本發(fā)明涉及一種基于角度徑向變換和質(zhì)心的夜視視頻步態(tài)識(shí)別方法，該方法屬于紅外夜視視頻圖像處理技術(shù)領(lǐng)域，通過(guò)該方法可以實(shí)現(xiàn)夜間的行人監(jiān)測(cè)。

背景技術(shù)：

在過(guò)去幾年中，紅外成像技術(shù)得到了迅速的發(fā)展，紅外視頻圖像的應(yīng)用也越來(lái)越廣泛。例如，夜間的視頻監(jiān)控，通過(guò)自動(dòng)識(shí)別家人和闖入者來(lái)達(dá)到保護(hù)居民的生命財(cái)產(chǎn)安全。但是紅外攝像機(jī)得到的是灰度圖像，具有紋理細(xì)節(jié)少、信噪比低等特點(diǎn)。由于步態(tài)識(shí)別可根據(jù)人的整體特征，對(duì)視頻質(zhì)量要求不高。所以，步態(tài)識(shí)別在紅外視頻識(shí)別研究中非?；钴S。

早期的醫(yī)學(xué)研究表明，步態(tài)是人體的特有特征。人體的行走的過(guò)程中，步態(tài)是一個(gè)隨時(shí)間變化的時(shí)空信號(hào)，具有周期性。所以，在研究步態(tài)運(yùn)動(dòng)時(shí)，只需要提取到一個(gè)周期的步態(tài)特征。通常情況下，認(rèn)為一個(gè)步態(tài)周期是由兩步組成的，它可以認(rèn)為是從一條退向前跨出某一個(gè)(最遠(yuǎn)的)位置，到下一次這條腿跨到同樣的位置。

人體步態(tài)由許多因素決定，包括體格、體重、鞋子高度、地面狀態(tài)、衣著和精神狀態(tài)等。但是由于人們經(jīng)常改變衣著、行走速度，以及攝像機(jī)拍攝角度的差異，使得步態(tài)識(shí)別成為一個(gè)具有挑戰(zhàn)性的課題，其目標(biāo)是無(wú)論背景、光照、衣著、速度等如何變化，都能正確識(shí)別身份。

步態(tài)識(shí)別通常包括3個(gè)過(guò)程：步態(tài)運(yùn)動(dòng)檢測(cè)、步態(tài)特征提取和特征識(shí)別。其中，步態(tài)特征提取是步態(tài)識(shí)別技術(shù)的關(guān)鍵，主要分為兩類：一類是基于模型的方法，如cunado等將大腿建模為鐘擺，從其傾斜角度信號(hào)的頻率分量獲取步態(tài)特征；yoo等根據(jù)解剖學(xué)的知識(shí)，構(gòu)建2d人體桿狀模型，將步態(tài)序列中的所有桿狀模型連接起來(lái)構(gòu)成步態(tài)模式?；谀Ｐ偷姆椒ㄍǔＲ螳@取到清晰的步態(tài)序列，并經(jīng)過(guò)復(fù)雜的計(jì)算構(gòu)建模型方可取得良好的識(shí)別性能，而且當(dāng)身體出現(xiàn)自遮擋現(xiàn)象時(shí)識(shí)別率明顯下降。第二類是基于非模型的方法，如han等提出步態(tài)能量圖(gei)來(lái)反映側(cè)影形狀的變化，該算法對(duì)噪聲更具魯棒性，但是不足以反映連續(xù)幀之間的動(dòng)態(tài)變化，丟失了一部分步態(tài)信息；王亮等提出一種基于輪廓的解卷繞步態(tài)識(shí)別算法，用輪廓組成點(diǎn)到人體質(zhì)心之間的連線來(lái)表達(dá)步態(tài)特征，這種方法依賴于人體整體輪廓形狀隨時(shí)間的變化，在衣著或是擺臂姿態(tài)發(fā)生變化時(shí)，對(duì)識(shí)別率有一定的影響。陳欣等提出的基于質(zhì)心的步態(tài)識(shí)別算法，將質(zhì)心的波動(dòng)作為步態(tài)特征，利用頻譜分析質(zhì)心運(yùn)動(dòng)軌跡識(shí)別個(gè)體，取得了較高的識(shí)別率且計(jì)算代價(jià)小，但是質(zhì)心作為唯一特征容易受到噪聲的干擾，且在樣本數(shù)量增加的情況下容易出現(xiàn)質(zhì)心波動(dòng)的相似性，導(dǎo)致識(shí)別難度的增加。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種能夠更為準(zhǔn)確地表示紅外條件下運(yùn)動(dòng)人體目標(biāo)特征的方法，并以此為基礎(chǔ)進(jìn)行步態(tài)識(shí)別，以提高步態(tài)識(shí)別的正確率。

為了解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案是提供一種基于角度徑向變換和質(zhì)心的夜視視頻步態(tài)識(shí)別方法，其特征在于，包括如下步驟：

步驟1：采集紅外視頻圖像；

步驟2：從所采集的紅外視頻圖像中提取人體步態(tài)輪廓，并對(duì)所提取的人體步態(tài)輪廓序列進(jìn)行預(yù)處理；

步驟3：基于預(yù)處理后的人體步態(tài)輪廓序列構(gòu)建人體的步態(tài)能量圖；

步驟4：提取步態(tài)能量圖的特征向量，將步態(tài)能量圖的角度徑向變換系數(shù)和質(zhì)心向量作為特征向量；

步驟5：通過(guò)主成分分析方法降低特征向量的維數(shù)；

步驟6：把降維后的特征向量和樣本訓(xùn)練集進(jìn)行識(shí)別匹配，實(shí)現(xiàn)紅外夜視圖像的步態(tài)識(shí)別。

優(yōu)選地，所述步驟1中，通過(guò)紅外熱像機(jī)采集紅外視頻圖像。

優(yōu)選地，所述步驟2中，提取步態(tài)輪廓所用的方法是背景減除法。

更優(yōu)選地，所述背景減除法是采用當(dāng)前幀圖像與背景幀圖像的差分來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，通過(guò)減除掉背景對(duì)象不變因素來(lái)分離運(yùn)動(dòng)目標(biāo)；具體計(jì)算公式如下：

其中，f(a，b)是人體輪廓圖像；a(x，y)與b(x，y)分別是當(dāng)前圖像與背景圖像在像素(x，y)處的灰度值；0≤f(a，b)＜1，0≤a(x，y)，b(x，y)＜255；

利用下式求出間接背景減除后的二值化圖像；

其中，dxy是間接背景減除后的二值化圖像；t為閾值。

優(yōu)選地，所述步驟2中，預(yù)處理包括大小標(biāo)準(zhǔn)化和水平對(duì)齊；大小標(biāo)準(zhǔn)化是按比例調(diào)整每個(gè)輪廓圖像的大小，使得所有輪廓具有相同的高度；水平對(duì)齊是相對(duì)于其水平中心定位上半輪廓部分實(shí)現(xiàn)。

優(yōu)選地，所述步驟3中，步態(tài)能量圖的定義如下：

其中，g(x，y)是步態(tài)能量圖，n是輪廓序列的完整周期中的幀數(shù)，t是序列中的幀編號(hào)，bt(x，y)是二值化運(yùn)動(dòng)圖像序列；x和y是圖像坐標(biāo)中的值。

所述步驟6中，使用動(dòng)態(tài)時(shí)間規(guī)整進(jìn)行步態(tài)模板的匹配。

本發(fā)明提供的方法克服了現(xiàn)有技術(shù)的不足，通過(guò)使用角度徑向變換和質(zhì)心的特征提取方法，可以更加合理有效的提取到夜視視頻圖像步態(tài)能量圖的有效信息，既提高了步態(tài)識(shí)別的效率，又提高了步態(tài)識(shí)別的正確率。采用本發(fā)明提供的步態(tài)識(shí)別方法，可以對(duì)一些需要晝夜監(jiān)控的場(chǎng)所進(jìn)行人員的身份認(rèn)證，為使用者帶來(lái)更為安全的生活環(huán)境。

附圖說(shuō)明

圖1為基于角度徑向變換和質(zhì)心的夜視視頻步態(tài)識(shí)別方法的系統(tǒng)框圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定的范圍。

圖1為基于角度徑向變換和質(zhì)心的夜視視頻步態(tài)識(shí)別方法的系統(tǒng)框圖，所述的基于角度徑向變換和質(zhì)心的夜視視頻步態(tài)識(shí)別方法包括如下步驟：

步驟1：采集紅外視頻圖像。采用實(shí)驗(yàn)室的紅外熱像機(jī)采集紅外視頻圖像。

步驟2：從紅外視頻圖像中提取人體步態(tài)輪廓，對(duì)所提取的輪廓序列進(jìn)行預(yù)處理。提取步態(tài)輪廓所用的方法是背景減除法，它是采用當(dāng)前幀圖像與背景幀圖像的差分來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的，它通過(guò)減除掉背景對(duì)象等不變因素來(lái)分離運(yùn)動(dòng)目標(biāo)，是當(dāng)前圖像分割、動(dòng)目標(biāo)檢測(cè)中最常用的一種方法。計(jì)算公式如下：

其中，f(a，b)是人體輪廓圖像；a(x，y)與b(x，y)分別是當(dāng)前圖像與背景圖像在像素(x，y)處的灰度值；0≤f(a，b)＜1，0≤a(x，y)，b(x，y)＜255。

利用下式求出間接背景減除后的二值化圖像。

其中，dxy是間接背景減除后的二值化圖像；t為閾值，當(dāng)人體區(qū)域和背景差別不大時(shí)，閾值就可以小一些，反之就可以大一些。

然后，對(duì)所提取到的輪廓進(jìn)行預(yù)處理，它包括大小標(biāo)準(zhǔn)化(按比例調(diào)整每個(gè)輪廓圖像的大小，使得所有輪廓具有相同的高度)和水平對(duì)齊(相對(duì)于其水平中心定位上半輪廓部分)。

步驟3：構(gòu)建人體的步態(tài)能量圖；步態(tài)能量圖能把人整個(gè)的行走運(yùn)動(dòng)展現(xiàn)在一張圖上，這樣，步態(tài)能量圖不僅可以包含人行走時(shí)的所有特征，而且減少了存儲(chǔ)空間和計(jì)算時(shí)間，同時(shí)它還降低了對(duì)每一幀圖像噪聲的敏感性。步態(tài)能量圖的定義如下：

其中，g(x，y)是步態(tài)能量圖，n是輪廓序列的完整周期中的幀數(shù)，t是序列中的幀編號(hào)，bt(x，y)是二值化運(yùn)動(dòng)圖像序列；x和y是圖像坐標(biāo)中的值。

步驟4：將步態(tài)能量圖的角度徑向變換系數(shù)和質(zhì)心向量作為特征向量。人體質(zhì)心是指人體各部分合重力的作用點(diǎn)，研究表明根據(jù)人體質(zhì)心可以判斷人的步態(tài)，但是緊靠質(zhì)心識(shí)別個(gè)體步態(tài)不夠完善。角度徑向變換(art)是一種二維對(duì)象區(qū)域內(nèi)的像素分步矩算子，源于mpeg-7標(biāo)準(zhǔn)，利用art進(jìn)行特征提取，可以描述由多個(gè)斷開(kāi)區(qū)域以及具有或不具有孔的簡(jiǎn)單對(duì)象組成的復(fù)雜對(duì)象，具有較好的尺度和旋轉(zhuǎn)變化的不變性。

設(shè)f(p，θ)為輸入圖像在極坐標(biāo)下的灰度函數(shù)，將f(p，θ)函數(shù)投影到art基函數(shù)vnm(p，θ)上，即得到極坐標(biāo)下的art系數(shù)fnm，計(jì)算公式如下所示：

基函數(shù)可沿著角度和徑向方向分離，并且定義如下：

其中，p和θ為極坐標(biāo)參數(shù)，n為徑向參數(shù)，m為角向參數(shù)，j為虛數(shù)單位。

當(dāng)所選的階數(shù)n和m的值取得越大時(shí)，圖像的細(xì)節(jié)描述越好。但當(dāng)階數(shù)過(guò)高時(shí)，特征維數(shù)過(guò)高，計(jì)算量也越大，耗時(shí)也就越長(zhǎng)。

步驟5：通過(guò)主成分分析方法降低特征向量的維數(shù)；主要成分分析(pca)是以通信理論中的k-l變換為基礎(chǔ)，其中心思想就是降維，主要原理是提取原始數(shù)據(jù)高維空間中的主要特征構(gòu)成一個(gè)低維子空間，它包含了盡可能多的有用信息，能較好的表示原始數(shù)據(jù)。所有數(shù)據(jù)都可以向這個(gè)低維的特征子空間投影進(jìn)行處理，從而減少數(shù)據(jù)冗余，達(dá)到降維的效果，處理數(shù)據(jù)維數(shù)過(guò)高的這一難題。

步驟6：使用動(dòng)態(tài)時(shí)間規(guī)整進(jìn)行步態(tài)模板的匹配，把提取到的特征和樣本訓(xùn)練集進(jìn)行識(shí)別匹配，實(shí)現(xiàn)紅外夜視圖像的步態(tài)識(shí)別。在步態(tài)識(shí)別中，由于樣本行走速率的不確定性，一個(gè)周期內(nèi)步態(tài)圖像幀數(shù)不完全相同，這使得提取出的特征參數(shù)長(zhǎng)度不一，為了能夠?qū)Υ嬖谌只蚓植繑U(kuò)展、壓縮或變形的模式進(jìn)行匹配，解決動(dòng)態(tài)模式的相似性度量和分類問(wèn)題，選擇柔性模式匹配算法——?jiǎng)討B(tài)時(shí)間規(guī)整來(lái)進(jìn)行步態(tài)模式的匹配。

試驗(yàn)表明，本發(fā)明的識(shí)別方法的正確率高，且識(shí)別速度快，效率高。本發(fā)明的識(shí)別方法可以應(yīng)用于別墅樓宇的安防監(jiān)控中，對(duì)房屋進(jìn)行隱蔽性遠(yuǎn)距離全天候無(wú)間斷監(jiān)控。從而使被監(jiān)控區(qū)域達(dá)到更高的安全級(jí)別，創(chuàng)造更為安全的居住生活環(huán)境。