正在加载图片...
·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
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有