CN110222599A - 一种基于高斯映射的步态识别方法 - Google Patents

一种基于高斯映射的步态识别方法 Download PDF

Info

Publication number
CN110222599A
CN110222599A CN201910423725.4A CN201910423725A CN110222599A CN 110222599 A CN110222599 A CN 110222599A CN 201910423725 A CN201910423725 A CN 201910423725A CN 110222599 A CN110222599 A CN 110222599A
Authority
CN
China
Prior art keywords
image
obtains
pedestrian
gait recognition
recognition method
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.)
Granted
Application number
CN201910423725.4A
Other languages
English (en)
Other versions
CN110222599B (zh
Inventor
廖开阳
豆佳欣
武吉梅
章明珠
李聪
唐嘉辉
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910423725.4A priority Critical patent/CN110222599B/zh
Publication of CN110222599A publication Critical patent/CN110222599A/zh
Application granted granted Critical
Publication of CN110222599B publication Critical patent/CN110222599B/zh
Expired - Fee Related 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于高斯映射的步态识别方法，具体按照以下步骤实施：步骤1、获取行人的二进制轮廓图像a；步骤2、提取外轮廓信息；步骤3、提取内轮廓信息；步骤4、对外轮廓信息、内轮廓信息进行高斯映射，再对信息进行处理，获得最终特征；步骤5、将最终特征与数据库进行匹配，从而确定行人身份。本发明解决了现有技术中存在的无法远距离(十米以外)进行行人识别的问题。

Description

一种基于高斯映射的步态识别方法
技术领域
本发明属于计算机网络中的特征提取及数据挖掘技术领域，具体涉及一种基于高斯映射的步态识别方法。
背景技术
近年来，机器视觉引起了人们广泛的兴趣，它属于人工智能的分支。行人重识别作为机器视觉的一大应用同样也激起了许多研究人员的兴趣，行人重识别，即在多摄像机网络中将目标对象与其他行人进行匹配。行人重识别的直接应用是我们可以在多个摄像机中找到一个共同的目标，这在刑事侦查中尤为重要。此外，它还支持许多高级多媒体应用、运动分析、长期对象跟踪和其他个性化应用。
行人重识别领域已经确定了两种主流的方法：分别是基于视觉特征的方法和基于生物特征的方法。基于视觉特征的方法仅使用视觉信息来建立一个行人的特征，目前大多数现有的方法都是利用视觉特征，视觉特征有很多种，如：颜色特征、轮廓特征、纹理特征等；与基于视觉特征的方法相比，基于生物特征的方法利用生物识别技术来构建行人特征，生物特征识别)BIOMETRICS)技术，是指通过计算机利用人体所固有的生理特征(指纹、虹膜、面相、DNA等)或行为特征(步态、击键习惯等)来进行个人身份鉴定的技术。由于现实环境的复杂，如：距离，遮挡，光线，摄像机分辨率等因素的影响，使得视觉特征无法实现远距离的行人识别(十米以外)，而大多数生物特征也无法实现远距离的行人识别。
发明内容
本发明的目的是提供一种基于高斯映射的步态识别方法，解决了现有技术中存在的无法远距离(十米以外)进行行人识别的问题。
本发明所采用的技术方案是，一种基于高斯映射的步态识别方法，具体按照以下步骤实施：
步骤1、获取行人的二进制轮廓图像a；
步骤2、提取外轮廓信息；
步骤3、提取内轮廓信息；
步骤4、对外轮廓信息、内轮廓信息进行高斯映射，再对信息进行处理，获得最终特征；
步骤5、将最终特征与数据库进行匹配，从而确定行人身份。
本发明的特点还在于：
步骤1的具体过程如下：
步骤1.1、采用金属成分分析模型将行人从图像中提取出来，得到行人图像；
步骤1.2、对步骤1.1的行人图像进行二值化操作，得到二进制轮廓图像a。
步骤2的具体过程如下：
步骤2.1、采用参数三次条插值法对步骤1.2的二进制轮廓图像a进行边界平滑操作，得到二进制轮廓图像b；
步骤2.2、沿步骤2.1的二进制轮廓图像b的边界进行采样，得到若干个样本点a；
步骤2.3、计算步骤2.2的样本点a的法向量，得到图像A。
步骤2.2中，每个样本点a包括5～8个像素。
步骤3的具体过程如下：
步骤3.1、对步骤2.3的图像A的前景像素进行距离变换，得到距离图像；
步骤3.2、连接步骤3.1的距离图像中距离相等的点，得到若干条等值线a；
步骤3.3、采用参数三次条插值法对步骤3.2的等值线a进行边界平滑操作，得到等值线b；
步骤3.4、沿步骤3.3的等值线b的边界进行采样，得到若干个样本点b；
步骤3.5、计算步骤3.4的样本点b的法向量，得到图像B。
步骤3.4中，每个样本点b包括5～8个像素。
步骤4的具体过程如下：
步骤4.1、将步骤3.5的图像B划分为若干个形状、大小一致的网格，再进行高斯映射，再将每个法向量的方向向量转化为直方图；
步骤4.2、将所有直方图的bins进行叠加，得到聚合描述符；
步骤4.3、计算步骤4.2的聚合描述符的平均值，并将平均值作为最终特征。
步骤4.2中，聚合描述符表示为：
式中，为行人第t帧的特征向量；n为总帧数。
步骤5的具体过程如下：
采用欧氏距离变换将最终特征与数据库进行匹配，距离越小表示越相似，从而确定行人身份。
欧氏距离表示为：
式中，为最终特征的特征向量；为数据库图像j的特征向量。
本发明的有益效果是：
(1)本发明提出了一种将边界信息与内部轮廓信息相结合的距离变换方法，通过添加边界特征增强了内部轮廓信息；
(2)本发明通过划分轮廓为一个个规则的网格来实现对高斯映射的内部轮廓段进行评估，增强了特征的可辨性；
(3)本发明提出了一种将边界轮廓与内部轮廓曲率相结合，使边界轮廓和身体内部轮廓曲率组合成一个新的特征描述符，比现有的步态特征描述符更为稳健。
附图说明
图1是本发明基于高斯映射的步态识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，一种基于高斯映射的步态识别方法，具体按照以下步骤实施：
步骤1、获取行人的二进制轮廓图像a；
具体过程如下：
步骤1.1、采用金属成分分析模型将行人从图像中提取出来，得到行人图像；
步骤1.2、对步骤1.1的行人图像进行二值化操作，得到二进制轮廓图像a。
步骤2、提取外轮廓信息；
具体过程如下：
步骤2.1、采用参数三次条插值法对步骤1.2的二进制轮廓图像a进行边界平滑操作，得到二进制轮廓图像b；
步骤2.2、沿步骤2.1的二进制轮廓图像b的边界进行采样，得到若干个样本点a；其中，每个样本点a包括5～8个像素；
步骤2.3、计算步骤2.2的样本点a的法向量得到图像A。
步骤3、提取内轮廓信息；
具体过程如下：
步骤3.1、对步骤2.3的图像A的前景像素进行距离变换，得到距离图像；
步骤3.2、连接步骤3.1的距离图像中距离相等的点，得到若干条等值线a；
步骤3.3、采用参数三次条插值法对步骤3.2的等值线a进行边界平滑操作，得到等值线b；
步骤3.4、沿步骤3.3的等值线b的边界进行采样，得到若干个样本点b；其中，每个样本点b包括5～8个像素；
步骤3.5、计算步骤3.4的样本点b的法向量，得到图像B。
步骤4、对外轮廓信息、内轮廓信息进行高斯映射，再对信息进行处理，获得最终特征；
具体过程如下：
步骤4.1、将步骤3.5的图像B划分为若干个形状、大小一致的网格，再进行高斯映射，再将每个法向量的方向向量转化为直方图；
步骤4.2、将所有直方图的bins进行叠加，得到聚合描述符；
聚合描述符表示为：
式中，为行人第t帧的特征向量；n为总帧数；
步骤4.3、计算步骤4.2的聚合描述符的平均值，并将平均值作为最终特征。
步骤5、将最终特征与数据库进行匹配，从而确定行人身份；
采用欧氏距离变换将最终特征与数据库进行匹配，距离越小表示越相似，从而确定行人身份。
欧氏距离表示为：
式中，为最终特征的特征向量；为数据库图像j的特征向量。
还进行了误差分析：
基于该特征，即聚合描述符的平均值；采用广泛的欧几里得距离度量将训练集与测试集进行匹配，两个特征向量之间的距离越小，对应对象之间的差异就越小，给定一个测试集图像i的特征向量和一个训练集图像j的特征向量它们之间的距离Di,j计算为：
误差分析结果表明，训练集和测试集匹配的准确率为70.1～70.8％。
本发明基于高斯映射的步态识别方法，从功能执行上讲，首先执行二进制轮廓图像边界平滑并计算法向量；其次执行边界信息与内部轮廓信息相结合的距离变换，计算前景像素(受试者的身体)及其到最近边界的距离，连接距离边界相同距离处的点形成等值线，对等值线进行边界平滑和法向量计算；然后执行法向量方向的量化，将其量化成直方图；然后执行步态特征在整个步态周期中的计算，使用聚合描述符的平均值作为最终的特征向量；最后执行距离度量，与数据库进行匹配，从而确认行人身份。本发明基于高斯映射的步态识别方法，通过距离变换将边界信息与内部轮廓信息相结合，使身体内部轮廓信息和边界轮廓信息组合成一个新的描述符，实现了基于步态特征的行人重识别。

Claims (10)

1.一种基于高斯映射的步态识别方法，其特征在于，具体按照以下步骤实施：
步骤1、获取行人的二进制轮廓图像a；
步骤2、提取外轮廓信息；
步骤3、提取内轮廓信息；
步骤4、对外轮廓信息、内轮廓信息进行高斯映射，再对信息进行处理，获得最终特征；
步骤5、将最终特征与数据库进行匹配，从而确定行人身份。
2.如权利要求1所述的基于高斯映射的步态识别方法，其特征在于，所述步骤1的具体过程如下：
步骤1.1、采用金属成分分析模型将行人从图像中提取出来，得到行人图像；
步骤1.2、对步骤1.1的行人图像进行二值化操作，得到二进制轮廓图像a。
3.如权利要求2所述的基于高斯映射的步态识别方法，其特征在于，所述步骤2的具体过程如下：
步骤2.1、采用参数三次条插值法对步骤1.2的二进制轮廓图像a进行边界平滑操作，得到二进制轮廓图像b；
步骤2.2、沿步骤2.1的二进制轮廓图像b的边界进行采样，得到若干个样本点a；
步骤2.3、计算步骤2.2的样本点a的法向量，得到图像A。
4.如权利要求3所述的基于高斯映射的步态识别方法，其特征在于，所述步骤2.2中，每个样本点a包括5～8个像素。
5.如权利要求4任一项所述的基于高斯映射的步态识别方法，其特征在于，所述步骤3的具体过程如下：
步骤3.1、对步骤2.3的图像A的前景像素进行距离变换，得到距离图像；
步骤3.2、连接步骤3.1的距离图像中距离相等的点，得到若干条等值线a；
步骤3.3、采用参数三次条插值法对步骤3.2的等值线a进行边界平滑操作，得到等值线b；
步骤3.4、沿步骤3.3的等值线b的边界进行采样，得到若干个样本点b；
步骤3.5、计算步骤3.4的样本点b的法向量，得到图像B。
6.如权利要求5所述的基于高斯映射的步态识别方法，其特征在于，所述步骤3.4中，每个样本点b包括5～8个像素。
7.如权利要求6所述的基于高斯映射的步态识别方法，其特征在于，所述步骤4的具体过程如下：
步骤4.1、将步骤3.5的图像B划分为若干个形状、大小一致的网格，再进行高斯映射，再将每个法向量的方向向量转化为直方图；
步骤4.2、将所有直方图的bins进行叠加，得到聚合描述符；
步骤4.3、计算步骤4.2的聚合描述符的平均值，并将平均值作为最终特征。
8.如权利要求7所述的基于高斯映射的步态识别方法，其特征在于，所述步骤4.2中，聚合描述符表示为：
式中，为行人第t帧的特征向量；n为总帧数。
9.如权利要求7所述的基于高斯映射的步态识别方法，其特征在于，所述步骤5的具体过程如下：
采用欧氏距离变换将最终特征与数据库进行匹配，距离越小表示越相似，从而确定行人身份。
10.如权利要求9所述的基于高斯映射的步态识别方法，其特征在于，所述欧氏距离表示为：
式中，为最终特征的特征向量；为数据库图像j的特征向量。
CN201910423725.4A 2019-05-21 2019-05-21 一种基于高斯映射的步态识别方法 Expired - Fee Related CN110222599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910423725.4A CN110222599B (zh) 2019-05-21 2019-05-21 一种基于高斯映射的步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910423725.4A CN110222599B (zh) 2019-05-21 2019-05-21 一种基于高斯映射的步态识别方法

Publications (2)

Publication Number Publication Date
CN110222599A true CN110222599A (zh) 2019-09-10
CN110222599B CN110222599B (zh) 2021-09-10

Family

ID=67821409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910423725.4A Expired - Fee Related CN110222599B (zh) 2019-05-21 2019-05-21 一种基于高斯映射的步态识别方法

Country Status (1)

Country Link
CN (1) CN110222599B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668493A (zh) * 2020-12-30 2021-04-16 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7062508B2 (en) * 2000-09-05 2006-06-13 Leonid Andreev Method and computer-based system for non-probabilistic hypothesis generation and verification
CN102222130A (zh) * 2011-05-12 2011-10-19 贰陆光学（苏州）有限公司 计算机辅助进行不规则材料的下料布局构建方法
CN104700398A (zh) * 2014-12-31 2015-06-10 西安理工大学 一种点云场景物体提取方法
CN104794449A (zh) * 2015-04-27 2015-07-22 青岛科技大学 基于人体hog特征的步态能量图获取及身份识别方法
CN104834893A (zh) * 2015-03-13 2015-08-12 燕山大学 一种正面视角的行人步态周期检测方法
CN106022268A (zh) * 2016-05-23 2016-10-12 广州鹰瞰信息科技有限公司 一种限速标识的识别方法和装置
CN106204557A (zh) * 2016-06-30 2016-12-07 扬州大学 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法
US9633268B1 (en) * 2015-12-18 2017-04-25 Beijing University Of Posts And Telecommunications Method and device for gait recognition
CN107038401A (zh) * 2016-02-03 2017-08-11 北方工业大学 一种嘴唇轮廓的分割及特征提取方法
US20180082113A1 (en) * 2016-09-19 2018-03-22 King Fahd University Of Petroleum And Minerals Apparatus and method for gait recognition
CN108460340A (zh) * 2018-02-05 2018-08-28 北京工业大学 一种基于3d稠密卷积神经网络的步态识别方法
CN108664733A (zh) * 2018-05-11 2018-10-16 山东理工大学 棱边特征曲面拓扑逼近重建方法
CN108921019A (zh) * 2018-05-27 2018-11-30 北京工业大学 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN109034178A (zh) * 2018-05-28 2018-12-18 北京文香信息技术有限公司 一种基于人脸特征数组的人数统计方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7062508B2 (en) * 2000-09-05 2006-06-13 Leonid Andreev Method and computer-based system for non-probabilistic hypothesis generation and verification
CN102222130A (zh) * 2011-05-12 2011-10-19 贰陆光学（苏州）有限公司 计算机辅助进行不规则材料的下料布局构建方法
CN104700398A (zh) * 2014-12-31 2015-06-10 西安理工大学 一种点云场景物体提取方法
CN104834893A (zh) * 2015-03-13 2015-08-12 燕山大学 一种正面视角的行人步态周期检测方法
CN104794449A (zh) * 2015-04-27 2015-07-22 青岛科技大学 基于人体hog特征的步态能量图获取及身份识别方法
US9633268B1 (en) * 2015-12-18 2017-04-25 Beijing University Of Posts And Telecommunications Method and device for gait recognition
CN107038401A (zh) * 2016-02-03 2017-08-11 北方工业大学 一种嘴唇轮廓的分割及特征提取方法
CN106022268A (zh) * 2016-05-23 2016-10-12 广州鹰瞰信息科技有限公司 一种限速标识的识别方法和装置
CN106204557A (zh) * 2016-06-30 2016-12-07 扬州大学 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法
US20180082113A1 (en) * 2016-09-19 2018-03-22 King Fahd University Of Petroleum And Minerals Apparatus and method for gait recognition
CN108460340A (zh) * 2018-02-05 2018-08-28 北京工业大学 一种基于3d稠密卷积神经网络的步态识别方法
CN108664733A (zh) * 2018-05-11 2018-10-16 山东理工大学 棱边特征曲面拓扑逼近重建方法
CN108921019A (zh) * 2018-05-27 2018-11-30 北京工业大学 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN109034178A (zh) * 2018-05-28 2018-12-18 北京文香信息技术有限公司 一种基于人脸特征数组的人数统计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FAN ZHANG等: "Contour Extraction of Gait Recognition", 《PROCEDIA ENGINEERING》 *
TARAK GANDHI等: "Person tracking and reidentification: Introducing Panoramic Appearance Map (PAM) for feature representation", 《MACHINE VISION AND APPLICATIONS》 *
丁益洪: "立体足迹三维曲面分割与识别", 《中国优秀博硕士学位论文全文数据库(博士)（信息科技辑）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668493A (zh) * 2020-12-30 2021-04-16 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统
CN112668493B (zh) * 2020-12-30 2022-11-11 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统

Also Published As

Publication number Publication date
CN110222599B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
WO2019169816A1 (zh) 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN105574534B (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN108717524B (zh) 一种基于双摄手机和人工智能系统的手势识别系统
CN106934359B (zh) 基于高阶张量子空间学习的多视角步态识别方法及系统
CN107316031A (zh) 用于行人重识别的图像特征提取方法
WO2013191975A1 (en) Machine-learnt person re-identification
CN107066969A (zh) 一种人脸识别方法
Anand et al. An improved local binary patterns histograms techniques for face recognition for real time application
CN104598871A (zh) 一种基于相关回归的面部年龄计算方法
CN103839042A (zh) 人脸识别方法和人脸识别系统
CN106529441B (zh) 基于模糊边界分片的深度动作图人体行为识别方法
JP2013239211A (ja) 画像認識システム及びその認識方法並びにプログラム
Zang et al. Traffic lane detection using fully convolutional neural network
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
Zhou et al. YOLO-CIR: The network based on YOLO and ConvNeXt for infrared object detection
Song et al. Feature extraction and target recognition of moving image sequences
Zarkasi et al. Face movement detection using template matching
Mousavi A new way to age estimation for rgb-d images, based on a new face detection and extraction method for depth images
CN115690803A (zh) 数字图像的识别方法、装置、电子设备及可读存储介质
Wang et al. Fusion of multiple channel features for person re-identification
Sheng et al. Action recognition using direction-dependent feature pairs and non-negative low rank sparse model
CN108090460B (zh) 基于韦伯多方向描述子的人脸表情识别特征提取方法
CN116386118B (zh) 一种基于人像识别的粤剧匹配化妆系统及其方法
CN110222599A (zh) 一种基于高斯映射的步态识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210910

CF01 Termination of patent right due to non-payment of annual fee