第1期 李一波，等：双视角下多特征信息融合的步态识别 77. 对于给定的一组AEI图像A:(i=1,2,…,N), 包裹条件)采集得到 其大小为m×n,2DLPP的目标函数是 步态人体轮廓序列的提取采用背景减除法.正 咖多分男-I 面视角采用Canny算子对人体轮廓提取轮廓线，大 约420个点，并对轮廓线进行等角度间隔采样，得 式中：Y=A:y,’是n维转移向量；S是相似矩阵，其 到210个点的固定长度，然后利用2个周期的轮廓 定义为：当A:是A的k近邻或者A是A,的k近邻 采样点计算Procrustes均值形状；侧面视角利用轮廓 时，S=ex即{-‖A:-A‖2/e};否则Sg=0,t和k 的宽高比确定步态周期，计算一个完整周期的动作 是2个合适的常量.经过运算，目标函数可以转化为 能量图，在利用2DLPP对动作能量图进行降维时， 器IX-1S,=4(L®1)，其中A 选取前20个最小特征值对应的单一正交解向量作 为转换矩阵 [AA;…AW],L=D-S是一个拉普拉斯矩 实验选取普通行走条件的样本库对算法进行验 阵，D是一个对角矩阵，D:=∑S,⑧表示矩阵的 证.DatasetB数据库中普通行走条件的样本共有6 克罗内克乘积，I。是m阶单位矩阵.为了移除嵌入 组，选取正面视角和侧面视角下其中的任意3组作 中的任意缩放因子，添加限制条件： 为训练集，用剩下3组作为测试集分别进行测试.训 ∑DA=1→P'(∑D4A)P=A(D⑧1n)Ap=1, 练时，对相应视角提取对应的特征，存入训练样本库 中；识别时，先计算正面视角和侧面视角各自测试步 因此最小化问题转化为 态序列的隶属度，取2个视角下隶属度之和最大的 8ia”'4(L⑧)A. (2) 样本作为最终识别结果.分别采用数量为40和100 运用拉格朗日乘数法，将式(2)转化为 的样本进行实验，所获得的平均识别率如表1所示， g(a,A)=vA'LAy+A(1-vA'DAy).那么式(2) 本文所提方法与其他方法的识别率对比见表2.表2 的解可通过求g/=0得到，因此转换向量y可以 中文献[6]采用了神经网络构造视角转换模型；文 通过求解式(3)的特征值问题获得. 献[7]在每个视角下进行了3种特征融合，然后再 AT(L⑧Im)Ap=A(D☒In)A.(3) 进行多视角融合；文献[8]采用了立体视觉的研究 让"，2，…，"4表示式(3)的d个最小特征值 方法，构建了三维人体轮廓描述子 0≤A≤入2≤…≤Aa对应的单一正交解向量.那么 表1本文算法的正确识别率 转移矩阵v=[12…v],每一幅AEI图像 Table 1 The correct recognition of proposed algorithm% A:的投影为Y=Ay,i=1,2,…,N. 训练样本 测试样本识别率 1.3识别算法 序列456 序列1 序列2 序列3 首先计算步态特征X对各自训练步态序列c 正面视角 40.00 37.00 39.00 的隶属度，计算公式为 Procrustes均值形状 4,(X,c)=1/‖X-c12-0 侧面视角 90.00 91.00 92.00 ∑1/IX-XI2-0 AEI +2DLPP 双视角融合 95.50 93.25 97.75 式中：b>1是一个常数，可以控制聚类结果的模糊 程度.然后取2个视角下隶属度之和最大的样本作 表2识别结果对比 Table 2 Comparison of recognition results % 为最终的识别结果，即 算法出处 算法 识别率 ifg.(X)=max∑h4 thenX∈c. 三视角+视角转换模型 93.00 文献[6] 2实验结果与分析 四视角+视角转换模型 98.00 三视角+KNN融合 95.56 本文使用的是中科院自动化所提供的DatasetB 文献[7] 三视角+Rank融合 96.77 多视角数据库16]中的正面视角样本和侧面视角样 三视角+Fuz四融合 99.19 本进行实验.该数据库是一个大规模多视角的步态 库，共有124个人，每个人有11个视角(0°，18°，…， 文献[8] 双视角+三维人体轮廓描述子93.71 180°)，在3种行走条件下（普通条件、穿大衣、携带 本文算法 双视角融合 95.50