基于二级小波包分解和完全主成分分析的步态识别方法

摘要

本发明公开了一种步态识别方法，特别是一种基于二级小波包分解和完全主成分分析的步态识别方法，属于模式识别技术领域。该方法的步骤包括：预处理(形态学处理、目标提取和图像归一化)、特征提取(步态周期、步态能量图、融合WPD+(2D)2PCA选择特征)，最后根据最近邻分类原理把测试样品归到相应的类中。本发明利用步态能量图把周期帧整合到一张平均图，以消除周期帧数不同对特征抽取的影响，降低计算复杂度；另外本发明首次采用融合WPD和(2D)2PCA方法来提取并选择步态特征，解决已有基于小波变换的步态识别方法中高频分量丢失或简单采用全部数据所致维数过大问题，具有更高的识别率和视角变化鲁棒性。

主权项

一种基于二级小波包分解和完全主成分分析的步态识别方法，包括人体步态序列的预处理、特征提取，最后根据最近邻分类原理把测试样品归到相应的类中，并对识别效果给予评价，其特征在于：具体步骤如下：步骤一、预处理(1)形态学处理对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；(2)目标提取利用8连通分量分析的方法来提取一个单连通的运动目标，即人的侧影，去除残余噪声，从而获得更优的二值轮廓图；(3)图像归一化根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素；步骤二、特征提取(1)步态周期的检测利用人体的轮廓宽度随时间发生同步周期性改变的特性，通过人体轮廓的宽度变化信号来划分步态周期；(2)建立步态能量图，将步态能量图作为不同步态序列的代表；(3)融合二级小波包分解和完全主成分分析特征选择首先，采用二级小波包分解步态能量图，经分解后，每幅步态能量图得到20个分解后的图像；然后，分别采用完全主成分分析进一步提取有效特征；最后用最近邻分类器分别进行识别，选择m个最大的识别率所对应的特征矩阵Fi，其中m由用户设定，为大于4且小于21的正整数，则每幅步态能量图经变换后的特征F＝{i|Fi}，即F是m个特征矩阵Fi构成，i为不大于m的正整数；步骤三、分类识别所述的分类识别是将每个样本的特征F＝{i|Fi}作为整体，然后将每对样本间的距离计算出来后，最后，根据最近邻分类器原理把测试样本归到相应的类中，并对识别效果给予评价。