438· 智能系统学报 第6卷 序列的帧率是25帧/s,图像尺寸为320×240像素， 用的是图像的宽高比2)，然后进行了自相关运算， 长度也都在100帧左右. 这与文献[8]的方法不一样.本文采用了最近邻法 本文选用Dataset B(多视角库)作为原始实验 (NN)这个分类器进行最后的识别，以识别的正确率 数据，从中选取20个人，每个人有11个视角，在每 来表征算法的优略性， 个视角下选取普通运动条件下的6个图像序列.11 3.2步态识别实验结果及分析 个视角分别单独进行实验，在每个视角下，将20个 3.2.1实验结果 人在普通运动条件下的6个图像序列分成6组，每 实验结果如表1和图6所示.从中可以看到，本 组中包含20个图像序列.每次实验都让其中5组作 文提出的方法有很高的识别率，在11个视角下的平 为训练数据，另1组作为待识别的数据，每个视角下 均识别率是91.97%，大于90%，而且其在所有视角 共进行6次实验，取6次实验的平均值，作为当前视 下有比较稳定的识别率，对正面、侧面、背面的识别 角下的识别率，共要进行11×6=66次实验， 率都很高.PMS的平均正确识别率是76.59%，在11 识别的整个过程主要分为3个步骤：预处理、特 个视角下的识别率不稳定，最高的识别率是 征提取、识别，如图5所示， 85.83%,最低的只有69.17%，其在侧面的识别率 比正面和背面的识别率要高，不适合多视角步态识 步态图像序列 别.PMS+TAF的平均正确识别率是85.38%，在11 预处理。 个视角下的识别率也不稳定，最高的识别率是 形态学处理 95%,最低的只有74.17%.关键帧的傅里叶分析的 运动日 和连通区域 得到运 标检测 分析 动轮廓 平均正确识别率最低，只有69.92%，在11个视角 下的识别率也是不稳定的，最高的识别率是 特症提取 83.30%,最低的只有50.83%，其在侧面的识别率 轮廓 得到 PMS的傅里 采样 PMS 叶频芹分析 要比正面和背面的识别率要高，但对正面和背面的 识别率很低，同样不适合多视角步态识别 识别 数据库 100 901 80 输出识别结果 弱 70 图5步态识别算法流程 604 Fig.5 Gait recognition algorithm flow chart 50 -FSAOPMS…PNS+TAF -·-PMS -.-.-FF'I'of key frames 为了证明提出算法的有效性，又与另外3种方 020 406080100120140160180 法进行了对比，分别是PMS)、PMS+TAF]、关键 角度/°) 帧FFT81,所以实验次数为4×66=264.值得说明 图6在11个视角下4种算法的正确识别率 的是，要得到关键帧，必须先要得到步态周期，为了 F1g.6 The correct recognition rate of four different 让周期检测方法适合所有的视角，在进行实验时，采 methods at 11 angles 表1在11个视角下4种算法的正确识别率 Table 1 The correct recognition of four different algorithms on 1langles 11个不同角度下的正确识别率/% 算法 0 189 36 54 720 909 108° 126° 1449 162 180° FSAOPMS 91.67 92.50 90.00 95.83 90.00 94.17 90.00 85.83 90.83 94.17 96.67 PMS 70.00 69.17 79.17 81.67 85.83 84.17 71.67 80.83 72.50 73.33 74.17 PMS +TAF 95.0089.1788.3390.0079.1787.5077.5075.0074.17 90.0093.33 FFT of key frames 58.3364.1765.0082.5075.83 83.3077.5080.0067.5050.83 64.17 3.2.2实验分析 高的识别率，相比于其他3种算法有更好的优势.其原 从表1和图6中可以看到，本文提出的方法有很 因在于：1)PMS是统计特性，是一段视频中运动人体的