤c中，所述通过张量分类模型预测所述未知步态数据的标签具体为：根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
本发明实施例采取的另一技术方案为：一种步态识别系统，包括：
数据预处理模块：用于对步态图像序列进行预处理，并将所述预处理后的步态图像序列以三阶张量模式进行存储；
特征提取模块：用于提取所述步态图像序列中有分类作用的张量特征；
模型构建模块：用于根据所述有分类作用的张量特征构建张量分类模型；
步态分类模块：用于提取所述步态图像序列中未知步态数据的张量特征，将所述未知步态数据的张量特征输入张量分类模型中，通过所述张量分类模型预测所述未知步态数据的标签。
本发明实施例采取的技术方案还包括：还包括数据采集模块，所述数据采集模块用于采集测试者不同视角、不同行走条件下的步态图像序列；所述不同行走条件包括普通条件、裹大衣条件及携带包裹条件。
本发明实施例采取的技术方案还包括：所述数据预处理模块对步态图像序列进行预处理具体包括：对所述步态图像序列进行降噪处理，通过图像分割将测试者与背景进行分离，并对分离后的步态图像序列进行二值化处理。
本发明实施例采取的技术方案还包括：所述特征提取模块提取步态图像序列中有分类作用的张量特征具体包括：基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标；根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；所述模型构建模块根据所述有分类作用的张量特征构建张量分类模型具体为：根据以张量特征表示的步态数据构建支持塔克机的张量分类模型。
本发明实施例采取的技术方案还包括：所述步态分类模块通过张量分类模型预测所述未知步态数据的标签具体为：根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的步态识别方法及系统在步态数据采集和预处理阶段，将每条步态图像序列以三阶张量模式进行存储，保留了步态数据的完成信息；在特征提取阶段，基于遗传算法提取有分类作用的张量特征，去除冗余的信息，精简数据结构，更紧凑地表示步态数据，提高步态分类准确率；在步态识别阶段，在支持张量机的基础上引入塔克分解，使得求解过程更加符合理论，增加模型的可解释性，提高模型对数据的理解，进一步提高分类准确率。
附图说明
图1是本发明实施例的步态识别方法的流程图；
图2是本发明实施例的张量特征选择流程图；
图3是本发明实施例构建张量分类模型的流程图；
图4是本发明实施例的步态识别系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
本发明实施例的步态识别方法及系统是基于遗传算法和张量模式算法来实现的。本发明在数据采集阶段，测试者沿着多个视角在不同行走条件下采集步态图像序列；在数据预处理阶段，对采集的步态图像序列进行降噪，将测试者从背景中分离出来，并将步态图像序列以3阶张量模型进行存储；在特征提取阶段，基于遗传算法提取有标签的张量特征，更紧凑地表示步态数据；在步态分类阶段，基于提取的有分类作用的张量特征和支持塔克机，构建张量分类模型，并将未知步态数据的张量特征输入张量分类模型，通过张量分类模型预测未知步态数据的标签。
具体地，请参阅图1，是本发明实施例的步态识别方法的流程图。本发明实施例的步态识别方法包括以下步骤：
步骤100：采集测试者多个不同视角、不同行走条件下的步态图像序列；
在步骤100中，多个视角包括18度、36度...，180度等，不同行走条件包括普通条件、裹大衣条件及携带包裹条件等。
步骤200：对采集的步态图像序列进行降噪处理，通过图像分割将步态图像序列中的测试者与背景进行分离，并将分离后的步态图像序列进行二值化处理后，以三阶张量模式进行存储；
在步骤200中，为了提高图像的质量以及后续的处理，首先对步态图像序列进行降噪处理，然后进行图像分割，将测试者从背景中分离出来，接着对分割后的步态图像序列进行二值化处理，最小化测试者不同行走条件的影响，突出测试者的步态特征，最后将每个步态图像序列以三阶张量(高，宽，帧数)形式进行存储，其中，第一、二阶表示图像，第三阶表示序列。所有步态图像序列都存储在一个四阶张量内，四个阶分别表示高、宽、帧数、样本量。标签为一个列向量，对应每个步态图像序列的测试者所属的编号。本发明实施例在数据预处理阶段，将每条步态图像序列看作三阶张量，从而保留了步态数据的完成信息，张量模式算法的参数，在数量方面远远小于向量模式算法，因此，张量模式算法更加适合小样本学习，同时避免过学问题，可以大幅降低计算复杂度和存储成本，具有较强的实用性和推广性；本发明可以适用于体育训练、医疗保健、罪犯追踪、游戏设计等多种领域的步态识别。
步骤300：基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标；
在步骤300中，所谓遗传算法(genetic algorithm，GA)，是一种模仿达尔文自然选择和生物遗传学的全局优化概率优化算法，让多个具有不同参数设定的种群同时进化，性能越好的种群获得更多的处理器时间，具有强烈的并行性、自适应性和领域无关性。
具体如表1所示，是遗传算法内的染色体表：
表1遗传算法内的染色体表
G<sub>C</sub> GF<sub>1</sub> ...... GF<sub>i</sub> ...... GF<sub>N</sub>
在表1中，GC表示模型的惩罚系数C的二进制编码，GF1表示第一阶特征F1的二进制编码，GFN表示第N阶特征FN的二进制编码。GC的长度取决于惩罚系数C的范围，GFi的长度取决于数据第i阶Ii的长度，值得注意的是，特征编码部分中，“0”表示特征未被选择，“1”表示特征已被选择。
在本发明实施例中的遗传算法中，基于算法的泛化准确率和选择的特征设计适应度函数。理想的情况下，泛化准确率越高，选择的特征数目越小，将产生一个越高的适应度函数值，而适应度函数值较高的染色体将保留到到下一代。
在本发明实施例中的遗传算法中，基于轮盘赌选择法选择K对染色体进行交叉操作。对于染色体的每一部分，基于相应交叉概率进行均匀交叉操作，并基于变异概率进行均匀变异操作。
综上所述，本发明实施例在张量特征提取阶段，利用遗传算法搜索模型的最优参数及最优特征子集，最后输出最优泛化准确率，去除冗余的信息，精简数据结构，提取具有分类价值的信息，提高分类准确率。例如，假设某步态图像序列规模为4×5×3，特征子集选择结果为GF1：10110，GF2：0110，GF3：101，则最后用于训练分类器的数据规模为3×2×2，具体如图2所示，是本发明实施例的张量特征选择流程图。
步骤400：根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；
步骤500：根据以张量特征表示的步态数据构建支持塔克机的张量分类模型；
在步骤500中，本发明实施例在支持张量机的基础上引入塔克分解构建支持塔克机的张量分类模型，塔克分解将张量对象分解成一个核张量和多个因子矩阵，一个因子矩阵对应一个阶，每个因子矩阵可解释为主成分。塔克分解结果为一个核张量和一系列因子矩阵，核矩阵反映各阶特征之间的内在相关性，因子矩阵代表对应阶的特征(主成分)。根据塔克分解，一个N阶张量的可以写作：
在公式(1)中，为核张量，A(1)，A(2)...A(N)是因子矩阵，分别对应一个阶。
请一并参阅图3，本发明实施例在支持张量机的基础上引入塔克分解构建支持塔克机分类模型的流程具体包括以下步骤：
步骤501：塔克分解的n－模展开及向量化：
定义N个因子矩阵的Kronecker积(克罗内克积)表示为：类似的，定义N－1个因子矩阵的Kronecker积(跳过第n个因子矩阵)：
因此，公式(1)的n模展开为：
公式(1)的向量化为：其中，G(j)是核张量的1－模展开。
步骤502：提出支持塔克机(STuMs)的优化框架；
支持张量机的优化框架(1)如下：
支持张量机的第j个子优化框架(2)为：
将塔克分解引入支持张量机的第j个子优化框架(3)为：
通过优化框架(3)获得A(1)，A(2)...A(N)后，求解核张量g的优化框架(4)为：
综上，优化框架(3)和优化框架(4)迭代直到收敛输出最优的A(1)，A(2)...A(N)和b。
步骤503：将支持塔克机的优化框架转化为支持向量机的优化框架；
在步骤503中，令K＝P(j)P(j)， 则优化框架(3)变为：
令则优化框架(4)变为：
步骤504：通过拉格朗日乘子法获得支持塔克机优化框架的对偶问题；利用序列最小优化算法(Sequential Minimal Optimization，SMO)求解最优解；
步骤505：根据最优解构建张量分类模型；
在步骤505中，根据支持塔克机优化框架输出最优的参数g、A(1)，A(2)...A(N)和b；首先根据g和A(1)，A(2)...A(N)得到支持张量机优化框架下的张量权值最终的判别函数为：
本发明实施例在数据分类阶段，在支持张量机的基础上引入塔克分解，使得求解过程更加符合理论，增加模型的可解释性，提高模型对数据的理解，进一步提高分类准确率。
步骤600：根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
请参阅图4，是本发明实施例的步态识别系统的结构图。本发明实施例的步态识别系统包括数据采集模块、数据预处理模块、特征提取模块、模型构建模块和步态分类模块。
数据采集模块用于采集测试者多个不同视角、不同行走条件下的步态图像序列；其中，多个视角包括18度、36度...，180度等，不同行走条件包括普通条件、裹大衣条件及携带包裹条件等。
数据预处理模块用于对采集的步态图像序列进行降噪处理，通过图像分割将步态图像序列中的测试者与背景进行分离，并将分离后的步态图像序列进行二值化处理后，以三阶张量模式进行存储；其中，为了提高图像的质量以及后续的处理，首先对步态图像序列进行降噪处理，然后进行图像分割，将测试者从背景中分离出来，接着对分割后的步态图像序列进行二值化处理，最小化测试者不同行走条件的影响，突出测试者的步态特征，最后将每个步态图像序列以三阶张量(高，宽，帧数)形式进行存储，其中，第一、二阶表示图像，第三阶表示序列。所有步态图像序列都存储在一个四阶张量内，四个阶分别表示高、宽、帧数、样本量。标签为一个列向量，对应每个步态图像序列的测试者所属的编号。本发明实施例在数据预处理阶段，将每条步态图像序列看作三阶张量，从而保留了步态数据的完成信息，张量模式算法的参数，在数量方面远远小于向量模式算法，因此，张量模式算法更加适合小样本学习，同时避免过学问题，可以大幅降低计算复杂度和存储成本，具有较强的实用性和推广性；本发明可以适用于体育训练、医疗保健、罪犯追踪、游戏设计等多种领域的步态识别。
特征提取模块用于基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标，根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；其中，所谓遗传算法(genetic algorithm，GA)，是一种模仿达尔文自然选择和生物遗传学的全局优化概率优化算法，让多个具有不同参数设定的种群同时进化，性能越好的种群获得更多的处理器时间，具有强烈的并行性、自适应性和领域无关性。
具体如表1所示，是遗传算法内的染色体表：
表1遗传算法内的染色体表
C<sub>C</sub> GF<sub>1</sub> ...... GF<sub>i</sub> ...... GF<sub>N</sub>
在表1中，GC表示模型的惩罚系数C的二进制编码，GF1表示第一阶特征F1的二进制编码，GFN表示第N阶特征FN的二进制编码。GC的长度取决于惩罚系数C的范围，GFi的长度取决于数据第i阶Ii的长度，值得注意的是，特征编码部分中，“0”表示特征未被选择，“1”表示特征已被选择。
在本发明实施例中的遗传算法中，基于算法的泛化准确率和选择的特征设计适应度函数。理想的情况下，泛化准确率越高，选择的特征数目越小，将产生一个越高的适应度函数值，而适应度函数值较高的染色体将保留到到下一代。
在本发明实施例中的遗传算法中，基于轮盘赌选择法选择K对染色体进行交叉操作。对于染色体的每一部分，基于相应交叉概率进行均匀交叉操作，并基于变异概率进行均匀变异操作。
综上所述，本发明实施例的特征提取模块在张量特征提取阶段，利用遗传算法搜索模型的最优参数及最优特征子集，最后输出最优泛化准确率，去除冗余的信息，精简数据结构，提取具有分类价值的信息，提高分类准确率。例如，假设某步态图像序列规模为4×5×3，特征子集选择结果为GF1：10110，GF2：0110，GF3：101，则最后用于训练分类器的数据规模为3×2×2。
模型构建模块用于根据以张量特征表示的步态数据构建支持塔克机的张量分类模型；其中，本发明实施例在支持张量机的基础上引入塔克分解构建支持塔克机的张量分类模型，塔克分解将张量对象分解成一个核张量和多个因子矩阵，一个因子矩阵对应一个阶，每个因子矩阵可解释为主成分。塔克分解结果为一个核张量和一系列因子矩阵，核矩阵反映各阶特征之间的内在相关性，因子矩阵代表对应阶的特征(主成分)。根据塔克分解，一个N阶张量的可以写作：
在公式(1)中，为核张量，A(1)，A(2)...A(N)是因子矩阵，分别对应一个阶。
上述中，模型构建模块根据以张量特征表示的步态数据构建支持塔克机的张量分类模型具体包括：
一、塔克分解的n－模展开及向量化：
定义N个因子矩阵的Kronecker积(克罗内克积)表示为：类似的，定义N－1个因子矩阵的Kronecker积(跳过第n个因子矩阵)：
因此，公式(1)的n模展开为：
公式(1)的向量化为：其中，G(j)是核张量的1－模展开。
二、提出支持塔克机(STuMs)的优化框架；
支持张量机的优化框架(1)如下：
支持张量机的第j个子优化框架(2)为：
将塔克分解引入支持张量机的第j个子优化框架(3)为：
通过优化框架(3)获得A(1)，A(2)...A(N)后，求解核张量g的优化框架(4)为：
综上，优化框架(3)和优化框架(4)迭代直到收敛输出最优的A(1)，A(2)...A(N)和b。
三、将支持塔克机的优化框架转化为支持向量机的优化框架；
令K＝P(j)P(j)，则优化框架(3)变为：
令则优化框架(4)变为：
四、通过拉格朗日乘子法获得支持塔克机优化框架的对偶问题；利用序列最小优化算法求解最优解；
五、根据最优解构建张量分类模型；
根据支持塔克机优化框架输出最优的参数A(1)，A(2)...A(N)和b；首先根据和A(1)，A(2)...A(N)得到支持张量机优化框架下的张量权值最终的判别函数为：
步态分类模块用于根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
本发明实施例的步态识别方法及系统在步态数据采集和预处理阶段，将每条步态图像序列以三阶张量模式进行存储，保留了步态数据的完成信息；在特征提取阶段，基于遗传算法提取有分类作用的张量特征，去除冗余的信息，精简数据结构，更紧凑地表示步态数据，提高步态分类准确率；在步态识别阶段，在支持张量机的基础上引入塔克分解，使得求解过程更加符合理论，增加模型的可解释性，提高模型对数据的理解，进一步提高分类准确率。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种步态识别方法，其特征在于，包括以下步骤：
步骤a：对步态图像序列进行预处理，并将所述预处理后的步态图像序列以三阶张量模式进行存储；
步骤b：提取所述步态图像序列中有分类作用的张量特征，根据所述有分类作用的张量特征构建张量分类模型；
步骤c：提取所述步态图像序列中未知步态数据的张量特征，将所述未知步态数据的张量特征输入张量分类模型中，通过所述张量分类模型预测所述未知步态数据的标签；
在所述步骤b中，所述提取步态图像序列中有分类作用的张量特征，根据所述有分类作用的张量特征构建张量分类模型具体包括：基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标；根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；并根据以张量特征表示的步态数据构建支持塔克机的张量分类模型；
其中，所述构建支持塔克机的张量分类模型具体包括：
塔克分解的n-模展开及向量化；提出支持塔克机的优化框架；将支持塔克机的优化框架转化为支持向量机的优化框架；通过拉格朗日乘子法获得支持塔克机优化框架的对偶问题，利用序列最小优化算法求解最优解；根据最优解构建张量分类模型。
2.根据权利要求1所述的步态识别方法，其特征在于，所述步骤a前还包括：采集测试者不同视角、不同行走条件下的步态图像序列；所述不同行走条件包括普通条件、裹大衣条件及携带包裹条件。
3.根据权利要求2所述的步态识别方法，其特征在于，在所述步骤a中，所述对步态图像序列进行预处理具体包括：对所述步态图像序列进行降噪处理，通过图像分割将测试者与背景进行分离，并对分离后的步态图像序列进行二值化处理。
4.根据权利要求1所述的步态识别方法，其特征在于，在所述步骤c中，所述通过张量分类模型预测所述未知步态数据的标签具体为：根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
5.一种步态识别系统，其特征在于，包括：
数据预处理模块：用于对步态图像序列进行预处理，并将所述预处理后的步态图像序列以三阶张量模式进行存储；
特征提取模块：用于提取所述步态图像序列中有分类作用的张量特征；
模型构建模块：用于根据所述有分类作用的张量特征构建张量分类模型；
步态分类模块：用于提取所述步态图像序列中未知步态数据的张量特征，将所述未知步态数据的张量特征输入张量分类模型中，通过所述张量分类模型预测所述未知步态数据的标签；
所述特征提取模块提取步态图像序列中有分类作用的张量特征具体包括：基于遗传算法提取步态图像序列中有分类作用的张量特征，并标记有分类作用的张量特征的位置坐标；根据标记的有分类作用的张量特征位置坐标，以张量特征更紧凑地表示步态数据；所述模型构建模块根据所述有分类作用的张量特征构建张量分类模型具体为：根据以张量特征表示的步态数据构建支持塔克机的张量分类模型；
其中，所述构建支持塔克机的张量分类模型具体包括：
塔克分解的n-模展开及向量化；提出支持塔克机的优化框架；将支持塔克机的优化框架转化为支持向量机的优化框架；通过拉格朗日乘子法获得支持塔克机优化框架的对偶问题，利用序列最小优化算法求解最优解；根据最优解构建张量分类模型。
6.根据权利要求5所述的步态识别系统，其特征在于，还包括数据采集模块，所述数据采集模块用于采集测试者不同视角、不同行走条件下的步态图像序列；所述不同行走条件包括普通条件、裹大衣条件及携带包裹条件。
7.根据权利要求6所述的步态识别系统，其特征在于，所述数据预处理模块对步态图像序列进行预处理具体包括：对所述步态图像序列进行降噪处理，通过图像分割将测试者与背景进行分离，并对分离后的步态图像序列进行二值化处理。
8.根据权利要求5所述的步态识别系统，其特征在于，所述步态分类模块通过张量分类模型预测所述未知步态数据的标签具体为：根据标记的有分类作用的张量特征的位置坐标提取步态图像序列中未知步态数据的张量特征，并以未知步态数据的张量特征表示未知步态数据，将未知步态数据输入所构建的张量分类模型中，通过张量分类模型预测未知步态数据的标签。
CN201610527927.XA 2016-07-06 2016-07-06 一种步态识别方法及系统 Active CN106203321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610527927.XA CN106203321B (zh) 2016-07-06 2016-07-06 一种步态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610527927.XA CN106203321B (zh) 2016-07-06 2016-07-06 一种步态识别方法及系统

Publications (2)

Publication Number Publication Date
CN106203321A CN106203321A (zh) 2016-12-07
CN106203321B true CN106203321B (zh) 2019-11-05

Family

ID=57465453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610527927.XA Active CN106203321B (zh) 2016-07-06 2016-07-06 一种步态识别方法及系统

Country Status (1)

Country Link
CN (1) CN106203321B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951868B (zh) * 2017-03-22 2018-08-24 海南职业技术学院 一种基于身形特征的步态识别方法及装置
CN111291240B (zh) * 2018-12-06 2023-12-08 华为技术有限公司 处理数据的方法和数据处理装置
CN111860063B (zh) * 2019-04-30 2023-08-11 杭州海康威视数字技术股份有限公司 步态数据构建系统、方法及装置
CN114469073B (zh) * 2021-12-13 2023-06-30 中国科学院深圳先进技术研究院 基于可穿戴传感器的步态分析与异常检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218617A (zh) * 2013-05-13 2013-07-24 山东大学 一种多线性大间距的特征提取方法
CN103745205A (zh) * 2014-01-22 2014-04-23 山东大学 一种基于多线性均值成分分析的步态识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218617A (zh) * 2013-05-13 2013-07-24 山东大学 一种多线性大间距的特征提取方法
CN103745205A (zh) * 2014-01-22 2014-04-23 山东大学 一种基于多线性均值成分分析的步态识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Multi-view gait recognition based on tensor analysis;Caijuan Shi.etc;《2012 IEEE 11th International Conference on Signal Processing》;20130404;第1222-1225页 *
基于张量分解的BCI特征提取;王磊;《中国优秀硕士学位论文全文数据库》;20150115;I136-133 *
基于线性插值的张量步态识别算法;贲晛烨;《计算机应用研究》;20120131;第29卷(第1期);第355-358页 *
基于遗传算法的张量特征选择研究;郭腾蛟;《中国优秀硕士学位论文全文数据库》;20150115;I140-97 *

Also Published As

Publication number Publication date
CN106203321A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN110134757B (zh) 一种基于多头注意力机制的事件论元角色抽取方法
CN109948425B (zh) 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN105122279B (zh) 在识别系统中保守地适配深度神经网络
CN106203321B (zh) 一种步态识别方法及系统
CN114038037B (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN109165540A (zh) 一种基于先验候选框选择策略的行人搜索方法和装置
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN112949740B (zh) 一种基于多级度量的小样本图像分类方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN104966105A (zh) 一种鲁棒机器错误检索方法与系统
CN112232374B (zh) 基于深度特征聚类和语义度量的不相关标签过滤方法
CN105095863A (zh) 基于相似性权值的半监督字典学习的人体行为识别方法
CN110046356B (zh) 标签嵌入的微博文本情绪多标签分类方法
CN111310668A (zh) 一种基于骨架信息的步态识别方法
CN109255289A (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
Ocquaye et al. Dual exclusive attentive transfer for unsupervised deep convolutional domain adaptation in speech emotion recognition
CN111611877A (zh) 基于多时空信息融合的抗年龄干扰的人脸识别方法
CN115827954A (zh) 动态加权的跨模态融合网络检索方法、系统、电子设备
Yu et al. Exemplar-based recursive instance segmentation with application to plant image analysis
CN104766051B (zh) 基于结构化的特征图的人体行为识别方法
CN108229505A (zh) 基于fisher多级字典学习的图像分类方法
CN113706285A (zh) 一种信用卡欺诈检测方法
CN108985385A (zh) 基于生成对抗学习的快速弱监督目标检测方法
Alonazi et al. Fire Hawk Optimizer with Deep Learning Enabled Human Activity Recognition.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant