CN110807414B - 一种基于三维人形分割的步态识别分析方法 - Google Patents

一种基于三维人形分割的步态识别分析方法 Download PDF

Info

Publication number
CN110807414B
CN110807414B CN201911048762.8A CN201911048762A CN110807414B CN 110807414 B CN110807414 B CN 110807414B CN 201911048762 A CN201911048762 A CN 201911048762A CN 110807414 B CN110807414 B CN 110807414B
Authority
CN
China
Prior art keywords
gait
background
dimensional
method based
analysis 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.)
Active
Application number
CN201911048762.8A
Other languages
English (en)
Other versions
CN110807414A (zh
Inventor
穆罕穆德·泽山
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.)
Beijing Zeshan Runlin Technology Co ltd
Original Assignee
Beijing Zeshan Runlin Technology Co ltd
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 Beijing Zeshan Runlin Technology Co ltd filed Critical Beijing Zeshan Runlin Technology Co ltd
Priority to CN201911048762.8A priority Critical patent/CN110807414B/zh
Publication of CN110807414A publication Critical patent/CN110807414A/zh
Application granted granted Critical
Publication of CN110807414B publication Critical patent/CN110807414B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于三维人形分割的步态识别分析方法，涉及步态识别技术领域，该步态识别分析方法包括人体模型轮廓提取、步态特征数据提取和步态信息识别三个步骤；本发明在人体模型轮廓提取步骤中采用邻帧差法作为背景判断方法，计算量小，计算简单，运算速度快，而且能够准确筛选出背景；本发明采用同一位置处相邻帧数的灰度平均值作为阈值，既能够突出目标边界，又能够提高抗噪声干扰能力，减少背景对运动目标模型的干扰，提高轮廓线提取精度和流畅度，提高识别正确率；本发明通过选取像素3×3面积单元作为网格基本分割单元，其选点密度既能够代表整体轮廓上所有点的运动，提高识别精度，又能够减少运算负担。

Description

一种基于三维人形分割的步态识别分析方法
技术领域
本发明涉及步态识别技术领域，具体涉及一种基于三维人形分割的步态识别分析方法。
背景技术
由于身体骨骼长度、粗细、肌肉结构走向和胖瘦程度不同，所以个体行走姿态有很大的不同，如果将人体行走过程中所有因素均考虑到，那么人体走路姿势和指纹一样都是个体的特征信息，是唯一存在的。所以步态识别成为生物特征技术中的新成员。步态识别技术集合了计算机视觉，视频图像处理技术和算法等技术手段。传统的指纹识别技术需要直接接触，而步态识别无需交互式接触，适用于远距离身份识别。其适用性和灵活性远远胜于传统交互式辨别手段。步态识别领域常用模型包括整体模型和简化模型，简化模型将人体简化成头颈、上下躯干、前臂、上手臂、大腿、小腿这六个部分。然后在这六个部分中添加肌肉，将人体的运动简化为多个缸体组成的链状多刚体系统的平面运动，将其运动过程放置于坐标系中对齐各部分运动参数分析，并建立运动模型。整体模型则是通过提取人体轮廓，并且根据轮廓中选取的参数点的运动速度、运动转动角度等参数得到一套个体运动特征的运动方程。现有整体模型步态识别技术存在背景噪声干扰，轮廓提取不够精确这两个技术缺点，影响步态识别精度。
发明内容
本发明的目的在于提供一种基于三维人形分割的步态识别分析方法，以对步态识别技术提供一种新的研究。
一种基于三维人形分割的步态识别分析方法，所述分析方法包括以下步骤；
步骤一、人体模型轮廓提取：用摄像头拍摄实验者行走三维视频，采用HLS算法将彩色视频转化成8位单通道灰度图像；选取图像中三个运动周期的图像作为计算对象，采用RGB颜色空间计算相同位置每个像素点在3-5个运动周期内的平均值，以此平均值作为阈值，对背景噪声进行过滤，提取人体轮廓；
步骤二、步态特征数据提取：建立三维直角坐标系，以3×3的面积单元对步骤一提取的人体轮廓进行网格式划分，将每一网格点的运动速度矢量在x轴、z轴和y轴方向进行分割，并对所有每个网格点的运动特征采用SVR核函数计算，对径向基函数的惩罚系数C和γ值进行寻优，得到(Ci、γi)参数最优解；所有网格点得到的(Ci、γi)参数集作为人形步态特征数据集，作为对比参量；
步骤三、步态信息识别：再次拍摄实验者的行走三维视频，同步骤一和步骤二操作，获取识别参量(Ci0、γi0)，将识别参量输入到分类器中与对比参量进行对比，若输出(Ci、γi)唯一，说明对比成功，若输出值不唯一，说明对比失败。
作为一种优选方案，上述HLS算法采用非线性转换矩阵，具体为[MAX(a b c d e)+MIN(a b c d e)]/2×3,其中，a、c、e为像素点的亮度，b、d分别为三基色的相对强度。
作为一种优选方案，上述SVR径向基函数形式为K(x,xi)＝exp(-(x-xi)2/σ2)，其中，σ是核函数参数，其具体优化算法为：
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
更新出(C、σ)最优解。
作为一种优选方案，上述步骤一中背景判断采用邻帧差法，具体操作为提取同一位置时间上相邻三帧图像，分别命名为i-1、i和i+1，求取i-1和i，i和i+1的差值，如下式所示：
D(xi+1，xi)＝f(xi+1)-f(xi)；
D(xi，xi-1)＝f(xi)-f(xi-1)，比较D(xi+1，xi)和D(xi，xi-1)；若是D(xi+1，xi)和D(xi，xi-1)相差微小，说明该点为背景点，若是D(xi+1，xi)和D(xi，xi-1)相差明显，说明该点在某一帧图像中为非背景点，重新选取另一时间段上相邻三帧图像。
作为一种优选方案，上述步骤一中背景阈值具体计算方法如下：提取同一位置时间上相邻的五帧图像，分别命名为i-1、i、i+1、i+2和i+3，求取i-1、i、i+1、i+2和i+3的灰度平均值，如下式所示：
以F为此点背景灰度阈值。
作为一种优选方案，上述步骤一中背景阈值具体计算方法如下：提取同一位置时间上相邻的三帧图像，分别命名为i-1、i和i+1，求取i-1、i和i+1的灰度平均值，如下式所示：
以F为此点背景灰度阈值。
与现有技术相比，本发明的有益效果如下：
本发明采用邻帧差法作为背景判断方法，计算量小，计算简单，运算速度快，而且能够准确筛选出背景；采用同一位置处相邻帧数的灰度平均值作为阈值，既能够突出目标边界，又能够提高抗噪声干扰能力，减少背景对运动目标模型的干扰，提高轮廓线提取精度和流畅度，提高识别正确率；通过选取像素3×3面积单元作为网格基本分割单元，其选点密度既能够代表整体轮廓上所有点的运动，提高识别精度，又能够减少运算负担。
具体实施方式
对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
用摄像头拍摄实验者行走三维视频，采用HLS算法将彩色视频转化成8位单通道灰度图像；选取图像中三个运动周期的图像作为计算对象，采用RGB颜色空间计算相同位置每个像素点在3-5个运动周期内的平均值，以此平均值作为阈值，对背景噪声进行过滤，提取人体轮廓；
本方法中，HLS算法采用非线性转换矩阵，具体为[MAX(a b c d e)+MIN(a b c de)]/2×3,其中，a、c、e为像素点的亮度，b、d分别为三基色的相对强度；
视频数据是由若干帧图片组成，所以以每帧的图像数据处理为单位，对人体步态信息进行处理；人在实际运行过程中会受到背景物体的影响，例如地面、建筑物、植物等，这些背景物体会影响识别效果。所以需要将背景噪声从图片中出去，具体操作方法如下：
首先对视频中背景图像进行判断，判断方法为采用邻帧差法，具体操作为提取同一位置时间上相邻三帧图像，分别命名为i-1、i和i+1，求取i-1和i，i和i+1的差值，如下式所示：
D(xi+1，xi)＝f(xi+1)-f(xi)；
D(xi，xi-1)＝f(xi)-f(xi-1)，比较D(xi+1，xi)和D(xi，xi-1)；若是D(xi+1，xi)和D(xi，xi-1)相差微小，说明该点为背景点，若是D(xi+1，xi)和D(xi，xi-1)相差明显，说明该点在某一帧图像中为非背景点，重新选取另一时间段上相邻三帧图像，再分别命名为为i-1、i和i+1，求取i-1和i，i和i+1的差值。并比较差值，如此类推，直至找出D(xi+1，xi)和D(xi，xi-1)相差较小，即可判定此点在此时为背景点。
背景点判断结束后，除去背景噪声，其中一个具体操作方法为：
选取某一位置作为背景点时时间上相邻的三帧图像，分别命名为i-1、i、i+1，求取i-1、i和i+1的灰度平均值，如下式所示：
提取此位置实际灰度，记为F0,求取F0和F差值，即为此处人体轮廓灰度
另一个具体操作方法为：选取某一位置作为背景点时时间上相邻的三帧图像，分别命名为i-1、i、i+1、i+2和i+3，求取i-1、i、i+1、i+2和i+3的灰度平均值，如下式所示：
提取此位置实际灰度，记为F0,求取F0和F差值，即为此处人体轮廓灰度。
建立三维直角坐标系，以3×3的面积单元对步骤一提取的人体轮廓进行网格式划分，将每一网格点的运动速度矢量在x轴、z轴和y轴方向进行分割，并对所有每个网格点的运动特征采用SVR核函数计算，对径向基函数的惩罚系数C和γ值进行寻优，得到(Ci、γi)参数最优解；所有网格点得到的(Ci、γi)参数集作为人形步态特征数据集，作为对比参量；其中，SVR径向基函数形式为K(x,xi)＝exp(-(x-xi)2/σ2)，其中，σ是核函数参数，其具体优化算法为：
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
更新出(C、σ)最优解。
再次拍摄实验者的行走三维视频，同步骤一和步骤二操作，获取识别参量(Ci0、γi0)，将识别参量输入到分类器中与对比参量进行对比，若输出(Ci、γi)唯一，说明对比成功，若输出值不唯一，说明对比失败。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于三维人形分割的步态识别分析方法，其特征在于，所述分析方法包括以下步骤；
步骤一、人体模型轮廓提取：用摄像头拍摄实验者行走三维视频，采用HLS算法将彩色视频转化成8位单通道灰度图像；选取图像中三个运动周期的图像作为计算对象，采用RGB颜色空间计算相同位置每个像素点在3-5个运动周期内的平均值，以此平均值作为阈值，对背景噪声进行过滤，提取人体轮廓；
步骤二、步态特征数据提取：建立三维直角坐标系，以3×3的面积单元对步骤一提取的人体轮廓进行网格式划分，将每一网格点的运动速度矢量在x轴、z轴和y轴方向进行分割，并对所有每个网格点的运动特征采用SVR核函数计算，对径向基函数的惩罚系数C和γ值进行寻优，得到(Ci、γi)参数最优解；所有网格点得到的(Ci、γi)参数集作为人形步态特征数据集，作为对比参量；
步骤三、步态信息识别：再次拍摄实验者的行走三维视频，同步骤一和步骤二操作，获取识别参量(Ci0、γi0)，将识别参量输入到分类器中与对比参量进行对比，若输出(Ci、γi)唯一，说明对比成功，若输出值不唯一，说明对比失败。
2.根据权利要求1所述的基于三维人形分割的步态识别分析方法，其特征在于，所述HLS算法采用非线性转换矩阵，具体为[MAX(a b c d e)+MIN(a bc d e)]/2×3,其中，a、c、e为像素点的亮度，b、d分别为三基色的相对强度。
3.根据权利要求1所述的基于三维人形分割的步态识别分析方法，其特征在于，所述SVR径向基函数形式为K(x,xi)＝exp(-(x-xi)2/σ2)，其中，σ是核函数参数，其具体优化算法为：
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
xi+1＝xi+c1r1(xj-xi)+c2r2(xb-xi)，Fj＜Fi，nx/n＜δ；
更新出(C、σ)最优解。
4.根据权利要求1所述的基于三维人形分割的步态识别分析方法，其特征在于，所述步骤一中背景判断采用邻帧差法，具体操作为提取同一位置时间上相邻三帧图像，分别命名为i-1、i和i+1，求取i-1和i，i和i+1的差值，如下式所示：
D(xi+1，xi)＝f(xi+1)-f(xi)；
D(xi，xi-1)＝f(xi)-f(xi-1)，比较D(xi+1，xi)和D(xi，xi-1)。
5.根据权利要求1所述的基于三维人形分割的步态识别分析方法，其特征在于，所述步骤一中背景阈值具体计算方法如下：提取同一位置时间上相邻的五帧图像，分别命名为i-1、i、i+1、i+2和i+3，求取i-1、i、i+1、i+2和i+3的灰度平均值，如下式所示：
以F为此点背景灰度阈值。
6.根据权利要求1所述的基于三维人形分割的步态识别分析方法，其特征在于，所述步骤一中背景阈值具体计算方法如下：提取同一位置时间上相邻的三帧图像，分别命名为i-1、i和i+1，求取i-1、i和i+1的灰度平均值，如下式所示：
以F为此点背景灰度阈值。
CN201911048762.8A 2019-10-29 2019-10-29 一种基于三维人形分割的步态识别分析方法 Active CN110807414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911048762.8A CN110807414B (zh) 2019-10-29 2019-10-29 一种基于三维人形分割的步态识别分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911048762.8A CN110807414B (zh) 2019-10-29 2019-10-29 一种基于三维人形分割的步态识别分析方法

Publications (2)

Publication Number Publication Date
CN110807414A CN110807414A (zh) 2020-02-18
CN110807414B true CN110807414B (zh) 2023-11-07

Family

ID=69489693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911048762.8A Active CN110807414B (zh) 2019-10-29 2019-10-29 一种基于三维人形分割的步态识别分析方法

Country Status (1)

Country Link
CN (1) CN110807414B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186792A (zh) * 2013-03-26 2013-07-03 北京林业大学 一种基于优化的c-支持向量分类机的步态识别方法
CN104299003A (zh) * 2014-11-02 2015-01-21 天津理工大学 一种基于相似规则高斯核函数分类器的步态识别方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN109446884A (zh) * 2018-09-06 2019-03-08 杭州电子科技大学 一种基于非线性动力学指标的速度无关的步态识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201113143D0 (en) * 2011-07-29 2011-09-14 Univ Ulster Gait recognition methods and systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186792A (zh) * 2013-03-26 2013-07-03 北京林业大学 一种基于优化的c-支持向量分类机的步态识别方法
CN104299003A (zh) * 2014-11-02 2015-01-21 天津理工大学 一种基于相似规则高斯核函数分类器的步态识别方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN109446884A (zh) * 2018-09-06 2019-03-08 杭州电子科技大学 一种基于非线性动力学指标的速度无关的步态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new gait recognition method using kinect via determninistic learning;F Liu等;2016 12 th World Congress on Intelligent Control and Automation(WCICA);第830-835页 *
基于BEMD的多视角步态识别算法研究;朱莹莹;中国优秀硕士学位论文全文数据库信息科技辑;第3章 *

Also Published As

Publication number Publication date
CN110807414A (zh) 2020-02-18

Similar Documents

Publication Publication Date Title
Liu et al. Learning deep models for face anti-spoofing: Binary or auxiliary supervision
CN107153816B (zh) 一种用于鲁棒人脸识别的数据增强方法
CN108229362B (zh) 一种基于门禁系统的双目人脸识别活体检测方法
CN109872285B (zh) 一种基于变分约束的Retinex低照度彩色图像增强方法
CN110688965B (zh) 基于双目视觉的ipt模拟训练手势识别方法
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
WO2019237567A1 (zh) 基于卷积神经网络的跌倒检测方法
CN111989689A (zh) 用于识别图像内目标的方法和用于执行该方法的移动装置
CN108805140B (zh) 一种基于lbp的特征快速提取方法及人脸识别系统
CN110032932B (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN106778785A (zh) 构建图像特征提取模型的方法及图像识别的方法、装置
CN103218605A (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN106127193B (zh) 一种人脸图像识别方法
CN109271918B (zh) 基于重心偏移模型区分平衡能力障碍人群的方法
CN107516083B (zh) 一种面向识别的远距离人脸图像增强方法
CN110991274A (zh) 一种基于混合高斯模型和神经网络的行人摔倒检测方法
CN112949440A (zh) 一种提取行人的步态特征的方法、步态识别方法及系统
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
CN110751635A (zh) 一种基于帧间差分和hsv颜色空间的口腔检测方法
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
CN112232204A (zh) 基于红外图像的活体检测方法
CN110348344A (zh) 一种基于二维和三维融合的特殊人脸表情识别的方法
CN111627047B (zh) 水下鱼类动态视觉序列运动目标检测方法
CN110807414B (zh) 一种基于三维人形分割的步态识别分析方法
CN117593540A (zh) 一种基于智能化图像识别技术的压力性损伤分期识别方法

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