·76 智能系统学报 第8卷 1.6 8r*102 日标1 目标2 一目标3 3 1.0 6 0.9 -8 0.8%102030405060708090 视顺顿数 图3正面视角步态周期检测 图5正面视角Procrustes均值形状 Fig.3 Gait cycle detection of the front view Fig.5 The Procrustes mean shape of front-view 1.2.2侧面视角 由于Canny算子具有很好的边缘检测性能，不 选用动作能量图(AEI)4作为侧面视角的步 容易受噪声干扰，能够检测到真正的弱边缘，使用2 态特征.对于给定的步态序列F={f,…,fw-1}, 种不同的阈值能分别检测强边缘和弱边缘，并且当 ∫表示第t帧图像，N表示单周期步态序列的帧数， 弱边缘和强边缘相连时，才将弱边缘包含在输出图 首先计算相邻2帧间的帧差图： 像中1，因此采用Canny算子提取轮廓线.对提取 f(x,y）, t=0; 的轮廓线，用等角度间隔采样对选取的2个连续周 期的轮廓线进行采样.等角度间隔采样首先需要把 D,(x,W=1x,）-f(x,)l,6>0. N-1 轮廓点的直角坐标(x,y)转化成以人体质心为原点 AI的定义为：4(，)=名D,(,,锁差图和 1 的极坐标，然后以相同的角度0=360/N(N为预定 AEI如图6所示.AEI能够保留步态中的动态部分， 的采样点数)对轮廓点序列进行采样，轮廓线采样 它的每个像素点的强度表示行走过程中动态部分在 如图4(b), 该像素点出现的频率.不同目标的AEI如图7所示. (a)轮廊图 b)帧差图 (©)动作能量图 图6侧面视角动作能量图计算 Fig.6 The calculation of side-view active energy image (a)轮廓线 (6)采样后的轮廓线 图4正面视角轮廓线提取及采样 Fig.4 The contour extraction and sampling of front view 采样后的轮廓线可描述为k个复数组成的向 量，即Z=[z12…zk]T,其中：z=+jy,(x, y:)是轮廓线采样后的坐标.一个步态周期含有n帧 图7不同目标的动作能量图 图像，则可得到n个这样的复数向量，计算配置矩 Fig.7 Active energy image of different objectives 阵：S=三乙召，则S的最大特征值对应的特征向 对得到的AEI采用二维局部保留映射 台ZZ' (2DLPP)[15]1进行降维.2DLPP是基于矩阵的子空间 量即为所求的Procrustes均值形状U13],如图5所 学习方法，它能够保留原始图像中的空间结构并且 示，图中给出了3个不同目标的Procrustes均值 能缓解“维数灾难”问题 形状