CN110232372A - 基于粒子群优化bp神经网络的步态识别方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化BP神经网络的步态识别方法，该方法在建立BP神经网络模型后，采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

Description

基于粒子群优化BP神经网络的步态识别方法

技术领域

本发明涉及步态识别技术领域，尤其涉及一种基于粒子群优化BP神经网络的步态识别方法。

背景技术

步态识别是生物特征识别技术中的新兴领域之一。它旨在根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测，具有广阔的应用前景。步态是一种复杂的行为特征，是人的生理、心理及对外界反应的一个综合体现。由于个体之间存在差异，步态也不尽相同，这些差异是整个肌肉和骨架(身体重量、肢体长度、骨路结构等)的函数，且完全决定于几百个运动学参数。早期的医学研究表明：人的步态中有24种不同的成分，如果把这些成分都考虑到，则步态是为个体所特有的，这使得利用步态进行身份识别成为可能。相对于其他生物认证技术，步态识别具有非侵犯性、远距离识别、简化细节、难以伪装等独特优势。

目前，常见的步态识别方法有最近邻NN(Nearest-Neighbor)分类、人工神经网络ANN(Artificial Neural Networks)、隐马尔可夫模型HMM(Hidden Markov Model)等。其中，采用传统的BP神经网络在进行训练时易出现局部最小值、收敛速度过慢、分类效果不理想的问题，且不能够保证收敛到全局最优点，提取的步态轮廓图噪声也较大。因此，需要对传统的BP神经网络进行优化改进，以提高BP神经网络在步态识别应用中的性能。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于：提供一种基于粒子群优化BP神经网络的步态识别方法，通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

为实现上述发明目的，本发明提供以下技术方案：

一种基于粒子群优化BP神经网络的步态识别方法，其包括以下步骤：

S1：建立BP神经网络模型；

S2：采用粒子群算法优化所述BP神经网络模型的连接权值和阈值，使所述BP神经网络模型的全局误差达到预设精度；

S3：将行走目标的特征值矩阵输入至优化后的所述BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；

S4：将待识别行走目标的特征值矩阵输入至所述粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。

根据一种具体的实施方式，本发明基于粒子群优化BP神经网络的步态识别方法的步骤S2中，采用粒子群算法对所述BP神经网络模型的正向传播进行优化，其包括以下步骤：

S201：对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化所述粒子群；

S202：将所述隐含层的输出函数作为适应度函数，计算出每个粒子的适应度值，并选取最优的适应度值作为群体历史最优值；

S203：利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

S204：若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，并将隐含层的最优输出结果输入至输出层，否则进入步骤S202继续迭代；

S205：利用隐含层的最优输出结果，计算出输出层的输出结果，并将输出层的输出结果代入误差函数，以计算出全局误差、第一偏导数以及第二偏导数；并利用第一偏导数，更新输入层与隐含层之间的连接权值，以及利用第二偏导数，更新隐含层与输出层之间的连接权值；其中，所述第一偏导数为误差函数对于输入层与隐含层之间的连接权值的偏导数，所述第二偏导数为误差函数对于隐含层与输出层之间的连接权值的偏导数；

S206：判断全局误差的数值是否达到预设精度，若是，则完成正向传播优化；若否，则进一步判断迭代次数是否达到最大迭代数，若未达到，则进入步骤S201继续对所述BP神经网络模型的正向传播进行优化；若达到，则对所述BP神经网络模型的反向传播进行优化。

进一步地，对所述BP神经网络模型的反向传播进行优化包括以下步骤：

a、对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化所述粒子群；

b、将误差函数对于输入层与隐含层之间的连接权值的偏导数以及误差函数对于隐含层与输出层之间的连接权值的偏导数分别作为适应度函数，计算出每个粒子相应的适应度值，并选取最优的适应度值作为群体历史最优值；

c、利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

d、若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，将满足条件的适应度值或最大迭代次数的适应度值作为最优偏导数，否则进入步骤b继续迭代；

e、利用误差函数对于输入层与隐含层之间的连接权值的最优偏导数，修正当前输入层与隐含层之间的连接权值，以及利用误差函数对于隐含层与输出层之间的连接权值的最优偏导数，修正当前隐含层与输出层之间的连接权值；

f、若全局误差的数值达到预设精度或者迭代次数达到最大迭代数，则完成反向传播优化，否则，进入步骤a继续对所述BP神经网络模型的反向传播进行优化。

根据一种具体的实施方式，本发明基于粒子群优化BP神经网络的步态识别方法中，获取行走目标的特征值矩阵的方式包括以下步骤：

A、从图像序列中提取出运动目标，并对提取的运动目标进行背景分割；

B、对背景分割后的运动目标进行二值化处理，得到目标人像序列；

C、利用形态学细化算法对所述目标人像序列进行骨架化处理，得到骨架图序列；

D、在二维平面上对所述骨架图序列进行特征值提取，得到的特征值包括步幅、步态周期、质心距和质心轮廓夹角；

E、将得到的特征值转化为特征值矩阵。

与现有技术相比，本发明的有益效果：

本发明基于粒子群优化BP神经网络的步态识别方法，建立BP神经网络模型后，采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

附图说明

图1为本发明的流程示意图；

图2为本发明采用粒子群算法对BP神经网络模型的正向传播进行优化的流程图；

图3为本发明采用粒子群算法对BP神经网络模型的反向传播进行优化的流程图；

图4和图5分别为人体行走过程中样本形态一和样本形态二的质心变化示意图；

图6为人体行走过程中步幅呈周期变化的示意图；

图7为人体行走过程中质心轮廓夹角的示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

BP神经网络算法原理为：假设在输入层中赋予s个输入神经元，在第二层隐含层中赋予l个隐含层神经元，在最后一层输出层中赋予了k个输出神经元，接着在输入层神经元中随机选取一个输入样本依次进行训练，并给定一个期望输出值，计算隐含层的各个神经元的输入和输出的算式为：

H_ih＝∑w_ih*x_i-b_hn_i＝1，h＝1,2,3……s

其中，x_i为步幅、步态周期、质心距和质心轮廓夹角四个特征值构成的特征值矩阵，H_ih为将特征值矩阵x_i传入到隐含层，通过输入层和隐含层之间的连接权值w_ih，以及隐含层的阈值b_h在隐含层中进行特征值矩阵的变换所得到的另一个特征值矩阵。然后，将得到的特征值矩阵代入并作为隐含层输出的特征值矩阵，及输出层的输入特征值矩阵。

其中，Yi_o表示输出层的特征值矩阵。根据隐含层输出的特征值矩阵f(H_ih)、隐含层与输出层之间的连接权值w_ho以及输出层中的阈值b_o进行矩阵变换，并将该矩阵代入并作为输出层中得到第一次训练的四种步态特征值矩阵。

建立误差函数E，将网络期望输出和实际输出代入式：

其中，d_o网络期望输出，f(Yi_o)表示实际输出。

在隐含层和输入层之间，当误差和训练程度未达标时，即通过非理想状态下获取的4种特征值经过一系列变化得到新的特征值矩阵，与理想状态下得到的特征值矩阵并不是很吻合，故需进行新的连接权值的修改，即利用上一次训练得到的输入层与隐含层之间的连接权值与相应训练得到的改变权值量Δw_ih进行相加得到下一次训练的输入层与隐含层之间的连接权值即：

其中，ρ为常数。

在隐含层和输出层之间，当误差和训练程度未达标时，即通过非理想状态下获取的4种特征值经过一系列变化得到的新的特征值矩阵，与理想状态下得到的特征值矩阵并不是很吻合，故进行新的连接权值的修改，即利用上一次训练得到的隐含层与输出层之间的连接权值与相应训练得到的改变权值量Δw_ho进行相加得到下一次训练的隐含层与输出层之间的连接权值即：

其中，μ为常数，通过上述方式，在不断学习更新输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值，直到全局误差达到预设精度或学习次数达到上限。

粒子群算法属于进化算法，通过不停迭代来调整整个过程的适应度，并选择最优解。在粒子群算法中存在局部极值和全局极值两个解。在找到这两个最优值时，粒子会更新自己的速度和位置，更新方式为：

V_i＝wv_i+c₁e₁(p_i-x_i)+c₂r₂(p_gi-x_i)

X_i＝X_i+V_i

其中，c₁和c₂为学习因子，也称加速常数，w为惯性因子，r₁和r₂为[0，1]范围内的均匀随机数，i＝1,2,…,D，V_i是粒子的速度，V_i∈[-V_max,V_max]，V_max是常数，由用户设定用来限制粒子的速度。

如图1所示，本发明基于粒子群优化BP神经网络的步态识别方法，其包括以下步骤：

S1：建立BP神经网络模型。其中，BP神经网络模型的建立可利用之前相关工作中的提取得到的特征值矩阵来建立。

S2：采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型的全局误差达到预设精度。其中，预设精度的大小范围根据实际需求进行设置，需求精度越高，自然相应的模型的训练时间越长。

S3：将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；

S4：将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。

具体的，如图2所示，在步骤S2中，采用粒子群算法对BP神经网络模型的正向传播进行优化，其包括以下步骤：

S201：对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化粒子群。其中，设定粒子群个数、最大迭代数、局部学习因子和全局学习因子大小，然后，在初始值范围内随机取得粒子的初始位置和初始速度，即：

其中，U_n表示输入层中的粒子个数；X_max表示粒子位置的最大值；X_min表示粒子位置的最小值；V_max表示粒子速度的最大值；V_min表示粒子速度的最小值。

S202：将隐含层的输出函数作为适应度函数，计算出每个粒子的适应度值，并选取最优的适应度值作为群体历史最优值。该适应度函数F_f为：

然后，将随机初始化的位置输入层和隐含层的连接权值w_ih，以及隐含层神经元之间的阈值b_h代入适应度函数中，取得每个粒子的适应性值。即：

S203：利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

S204：若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，并将隐含层的最优输出结果输入至输出层，否则进入步骤S202继续迭代；其中，本发明粒子群算法中隐含层的最优输出结果为：

HO_hbest＝pi_best

其中，pi_best表示粒子个体历史最优解。

S205：利用隐含层的最优输出结果，计算出输出层的输出结果，并将输出层的输出结果代入误差函数，以计算出全局误差、第一偏导数以及第二偏导数；并利用第一偏导数，更新输入层与隐含层之间的连接权值，以及利用第二偏导数，更新隐含层与输出层之间的连接权值；其中，第一偏导数为误差函数对于输入层与隐含层之间的连接权值的偏导数，第二偏导数为误差函数对于隐含层与输出层之间的连接权值的偏导数。

其中，将隐含层的最优输出结果Ho_hbest作为Yi_o函数的输入值，得到：

然后，通过激活函数将上述Yi_o作为自变量，得到输出层的输出YO_O，即：

YO_O＝f(Yi_o),o＝1,2,3……q

再将输出层的输出Yo_o代入误差函数E，计算出全局误差：

接着在误差函数E的基础上进一步得到，误差函数对于隐含层与输出层之间的连接权值的偏导数：

即

误差函数对于输入层与隐含层之间的连接权值的偏导数：

即：

-(d_o-Yo_o)*f′(Yi_o)*w_ho*f′(Hi_h)*x_i

最后，隐含层与输出层之间的连接权值、输入层与隐含层之间的连接权值更新公式分别为：

S206：判断全局误差的数值是否达到预设精度，若是，则完成正向传播优化；若否，则进一步判断迭代次数是否达到最大迭代数，若未达到，则进入步骤S201继续对BP神经网络模型的正向传播进行优化；若达到，则对BP神经网络模型的反向传播进行优化。

具体的，本发明正向传播的优化过程具有两个迭代循环，当两个迭代循环学习后，全局误差的数值均无法达到预设精度，因此，则需要BP神经网络模型需要进行反向传播。

而本发明还采用粒子群算法对BP神经网络模型的反向传播进行优化，具体的，如图3所示，包括以下步骤：

a、对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化粒子群；

b、将误差函数对于输入层与隐含层之间的连接权值的偏导数以及误差函数对于隐含层与输出层之间的连接权值的偏导数分别作为适应度函数，计算出每个粒子相应的适应度值，并选取最优的适应度值作为群体历史最优值。

其中，第一个适应度函数为第二个适应度函数为F_Uq＝-(d_o-Yo_o)*f′(Yi_o)*w_ho*f′(Hi_h)*x_i。

c、利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

d、若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，将满足条件的适应度值或最大迭代次数的适应度值作为最优偏导数，否则进入步骤b继续迭代。

其中，本发明粒子群算法中第一个适应性函数对应的最优偏导数为：

本发明粒子群算法中第二个适应性函数对应的最优偏导数为：

e、利用误差函数对于输入层与隐含层之间的连接权值的最优偏导数，修正当前输入层与隐含层之间的连接权值，以及利用误差函数对于隐含层与输出层之间的连接权值的最优偏导数，修正当前隐含层与输出层之间的连接权值。

相应地，

f、若全局误差的数值达到预设精度或者迭代次数达到最大迭代数，则完成反向传播优化，否则，进入步骤a继续对BP神经网络模型的反向传播进行优化。

因此，本发明通过粒子群寻优方法，得到最优的偏导函数和误差函数，进而选择最优的权值和阈值，将初始值代入网络中进行训练，得到最合适理想值，其学习速度大大加快，同时也避免了陷入局部最优的情况，收敛速度得到提升。

本发明还为了解决图像噪声大、不易提取特征值的问题，本发明获取行走目标的特征值矩阵的方式包括以下步骤：

A、从图像序列中提取出运动目标，并对提取的运动目标进行背景分割；

B、对背景分割后的运动目标进行二值化处理，得到目标人像序列；

C、利用形态学细化算法对目标人像序列进行骨架化处理，得到骨架图序列；

D、在二维平面上对骨架图序列进行特征值提取，得到的特征值包括步幅、步态周期、质心距和质心轮廓夹角；

E、将得到的特征值转化为特征值矩阵。

本发明由于利用二值形态学中细化算法将人体整体以带有中轴的骨架形态显示出来，突出目标形状特点和拓扑结构并且减少冗余信息量。

具体的，轮廓质心距提取的原理为：在一个完整的人体步态序列中提取第k帧的二维人体轮廓线，得到运动轮廓后,使用边界轮廓提取算法Canny算法提取轮廓线上的坐标点，计算轮廓质心坐标，即：

其中，(x_c,y_c)是质心坐标，N_b是轮廓线上点的个数，(x_i,y_i)是轮廓线上点的坐标。

具体的，在人体运动过程中，通过提取出运动过程中的32帧画面，再对每一帧进行对比分析，取得标准化值R。图4和5分别示出样本形态一和样本形态二，其横坐标代表从上至下轮廓点的数量，纵坐标代表轮廓点到质心的距离。

如图4所示，水平线以上的轮廓部分对应质心距图中的A-B点所示线段，此部分的人脸轮廓线和人背轮廓线与质心的距离基本一致，在质心距图中基本呈一条直线。B-C点代表双手部分轮廓线分布，左右手摆动不一致导致质心距有明显差异，从而在图中体现为不重合但形状相似的两条曲线。C-D点代表手部轮廓结束，进入腰部轮廓。此时前后两侧腰部与质心距离基本相等，因此两条曲线呈现基本一致的走势和数值。D-E点代表腰部以下部分的质心距，其线条与手部意义相同，呈两条曲线。E’点代表腿间的轮廓起点。从A-D点质心距减小，图像呈下降趋势。经过腰部区域(D点)后，质心距增大，图像呈上升趋势。图4所示的样本形态一的质心距标准化数据集如表1所示。

表1样本形态一质心距标准化数据集

由于人体在运动过程其质心会沿着水平和垂直方向移动，人体各个点都是运动的，故序列中不同帧图像的质心也不同，其质心距也不同。在另外一帧图像中，可明显看出质心距的差异。

如图5所示，人体在运动过程中由于其一只手被躯干挡住，背部轮廓较为平整，因此，在B-C-D段呈现出一段平滑的背部轮廓质心距曲线和一段波折的手部轮廓质心距曲线。图5所示的样本形态二的质心距标准化数据集如表2所示。

表2样本形态二质心距标准化数据集

根据表1和表2的对比数据分析可知每帧对比率如表3所示。

表3每帧对比率

如表3可知，识别率受人体样本不同形态影响，实验中识别率的平均值为97.125％，高于国内现今标准3.125％，可以确定两个人体样本为同一人。

如图6所示，步幅及步态周期提取的原理为：由于步态变化具有周期性，体现在侧影图像像素数目的变化。考虑到步态具有对称性，统计一个序列中侧影像素数目的个数，两个极大值之间的距离可表示半个步态周期。其中，横坐标代表采样帧的帧序列号，纵坐标代表人双脚之间的步幅大小。可以看出人体在运动过程中的步幅呈周期变化。

本发明采用康牧等在《图像处理中几个关键算法的研究[D].西安:西安电子科技大学,2009.》中提出改进的Robert边缘检测算法计算步态周期。

表4步幅标准化集

表4为步幅变化数据标准化数据集，在对提取的每一帧图片进行分析的计算出步幅的变化值后将其标准化，得到步幅在识别过程中的识别率，其中Min为步幅的最小值，Max为步幅的最大值，变化趋势和质心距的变化趋势相似。

质心轮廓夹角计算原理为：由于每个人步态具有唯一性，其关节与质心之间的夹角与质心距之间的关系，也确定了人体步态的唯一性。不足的是人体运动时距离采集点的距离不定性，因此需要利用尺度不变性对图像进行处理。进行角度提取时，可使用线性拟合和三角公式进行。将图片切分为多个部分进行分批拟合后得方向向量，并计算角度值。

如图7所示，根据人体骨架图可得质心与各个关节之间的夹角，将骨架图关节坐标取出，利用三角形公式计算其内角。

表5质心轮廓角数据集(单位：度)

如表5所示，质心轮廓角数据集以人物正面朝向为0度起点，质心以下为正，质心以上为负。θ₁为质心与前手部的夹角；θ₂为质心与后手部的夹角；θ₃为质心与前侧脚尖的夹角；θ₄为质心与后侧脚跟的夹角；其中可以看出角度的变化趋势和质心距的变化趋势大致相同由于角度不受拍摄距离的影响，一般情况下每一帧图片的各个角度会直接反映人体这个时刻的状态。

因此，本发明基于粒子群优化BP神经网络的步态识别方法，通过提取图像画面中行走目标基本的4种步态特征(即步幅、步态周期、质心距和质心轮廓夹角)，并采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。

Claims (4)

1.一种基于粒子群优化BP神经网络的步态识别方法，其特征在于，包括以下步骤：

S1：建立BP神经网络模型；

S2：采用粒子群算法优化所述BP神经网络模型的连接权值和阈值，使所述BP神经网络模型的全局误差达到预设精度；

S3：将行走目标的特征值矩阵输入至优化后的所述BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；

S4：将待识别行走目标的特征值矩阵输入至所述粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。

2.如权利要求1所述的基于粒子群优化BP神经网络的步态识别方法，其特征在于，所述步骤S2中，采用粒子群算法对所述BP神经网络模型的正向传播进行优化，其包括以下步骤：

S201：对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化所述粒子群；

S202：将所述隐含层的输出函数作为适应度函数，计算出每个粒子的适应度值，并选取最优的适应度值作为群体历史最优值；

S203：利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

S204：若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，并将隐含层的最优输出结果输入至输出层，否则进入步骤S202继续迭代；

S205：利用隐含层的最优输出结果，计算出输出层的输出结果，并将输出层的输出结果代入误差函数，以计算出全局误差、第一偏导数以及第二偏导数；并利用第一偏导数，更新输入层与隐含层之间的连接权值，以及利用第二偏导数，更新隐含层与输出层之间的连接权值；其中，所述第一偏导数为误差函数对于输入层与隐含层之间的连接权值的偏导数，所述第二偏导数为误差函数对于隐含层与输出层之间的连接权值的偏导数；

S206：判断全局误差的数值是否达到预设精度，若是，则完成正向传播优化；若否，则进一步判断迭代次数是否达到最大迭代数，若未达到，则进入步骤S201继续对所述BP神经网络模型的正向传播进行优化；若达到，则对所述BP神经网络模型的反向传播进行优化。

3.如权利要求2所述的基于粒子群优化BP神经网络的步态识别方法，其特征在于，对所述BP神经网络模型的反向传播进行优化包括以下步骤：

a、对输入层的神经元进行粒化处理，得到相应的粒子群，并随机初始化所述粒子群；

b、将误差函数对于输入层与隐含层之间的连接权值的偏导数以及误差函数对于隐含层与输出层之间的连接权值的偏导数分别作为适应度函数，计算出每个粒子相应的适应度值，并选取最优的适应度值作为群体历史最优值；

c、利用每个粒子的历史最优值进行迭代更新，更新每个粒子的历史最优位置和速度；

d、若计算出满足条件的适应度值或者迭代次数达到最大迭代数，则停止迭代，将满足条件的适应度值或最大迭代次数的适应度值作为最优偏导数，否则进入步骤b继续迭代；

e、利用误差函数对于输入层与隐含层之间的连接权值的最优偏导数，修正当前输入层与隐含层之间的连接权值，以及利用误差函数对于隐含层与输出层之间的连接权值的最优偏导数，修正当前隐含层与输出层之间的连接权值；

f、若全局误差的数值达到预设精度或者迭代次数达到最大迭代数，则完成反向传播优化，否则，进入步骤a继续对所述BP神经网络模型的反向传播进行优化。

4.如权利要求1～3任一项所述的基于粒子群优化BP神经网络的步态识别方法，其特征在于，获取行走目标的特征值矩阵的方式包括以下步骤：

A、从图像序列中提取出运动目标，并对提取的运动目标进行背景分割；

B、对背景分割后的运动目标进行二值化处理，得到目标人像序列；

C、利用形态学细化算法对所述目标人像序列进行骨架化处理，得到骨架图序列；

D、在二维平面上对所述骨架图序列进行特征值提取，得到的特征值包括步幅、步态周期、质心距和质心轮廓夹角；

E、将得到的特征值转化为特征值矩阵。