CN111950418A - 基于腿部特征的步态识别方法、装置及系统、可读存储介质 - Google Patents

Abstract

本发明实施例公开了一种基于腿部特征的步态识别方法、装置及系统、可读存储介质。所述步态识别方法包括：对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。能够消除在人体携带物品时对于步态识别带来的影响，提高了识别的准确率。

Description

基于腿部特征的步态识别方法、装置及系统、可读存储介质

技术领域

本发明涉及人体形态识别技术领域，尤其涉及一种基于腿部特征的步态识别方法、一种基于腿部特征的步态识别装置、一种基于腿部特征的步态识别系统和一种可读存储介质。

背景技术

步态识别是一种通过从相同的行走行为中寻找和提取个体之间的变化特征，从而实现对人进行身份识别的过程。与现有的人脸识别、指纹识别等生物特征识别技术相比，最为主要的优点是非接触性以及远距离性。步态识别更多的关注待测人员整个行走过程在时空上的变化规律与特性，对于图像细节模糊的容忍度较高，可以实现远距离的身份识别。另一方面，步态识别还有难以伪装和隐藏的特性，尤其是在智能视频监控领域，犯罪嫌疑人往往会对面部进行一系列的伪装，而步态则不会有太大的改变，特意的改变走路姿势反而更易引起怀疑。

步态识别技术是融合了机器视觉、图像处理以及机器学习等各种新兴技术的生物识别技术。其可以分为三个过程：运动目标检测、步态特征提取与特征分类识别。

其中，目标检测的核心任务是从样本图片序列中快速有效的提取出人体的二值化图像，从而方便进一步提取样本的特征，这方面主要包含背景建模、形态学处理等操作，现有常用的目标检测方法主要有三种，分别为：光流法、帧间差分法与背景减除法。步态特征是步态识别技术最为核心的环节，这一步的目标是如何提取最有效的特征去表现样本间的差异性，现有步态识别的研究大多通过提取人体轮廓与轮廓质心的距离信息及傅里叶算子、轮廓的宽度与面积信息或者轮廓的各种矩阵特征来构建人体的步态特征。最后是特征的分类识别，该过程通过待测样本特征与模板样本特征进行比较从而实现身份的识别，在当前的步态识别研究中，基于人体单一特征的步态识别因其抗干扰能力差，准确度起伏大等原因逐渐淡出了研究者们的视野，取而代之的是基于多特征融合的步态识别。

步态识别作为核心的生物特征识别技术之一，因其易采集，远距离，隐蔽性高等特点，得到了国内外学者的广泛研究与关注。这些研究虽然都取得了不错的识别效果，但它们都忽视了待测对象携带物品时对步态识别检测的影响。而在实际情况中，有无背包，冬夏季衣服厚度的不同，都会对提取出的人体二值化图像产生影响进而严重干扰到最终的识别准确率。

发明内容

因此，本发明实施例提供一种基于腿部特征的步态识别方法、一种基于腿部特征的步态识别装置、一种基于腿部特征的步态识别系统和一种可读存储介质，能够消除在人体携带物品时对于步态识别带来的影响，提高了识别的准确率。

一方面，本发明实施例提供的一种基于腿部特征的步态识别方法，包括：对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；针对所述动态差异值和所述静态差异值构建特征差值矩阵，并基于所述特征差值矩阵使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。

在本发明的一个实施例中，所述对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图，包括：从每一张所述图像帧中提取得到不包含背景信息的图像信息；对所述图像信息进行预处理得到所述人体前景二值图。

在本发明的一个实施例中，所述根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值，包括：确定髋关节点、膝关节点以及踝关节点分别在所述人体轮廓图中的位置；根据所述髋关节点、膝关节点以及踝关节点构建涵盖人体运动信息的腿部五边模型；根据一个行走周期所对应的多个所述腿部五边模型得到所述动态特征值；根据所述一个行走周期所对应的多个所述腿部五边模型的加权平均值得到所述静态特征值。

在本发明的一个实施例中，所述分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值，包括：对所述动态特征值进行动态时间规整计算得到所述动态差异值；对所述静态特征值进行降维处理、再通过差值二范数计算得到所述静态差异值。

另一方面，本发明实施例提供的一种基于腿部特征的步态识别装置，包括：二值图提取模块，用于对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；轮廓图提取模块，用于根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；特征值计算模块，用于根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；差异值计算模块，用于分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；识别模块，用于针对所述动态差异值和所述静态差异值构建特征差值矩阵，并基于所述特征差值矩阵使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。

另一方面，本发明实施例提供的一种基于腿部特征的步态识别系统，包括：处理器和电连接所述处理器的存储器，所述存储器上存储有所述处理器执行的指令，且所述指令使得所述处理器执行操作以进行如上任意一项实施例所述的基于腿部特征的步态识别方法。

再一方面，本发明实施例提供的一种可读存储介质，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上任意一个实施例所述的基于腿部特征的步态识别方法。

综上所述，本申请上述各个实施例可以具有如下一个或多个优点或有益效果：i)该方法在保证识别率的基础上，对人体衣物及携带物的抗干扰能力有了极大程度的提升；ii)该方法首先提出腿部五边模型和静态差异值的概念，并在构建过程中提出了新的骨骼关键点(髋关节点、膝关节点和踝关节点)提取算法，与现有的算法相比，在提取精准度方面获得了极大的提升；iii)采用最近邻模糊分类器作为特征融合与分类识别的方式，并且对分类器进行了改进，降低了复杂度，提高了准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明第一实施例提供的一种基于腿部特征的步态识别方法的流程示意图。

图2为图1所述步态识别方法的详细流程示意图。

图3为图1所述步态识别方法在应用场景的系统示意图。

图4为图1所述步态识别方法参考的像素点八邻域的结构示意图。

图5为图1所述步态识别方法所参考的人体比例模型结构示意图图。

图6为图1所述步态识别方法中在人体轮廓图中确定髋关节点的模型示意图。

图7为图1所述步态识别方法中在人体轮廓图中确定膝关节点的模型示意图。

图8为图1所述步态识别方法中在人体轮廓图中确定踝关节点的模型示意图。

图9为图1所述步态识别方法中的腿部五边模型的模型示意图。

图10为图1所述步态识别方法中静态特征值的模型示意图。

图11为本发明第二实施例提供的一种基于腿部特征的步态识别装置的模块示意图。

图12为本发明第三实施例提供的一种基于腿部特征的步态识别系统的结构示意图。

图13本发明第四实施例提供的一种可读存储介质的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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作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。

【第一实施例】

参见图1，其为本发明第一实施例提供的一种基于腿部特征的步态识别方法的流程示意图，所述基于腿部特征的步态识别方法例如包括以下步骤：

步骤S10，对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；

步骤S20，根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；

步骤S30，根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；

步骤S40，分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；

步骤S50，针对所述动态差异值和所述静态差异值构建特征差值矩阵，并基于所述特征差值矩阵使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别

具体的，参见图2该方法的详细流程例如为：先对包含人体运动信息的连续的多个图像帧进行预处理，以将运动的人体图像从每一张所述图像帧中提取出来，分别得到所述人体前景二值图。例如采用基于ViBe算法的背景建模方式从每一张所述图像帧分别提取出不包含背景信息的图像信息，每一张所述图像信息分别通过膨胀、腐蚀等形态学处理以去除噪声并进行人体前景图修复，得到步骤S10中所述的人体前景二值图。

对上述得到的每一张所述人体前景二值图通过基于内部点去除的方式提取出每一张所述人体前景二值图分别对应的人体轮廓图；然后计算所述人体轮廓图中人体外接矩形的宽高比，由于人体外接矩形宽高比在最小值时对应人体双腿并拢的状态，在最大值时则对应人体双腿跨步的状态，从而获取行走周期(或称步态识别周期)；并将原有视频帧按照该行走周期划分为多个不同的样本，其中，每一个所述样本包括对应的多个人体轮廓图。

接着，在每一个所述样本的每一张所述人体轮廓图中根据人体比例模型(参见图5)确定所述人体轮廓图中的髋部关节点(参见图6)；再根据所述髋关节点利用绘圆法确定膝关节点(参见图7)；再根据所述膝关节点同样利用绘圆法确定踝关节点(参见图8)。

进一步的，参见图9，在所述人体轮廓图中将所述髋关节点至左膝关节点、所述髋关节点至右膝关节点、所述左膝关节点至左脚踝关节点、所述右膝关节点至右脚踝关节点及所述左脚踝关节点至所述右脚踝关节点依次相连，从而构建得到涵盖人体运动信息的腿部五边模型。

继续参见图9，记录一个所述样本(也即一个所述行走周期)中每一张所述人体轮廓图的腿部五边模型的角度信息θ1、θ2、θ3、θ4、θ5以及脚踝距离L，并结合所述人体轮廓图的所述人体外接矩形宽高比从而得到所述样本的动态特征值(或称动态信息)；再通过计算一个所述行走周期中的多张所述人体轮廓图分别对应的所述腿部五边模型的加权平均值，可以得到该样本的静态特征值或称腿部能量图(参见图10)，又称该样本的静态信息。

再进一步的，对于所述动态特征值，通过动态时间规整方法求取差异距离以得到动态差异值。对于所述静态特征值，则先进行降维处理，然后计算差值二范数求取差异距离以得到静态差异值。

最后，针对所述动态差异值和所述静态差异值通过构建特征差值矩阵，并使用最近邻模糊分类器来完成该样本的分类与识别，从而实现对所述多张图像帧中的目标样板进行识别。

下面对该实施例提供的基于腿部特征的步态识别方法进行详细说明：

首先，获取连续的多张图像帧，并且，所述多张图像帧例如为拍摄待测人员行走的视频中截取的连续的部分视频内容。

例如可以利用Vibe算法从每一张所述图像帧中提取相应的运动目标。具体的，所述Vibe算法是一种背景不断更新的背景建模法，它能够将运动目标检测看作分类问题。在所述图像帧中由于背景图像像素较前景图像像素变化不明显，因此可通过计算所述图像帧的当前像素值与对比样本集像素值的相似度，从而判断该像素属于背景还是前景图像；其中，所述对比样本集例如为模板样本集。

所述Vibe算法进行背景建模的过程仅需所述多张图像帧中的一张图像帧就可以完成背景模型的初始化。具体的，在所述背景建模之前，先建立具有多张空样本的空样本集，其中，所述多张空样本的数量与所述多张图像帧的数量相同，且一张所述空样本与一张所述图像帧的尺寸相同；进行所述背景模型初始化的过程，其实就是填充像素至所述空样本集的过程。

其中，为了保留像素点的时空分布特性，可以随机选择一个像素点的多个邻域(参见图4，一般选择八邻域)内的像素值。其中，用V_i(x)表示第i个样本值(i＝1,2,…,n)，

分别表示V_i(x)邻域内的8个像素的像素值，V_i(x)从这8个像素值中随机取值。相应的，所述空样本集可表示为M(x)＝{V₁,V₂,…,V_n}。举例来说，一张所述图像帧中某一像素点的值为V(x)，S_R(V(x)表示以V(x)为中心，R为半径的圆的集合。此时，该点像素值与样本集的相似度可以表示为T＝{S_R(V(x))}∩M(x)；即相似度T表示半径为R的圆内样本集点的个数；当T大于设定的阈值U时，即可认为该点属于背景点，否则为运动前景；V(x)与其他样本点的距离度量方式往往采用欧氏距离的方式。

对每一张所述图像帧分别通过所述Vibe算法进行相应处理之后，分别得到对应的多张人体前景二值图；其中，一张所述图像帧对应一张所述人体前景二值图。

然后，遍历所述人体前景二值图的所有像素点，逐一选取其中的前景点，并判断当前选取的所述前景点的八领域像素点是否全为前景点；若是，则所述当前选区的前景点为前景内部点，否则为轮廓点。对每一张所述人体前景二值图通过上述方式去掉内部点可以得到相应的到人体轮廓图，其中，一张所述人体前景图对应一张所述人体轮廓图。

遍历所述人体轮廓图中人体轮廓线上的像素点，找到所述人体轮廓线最左端、最右端、最上端以及最下端的像素点，然后对所述最左端像素点和最右端像素点的作垂线，对最上端像素点和最下端像素点作水平线，该四条线交汇从而得到所述人体轮廓图中的人体外接矩形，并进一步得到所述人体外接矩形的宽、高以及宽高比。

由于人体行走的步态具有周期性，因此可将所述多张图像帧对应的所述多张人体轮廓图根据该周期性进行划分。具体的，通过计算每一张所述人体轮廓图的宽高比得到所述人体外接矩形的宽高比变化曲线，其中，在该曲线的最小值对应人体双腿并拢的状态，对应的，该曲线的最大值则对应人体双腿跨步的状态。因此，可将第一个最小值对应的人体轮廓图记为一个行走周期(或称步态周期)的起始图像，相邻的第二个最小值则记为半个行走周期，而第三个最小值对应的人体轮廓图的前一个人体轮廓图则为一个行走周期的结束图像。在确定所述行走周期，以及所述行走周期对应的多张人体轮廓图后，即可将所述多张图像帧分别对应的多张人体轮廓图按照所述行走周期划分为多个不同的待测样本。

参见图5所示的人体比例模型结构示意图，可知髋关节点距头顶的高度与身高的比例系数m_kuan，由于在行走过程中人体的髋关节点与头顶的距离是不会变动的，因此，可以预设所述人体外接矩形的宽高比为最小时对应的人体轮廓图(即人体双腿并拢的状态)最为接近人体站立的姿势，并将该人体轮廓图中的人体轮廓高度记为人体身高H_k。因此，所述人体轮廓图中的所述髋关节点的纵坐标为：y_kuan＝y_t-m_kuan*H_k；其中，y_t为该帧人体轮廓图的高。

参见图6，在人体背有大型背包或者挎包时，因此都会对所述髋关节点在所述人体轮廓图中的确定一定的影响，此时利用求取轮廓中值的方法提取所述髋关节点的横坐标不再准确。首先，利用所述人体轮廓图中的头顶部位的横坐标以及所述髋关节点的纵坐标定位A点，然后过A点作一条水平线，获取该水平线与所述人体轮廓图中人体轮廓线的交点，并求取两个交点的中间点B，预设合适的阈值T₃(例如取T₃＝0.03H_k)，当A与B间的距离大于T₃时，则表示携带物对所述髋关节点在所述人体轮廓图中的位置产生了影响，因此选取A点作为所述髋关节点；否则B点即为所述髋关节点。

在所述人体轮廓图中确定所述髋关节点(包括所述髋关节点的横坐标和纵坐标)后，可在此基础上确定膝关节点。参见图7，具体的，通过所述人体比例模型与人体身高H_k即可获得所述人体轮廓图中的人体大腿的长度，由于对于人体运动的侧面视角(例如选用左侧胳膊视角)来说，所述膝关节点相对与所述髋关节点来说在做圆周运动，因此，以所述髋关节点为圆心、所述大腿长度为半径做圆，得到大圆；由于人体运动状态的不同，所述大圆与所述人体轮廓图中的人体轮廓线的交点个数同样可分为四交点与两交点两种情况。

图7中左图为四交点情形，四交点分别为A、B、C、D，此时，AB和CD的中点E和F分别为左膝关节点和右膝关节点，相应的，AB或CD的长度为所述人体轮廓图中的人体腿部的宽度；图7中右图为两交点情形，两交点分别为A和B，该情形表明发生了腿部自遮挡问题，此时再以两交点A、B分别为圆心，并且分别以所述腿部宽度为半径做圆，求取其与所述大圆(也即以所述髋关节点为圆心、所述大腿长度为半径做圆)的交点C和D，同样再分别计算AC和DB的中点E和F即可得到左膝关节点和右膝关节点；从而，可以在所述人体轮廓图中确定所述膝关节点。

在所述人体轮廓图中确定所述膝关节点后，还需要确定踝关节点。具体的，通过所述人体比例模型图与人体身高H_k即可获得所述人体轮廓图中的人体小腿长度，进而可以求取人体踝关节点。参见图8，具体的，人体运动过程中，所述踝关节点相对所述膝关节点来说同样是在做圆周运动，因此，可以分别以左右膝关节点为圆心，以所述小腿长度为半径分别做圆。

如图8中左图所示，在未发生腿部自遮挡时，与所述膝关节点的四交点情形相同，分别求取AB与CD的中点分别为左脚踝关节点和右脚踝关节点。具体的，以所述左膝关节点为圆心、以所述小腿长度为半径做圆，分别得到两交点A和B，则AB的中点为所述左脚踝关节点；以所述右膝关节点为圆形、同样以所述小腿长度为半径做圆，分别得到两交点C和D，则CD的中点为所述右脚踝关节点。

如图8的中图和右图所示，而发生腿部自遮挡时，先根据所述人体轮廓图中的腿部轮廓的弯曲度判断小腿是否有交叉。在小腿有交叉时，提取所述人体轮廓线中的右侧轮廓线上与所述右膝关节点R同一高度的点B。然后从右侧腿部轮廓上分别提取距离B点H₁与H₂高度的A与C点。其中，H₁与H₂分别为人体大腿长度与小腿长度的一半；求取此时∠ABC的度数，当其小于预设阈值(例如该阈值可设为150°)时即可认为小腿发生了交叉。最后，确定AB的中点和CD的中点分别为所述左脚踝关节点和所述右脚踝关节点。

参见图9，在获取到每一张所述人体轮廓图的五个关节点(所述髋关节点、所述左膝关节点、所述右膝关节点、所述左脚踝关节点以及所述右脚踝关节点)后，将所述髋关节点至所述左膝关节点、所述髋关节点至所述右膝关节点、所述左膝关节点至所述左脚踝关节点、所述右膝关节点至所述右脚踝关节点及所述左脚踝关节点至所述右脚踝关节点依次相连，构建得到涵盖人体运动信息的所述腿部五边模型。

获取一个所述行走周期对应的多张所述人体轮廓图中每一张所述人体轮廓图中人体轮廓线中的大腿角度θ₁、两大腿间夹角θ₂、前膝夹角θ₃、后膝夹角θ₄、双脚的距离L以及后脚与前脚之间的角度θ₅，以及所述人体外接矩形宽高比T作为样本的动态特征值。

计算一个所述行走周期对应的多张所述人体轮廓图分别得到的所述腿部五边模型的加权平均值，可以得到一个所述行走周期的腿部能量图E(参见图10)，即为静态特征值：

其中，M_i(x,y)表示一个所述行走周期中的一个所述腿部五边模型。

举例来说，一个所述行走周期包括n张所述人体轮廓图，则对于该行走周期提取到的步态特征值可表示为：F＝(θ₁,θ₂,θ₃,θ₄,θ₅,L,T,E)；其中，前七个为所述动态特征值且均为n维列向量(n为该行走周期包括的人体轮廓图数量)，E为所述静态特征值。

由于不同的所述行走周期分别具有的所述人体轮廓图的数量不同，即不同的所述行走周期分别对应的所述动态特征值的维数不同。因此，采用动态时间规整(DTW，DynamicTime Warping)的方式来获取所述动态特征值的差异距离，得到动态差异值。具体的，所述动态特征值主要有腿部的角度、两脚的距离以及外接矩的宽高比三种，动态时间规整通过把时间序列进行一定程度的延伸和/或缩短来进行计算两个序列之间的差异度，从而获取所述动态特征值与数据库样本特征的差异距离。

由于所述静态特征值的数据量较大，所以先采用双向2D-PCA分析方法对所述静态特征值进行降维操作，得到降维后的静态特征矩阵，然后计算所述静态特征矩阵与所述数据库样本特征的特征矩阵之间的差值二范数(即两矩阵间的欧氏距离)来获取静态特征值的差异距离，得到静态差异值。

根据所述动态差异值和所述静态差异值构建特征差值矩阵为：

所述特征差值矩阵Df中每一列代表模板库中的一个样本，但每一行不再代表具体的特征值，而是表示一个特征类。即每一列由四类特征构成，θ、L、T、E分别表示样本的角度、距离、宽高比以及静态特征值。所述特征差值矩阵Df中的dis则表示待测样本(一个所述行走周期包含的多个所述人体轮廓图所组成的样本)与模板样本对应的特征类间的差异距离，即前三类(θ、L、T)采用动态时间规整来计算差异距离，最后一类(E)则先降维然后计算欧式距离来获取其该值。

计算得到所述特征差值矩阵Df后，为了降低特征提取过程中误差对于最终判决的影响，可以引入模糊分布函数，考虑到整个模糊分布应该满足以下要求：特征类差值较小时，相似性下降缓慢；而特征类差值较大时，相似性快速下降。因此，采用降岭形的模糊分布来计算各个样本(也即所述多个图像帧对应的所述多个人体轮廓图对应的多个所述行走周期)特征的隶属度μ，例如对于角度特征有：

其中，dθ_max与dθ_min分别表示所述特征差值矩阵中角度特征类这一行向量中的最大值与最小值；同理对于其他三类特征差(距离、宽高比、能量图)进行隶属度计算后即可求得特征差隶属度矩阵：

对于特征差隶属度矩阵，通过计算同一列的不同类特征隶属度的算术平均值即可得到待测样本与该模板样本间的相似程度：

最后，以相似度最大为判决原则，即可得到待测样本所属类别。

综上所述，与现有技术相比，本实施例提供的基于腿部特征的步态识别装置具有以下优点：1.本方法在保证识别率的基础上，对人体衣物及携带物的情形下，对髋关节点的确定进行了修正，从而提高了识别的准确率；2.在目标检测方面，利用Vibe算法背景建模，提高了算法的实时性和鲁棒性；3.本方法提出了腿部五边模型和静态特征值(或称腿部能量图)的概念，并在其构建过程中相应提出了新的骨骼关键点(髋关节点、膝关节点以及踝关节点)的确定方法，与现有的算法相比，在确定的精准度方面获得了极大的提升；4.在通过所述腿部五边模型分别获得动态特征值和静态特征值后，针对现有算法中采用的决策级数据融合过程复杂、训练时间长的问题，本方法采用最近邻模糊分类器进行特征融合与分类识别，并对该分类器进行了改进，降低了算法复杂度，提高了识别的准确率。

【第二实施例】

参见图11，其为本发明第二实施例提供的一种基于腿部特征的步态识别装置，所述基于腿部特征的步态识别装置100例如包括：二值图提取模块10，用于对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；轮廓图提取模块20，用于根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；特征值计算模块30，用于根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；差异值计算模块40，用于分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；识别模块50，用于针对所述动态差异值和所述静态差异值构建特征差值矩阵，并基于所述特征差值矩阵使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。

具体的，二值图提取模块10例如包括：图像提取单元11，用于从每一张所述图像帧中提取得到不包含背景信息的图像信息；预处理单元12，用于对所述图像信息进行预处理得到所述人体前景二值图。

特征值计算模块30例如包括：关节点确定单元31，用于确定髋关节点、膝关节点以及踝关节点分别在所述人体轮廓图中的位置；模型构建单元32，用于根据所述髋关节点、膝关节点以及踝关节点构建涵盖人体运动信息的腿部五边模型；第一计算单元33，用于根据一个行走周期所对应的多个所述腿部五边模型得到所述动态特征值；第二计算单元34，用于根据所述一个行走周期所对应的多个所述腿部五边模型的加权平均值得到所述静态特征值。

差异值计算模块40例如包括：第三计算单元41，用于对所述动态特征值进行动态时间规整计算得到所述动态差异值；第四计算单元42，用于对所述静态特征值进行降维处理、再通过差值二范数计算得到所述静态差异值。

【第三实施例】

参见图12，其为本发明的第三实施例提供的一种基于腿部特征的步态识别系统的结构示意图，所述基于腿部特征的步态识别系统400例如包括处理器430以及电连接处理器430的存储器410，存储器410上存储有计算机程序411，处理器430加载计算机程序411以实现如第一实施例中所述的基于腿部特征的步态识别方法。

【第四实施例】

参见图13，其为本发明的第四实施例提供的一种可读存储介质的结构示意图，可读存储介质500例如为非易失性存储器，其例如为：磁介质(如硬盘、软盘和磁带)，光介质(如CDROM盘和DVD)，磁光介质(如光盘)以及专门构造为用于存储和执行计算机可执行指令的硬件装置(如只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。可读存储介质500上存储有计算机可执行指令510。存储介质500可由一个或多个处理器或处理装置来执行计算机可执行指令510，以实施如第一实施例中所述的基于腿部特征的步态识别方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多路单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多路网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于腿部特征的步态识别方法，其特征在于，包括：

对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；

根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；

根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；

分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；

对所述动态差异值和所述静态差异值分别构建得到动态特征差异矩阵和静态特征差异矩阵，并使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。

2.根据权利要求1所述的基于腿部特征的步态识别方法，其特征在于，所述对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图，包括：

从每一张所述图像帧中提取得到不包含背景信息的图像信息；

对所述图像信息进行预处理得到所述人体前景二值图。

3.根据权利要求1所述的基于腿部特征的步态识别方法，其特征在于，所述根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值，包括：

确定髋关节点、膝关节点以及踝关节点分别在所述人体轮廓图中的位置；

根据所述髋关节点、膝关节点以及踝关节点构建涵盖人体运动信息的腿部五边模型；

根据一个行走周期所对应的多个所述腿部五边模型得到所述动态特征值；

根据所述一个行走周期所对应的多个所述腿部五边模型的加权平均值得到所述静态特征值。

4.根据权利要求1所述的基于腿部特征的步态识别方法，其特征在于，所述分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值，包括：

对所述动态特征值进行动态时间规整计算得到所述动态差异值；

对所述静态特征值进行降维处理、再通过差值二范数计算得到所述静态差异值。

5.一种基于腿部特征的步态识别装置，其特征在于，包括：

二值图提取模块，用于对包含人体运动信息的连续的多张图像帧分别进行预处理，分别得到对应每一张所述图像帧的人体前景二值图；

轮廓图提取模块，用于根据内部点去除方法从每一张所述人体前景二值图中分别提取出各自的人体轮廓图；

特征值计算模块，用于根据每一个所述人体轮廓图中的关节点信息计算得到动态特征值和静态特征值；

差异值计算模块，用于分别计算所述动态特征值和所述静态特征值的差异值，得到动态差异值和静态差异值；

识别模块，用于针对所述动态差异值和所述静态差异值构建特征差值矩阵，并基于所述特征差值矩阵使用最近邻模糊分类器对所述多张图像帧中的目标样本进行识别。

6.根据权利要求5所述的基于腿部特征的步态识别装置，其特征在于，所述二值图提取模块包括：

图像提取单元，用于从每一张所述图像帧中提取得到不包含背景信息的图像信息；

预处理单元，用于对所述图像信息进行预处理得到所述人体前景二值图。

7.根据权利要求5所述的基于腿部特征的步态识别装置，其特征在于，所述特征值计算模块包括：

关节点确定单元，用于确定髋关节点、膝关节点以及踝关节点分别在所述人体轮廓图中的位置；

模型构建单元，用于根据所述髋关节点、膝关节点以及踝关节点构建涵盖人体运动信息的腿部五边模型；

第一计算单元，用于根据一个行走周期所对应的多个所述腿部五边模型得到所述动态特征值；

第二计算单元，用于根据所述一个行走周期所对应的多个所述腿部五边模型的加权平均值得到所述静态特征值。

8.根据权利要求5所述的基于腿部特征的步态识别装置，其特征在于，所述差异值计算模块包括：

第三计算单元，用于对所述动态特征值进行动态时间规整计算得到所述动态差异值；

第四计算单元，用于对所述静态特征值进行降维处理、再通过差值二范数计算得到所述静态差异值。

9.一种基于腿部特征的步态识别系统，其特征在于，包括：处理器和电连接所述处理器的存储器，所述存储器上存储有所述处理器执行的指令，且所述指令使得所述处理器执行操作以进行如权利要求1-4任意一项所述的基于腿部特征的步态识别方法。

10.一种可读存储介质，其特征在于，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的基于腿部特征的步态识别方法。

Images