一种基于非线性动力学指标的速度无关的步态识别方法

摘要

本发明公开了一种基于非线性动力学指标的速度无关的步态识别方法。本发明包括以下步骤：采集人体步态运动轮廓图；提取人体下肢轮廓宽度、周长及面积参数曲线；基于轮廓参数，构建径向基函数神经网络对不同速度下的步态动力学进行建模，得到三维可视的步态动力学信息；计算三种非线性动力学指标，利用不同速度下的步态模式之间在非线性动力学指标上的差异，实现速度无关的步态识别。本发明直接从人体轮廓图上提取速度无关的步态动力学特征，不用进行复杂的图像处理过程，简单方便、容易操作。本发明所提取的动力学特征可以有效地应对多种步行速度下的识别挑战，实现多速度下的无限制步态识别。

说明书

技术领域

本发明属于模式识别技术领域，具体涉及一种与速度无关的基于非线性动力学指标的速度无关的步态识别方法。

背景技术

步态识别，作为一种新兴的生物特征识别技术，是模式识别及计算机视觉领域中的一个重要课题。与其他的生物特征识别技术相比，步态识别具有很多无法比拟的优点，如唯一性、非接触性以及远距离性，可广泛应用于视频监控中。而在具体的监控场景中，步态识别算法大多受限于复杂的步行条件(如行走速度、视角等)改变带来的影响，在简单条件下的目标识别率较高，但当步行条件改变时，识别率大多会迅速下降，严重制约了步态识别的实用性。这些步行条件中，最大的难点之一就在于步行速度变化所带来的影响。由于监控场景中被识别对象的行走不可能按照统一的速度进行,速度变化问题是步态识别无法回避的问题。

目前对于多速度下步态识别问题的解决，大多是从寻找速度无关的步态特征以及速度归一化处理两方面出发，虽然涌现了很多有价值的工作，但这些方法还存在着以下问题：一、现有的很多寻找速度无关特征的方法对速度变化的鲁棒性不足，处理速度变化幅度大时性能会大大降低甚至失效。二，步行速度变化作为人体步态运动的内部因素，以处理外部改变因素的常用归一化手段，未必能起到很大的改进作用。事实上，由于人体步态运动本质上是由复杂非线性动力学系统产生的时变动态模式，若能基于人体浅层轮廓形状信息对内在的非线性步态系统动力学信息实现准确建模、辨识，并将这种动力学建模结果作为速度鲁棒特征进行提取，显然会对速度无关的步态识别的实现产生很大的帮助。

发明内容

本发明的目的是克服现有技术存在的问题，提供一种更为简洁准确的，能够适应大幅度速度变化的基于非线性动力学指标的速度无关的步态识别方法。

本发明在常规人体行走轮廓图的基础上提取人体下肢轮廓平均宽度、平均周长及平均面积等三个轮廓参数。基于轮廓参数，构建径向基函数神经网络对不同速度下的步态动力学进行建模，得到三维可视的步态动力学信息；计算三种非线性动力学指标，利用不同速度下的步态模式之间在非线性动力学指标上的差异，实现速度无关的步态识别。

本发明的具体技术方案通过如下步骤实现：

步骤一、获取人体行走步态轮廓图；

对不同速度下的行走图像序列进行背景减除以及形态学处理，获得人体行走的二值步态轮廓图；

步骤二、提取步态轮廓参数；

根据人体轮廓的宽度随时间呈现周期性变化的特性，通过人体轮廓宽度值来检测步态周期；：将人体二值轮廓至上而下根据图像高度值等分为人体上肢区域和人体下肢区域，提取每一帧人体轮廓下肢区域的平均轮廓宽度值W_d、人体轮廓下肢区域整体轮廓周长值L_d及下肢区域整体轮廓面积值A_d，经过数据大小归一化后，构成步态参数变量x＝[W_d,L_d,A_d]；所述步态轮廓参数数据具有类周期性质；所述类周期性质是指步态轮廓参数数据随时间变化过程中，从任一时刻点出发，都能在一段有限的时间内回归到该数值的有限领域内，所述步态轮廓参数数据存在于人体步态运动中。

步骤三、非线性步态动力学建模；

根据步态参数变量x＝[W_d,L_d,A_d]，构建径向基函数(RBF)神经网络，考虑不同的行走速度，对步态参数变量内在的非线性步态动力学信息进行神经网络的逼近和辨识。

非线性步态动力学的建模方法如下：

其中，x＝[x₁,…,x_n]^T∈Rⁿ是提取到的三个步态轮廓特征，p是系统常参数值；F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性步态动力学项，表示不同人在不同步行速度下的非线性动力学信息，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是引入的建模不确定项；将建模不确定项v(x；p)和非线性步态动力学项F(x；p)合并为一项：

并定义为总的步态非线性动力学项；

所构造的RBF神经网络用于辨识

神经网络辨识器的表达形式如下：

其中，是RBF神经网络辨识器的状态变量；A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1；是动态RBF神经网络，用来逼近未知的总的步态非线性动力学项S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数；N＞1是神经网络结点数目；ξ_i是神经元中心点；RBF神经网络权值的调节律如下：

其中，是状态误差，Γ_i＝Γ_i^T＞0,σ_i＞0，σ_i是调节律的调节参数，动态RBF神经网络的权值的初始值

所用RBF神经网络权值的调节律根据李雅普洛夫稳定性定理和确定学习理论进行设计，使状态误差与权值估计都有界并指数收敛。

对步态非线性动力学项的局部准确建模由如下公式表示：

其中，ε_i1是逼近误差，局部准确建模是通过RBF神经网络对沿三维步态轮廓参数轨迹的内在非线性动力学的逼近，而远离轨迹的非线性动力学项则不被逼近。

所得到的逼近结果以常值神经网络权值矩阵进行存储，作为步态运动的本质动态特性。即是指在一段时间内权值收敛至最优的常值，选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值

其中，[t_a,t_b]代表神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，使由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差。

这里得到的常值神经网络是一种时不变的也是空间分布的表达方式。

步骤四：计算非线性动力学指标进行分类识别；

根据每个行走者在不同速度下非线性步态动力学所对应的常值权值矩阵，计算三个非线性动力学指标：C₀复杂度、Lyapunov指数以及近似熵。

所述的常值权值矩阵是三维矩阵，每一维的数据表示为：d_i(n),i＝1,2,3；n＝0,1,2,…,N-1。

C₀复杂度的计算方法如下：

(1)计算非线性动力学项每一维数据的快速傅立叶变换D_i(k)：

(2)计算所得快速傅立叶变换项D_i(k)的均方值G_i：

并得到一个新的序列Y_i(k)：

(3)计算Y_i(k)序列的快速傅立叶逆变换：

(4)步态非线性动力学项的C₀复杂度即可以由以下式子得到：

Lyapunov指数的计算方法如下：

(1)计算初始距离集：标记每一维非线性动力学项数据中与当前第k个点x(k)(简化记为x_k)空间距离最近的α₁个点，把该点集记为临近点集I_k为第k步临近点集的元素的总数，并且I_k≤α₁。初始距离集为该点集与当前轨迹点x_k的距离集，记为

(2)计算结束距离集：把当前轨迹点x_k和临近点集的时间往前增加Δ步，从而计算结束距离集记为：

(3)计算指数增长系数集：对初始距离集以及结束距离集进行如下的对数运算记为：

所得到的指数变化率为所述的Lyapunov指数值。

近似熵的计算方法如下：

①把每一维非线性动力学项数据标记为d(n)，n＝0，1，...，N-1下式重构m维向量:

计算任意向量v(i)和v(j)之间的距离s[v(i)，v(j)]：

②给定阀值r，对每个向量v(i)统计s[v(i),v(j)]≤r×SD(SD为序列的标准值)的数目并求出该数目与距离总数(N-m)的比值，记为

③将取对数，再对所有的i求平均值，记为Φ^m(r)

④m增加1，重复上述步骤①-③，求得和Φ^m+1(r)近似熵即可由以下式子计算得到：ApEn(mr，N)＝Φ^m(r)-Φ^m+1(r)

以上述三维共九个非线性动力学指标表征不同速度下的步行个体，根据训练模式与测试模式之间关于非线性动力学指标间的差异，采用多种既有通用的分类器把测试模式准确分类识别出来，实现多速度下的步态识别。

本发明与现有技术相比，具有如下优点和有益效果：

1、与传统的速度无关的步态识别方法相比，本发明运用非线性神经网络辨识技术直接对人体轮廓形状信息下未知的非线性步态系统动力学进行逼近和辨识，并将这种动力学建模结果作为速度无关的步态特征进行提取，使得所提特征更能反映步态运动的本质时变特性，从而可以对复杂步行速度改变具有很好的鲁棒性。

2、通过提取三种不同的非线性动力学指标，能够反映步态系统动态，方便对不同速度下的步态模式进行比较，具有计算简单、特征维数低、计算量小、速度快等优点，在实践中也取得了很好的效果；

附图说明

图1是本发明提出的一种基于非线性动力学指标的速度无关的步态识别方法的流程图。

图2是实施例中人体轮廓参数提取示意图，图中，将人体轮廓图自上而下根据图像高度值等分为人体上肢区域和人体下肢区域。

图3是实施例中采用的RBF神经网络的拓扑结构示意图。

图4是实施例中神经网络权值的收敛情况。

图5是实施例中获取的步态动力学三维示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于非线性动力学指标的速度无关的步态识别方法，包括以下步骤：

步骤一：获取人体行走步态轮廓图；

本实施例采用的步态数据库是OU-ISIR-A步态数据库。该数据库共包含34个人，每个人分别有9个不同的步行速度(2km/h，3km/h，4km/h，5km/h，6km/h，7km/h，8km/h，9km/h，10km/h)，共有34×9＝306个序列。为了叙述方便，本实施例选取其中4km/h(Ts4)，5km/h(Ts5)，6km/h(Ts6)三种步行速度作为研究对象。以其中Ts5序列作为训练模式，Ts4，Ts5，Ts6序列作为测试模式。原始视频尺寸为640×480像素，采样频率是60fps。本发明对训练集和测试集里每一个人在不同速度下的行走视频，依次进行背景减除，对已经背景分离的步态图像进行形态学处理，得到二值化人体轮廓图。

步骤二：提取步态轮廓参数；

根据人体轮廓的宽度随时间呈现周期性变化的特性，通过人体轮廓宽度值来检测步态周期；提取人体下肢轮廓平均宽度W_d、周长L_d及面积A_d三个不同方面的步态参数，构成一组步态参数变量；

如图2所示，将人体二值轮廓至上而下根据图像高度值等分为人体上肢区域和人体下肢区域，提取每一帧人体轮廓下肢区域的平均轮廓宽度值W_d、人体轮廓下肢区域整体轮廓周长值L_d及下肢区域整体轮廓面积值A_d，经过数据大小归一化后，组成步态轮廓参数变量x＝[W_d,L_d,A_d]^T，步态轮廓参数变量的提取如图2所示，其中计算如下所示：

其中：H为人体轮廓高度，X为横坐标，Y为纵坐标，如图2所示，表示人体轮廓最右侧的像素点坐标，表示人体轮廓最左侧的像素点坐标。

下肢区域的整体轮廓周长值和面积值可以直接由轮廓线包含的像素点数量计算得出。

步骤三、非线性步态动力学建模；

根据步骤二数据归一化后的人体下肢轮廓宽度、周长及面积特征，构建径向基函数(RBF)神经网络，考虑不同的行走速度，对步态参数变量内在的非线性步态动力学信息进行神经网络的逼近和辨识。

首先设计如下的神经网络辨识器，神经网络的拓扑结构图如图3所示。

其中，是RBF神经网络辨识器的状态变量；A＝diag[0.5,…,0.5]是对角矩阵，a_i＝0.5是设计的常数；是动态RBF神经网络，用来逼近未知的步态非线性动力学项S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数；ξ_i是神经元中心点；RBF神经元均匀分布在区域[-1.05,1.05]×[-1.05,1.05]×[-1.05,1.05]且宽度取0.15。RBF神经网络权值的调节律如下：

其中，是状态误差，Γ_i＝1.5,σ_i＝10是调节律的调节参数，动态RBF神经网络的权值的初始值

对步态非线性动力学项的局部准确建模由如下公式表示：

其中，ε_i1是逼近误差，局部准确建模是通过RBF神经网络对沿三维步态轮廓参数轨迹的内在非线性动力学的逼近，而远离轨迹的非线性动力学项则不被逼近。整个神经网络计算阶段的权值收敛情况如图4所示。

所得到的逼近结果以常值神经网络权值矩阵进行存储，作为步态运动的本质动态特性。即是指在一段时间内权值收敛至最优的常值，选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值

其中，[t_a,t_b]代表神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，使由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差。

步骤四：计算非线性动力学指标进行分类识别；

步骤三所得的常值权值矩阵是三维矩阵，其空间三维示意图如图5所示。每一维的数据表示为：d_i(n)，i＝1，2，3；n＝0，1，2，...，N-1。计算三个非线性动力学指标：C₀复杂度、Lyapunov指数以及近似熵。

C₀复杂度的计算方法如下：

(1)计算非线性动力学项每一维数据的快速傅立叶变换D_i(k)：

(2)计算所得快速傅立叶变换项D_i(k)的均方值G_i：

并得到一个新的序列Y_i(k)：

(3)计算Y_i(k)序列的快速傅立叶逆变换：

(4)步态非线性动力学项的C₀复杂度即可以由以下式子得到：

Lyapunov指数的计算方法如下：

(1)计算初始距离集：标记每一维非线性动力学项数据中与当前第k个点x(k)(简化记为x_k)空间距离最近的α₁个点，把该点集记为临近点集I_k为第k步临近点集的元素的总数，并且I_k≤α₁。初始距离集为该点集与当前轨迹点x_k的距离集，记为

(2)计算结束距离集：把当前轨迹点x_k和临近点集的时间往前增加Δ步，从而计算结束距离集记为

(3)计算指数增长系数集：对初始距离集以及结束距离集进行如下的对数运算记为：

所得到的指数变化率为所述的Lyapunov指数值。

近似熵的计算方法如下：

①把每一维非线性动力学项数据标记为d(n)，n＝0，1，...，N-1下式重构m维向量：

v(i)＝[d(i)，d(i+1)，...，d(i+m-1)]

计算任意向量v(i)和v(j)之间的距离s[v(i)，v(j)]：

②给定阀值r，对每个向量v(i)统计s[v(i)，v(j)]≤r×SD(SD为序列的标准值)的数目并求出该数目与距离总数(N-m)的比值，记为

③将取对数，再对所有的i求平均值，记为Φ^m(r)

④m增加1，重复上述步骤①-③，求得和Φ^m+1(r)近似熵即可由以下式子计算得到：ApEn(m，r，N)＝Φ^m(r)-Φ^m+1(r)

以上述三维共九个非线性动力学指标表征不同速度下的步行个体，根据训练模式与测试模式之间关于非线性动力学指标间的差异，采用多种既有通用的分类器把测试模式准确分类识别出来，实现多速度下的步态识别。

如表1所示，是本发明中进行识别实验的识别率(CCR)表格，实验数据说明了本发明的优越性，从表1可以看出本发明方法在多个实验速度下都可以取得较高的识别率，且在速度改变的情况下不会出现剧烈的识别率下降的现象，对速度变化具有较高的鲁棒性。

表1：识别率(CCR)表格

如表2、3所示，是本发明中进行识别实验的计算复杂度分析，计算所需时间数据说明了本发明的优越性，可以看出本发明方法在计算时间和实用性上具有较大优势。

表2计算复杂度分析

非线性动力学指标计算所需时间C₀复杂度0.17Lyapunov指数1.09近似熵2.01

表3计算复杂度分析

分类器识别所需时间朴素贝叶斯分类器0.19K近邻规则分类器0.16多层感知器分类器0.29

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。