第5期 杨静，等：基于频谱分析的Procrustes统计步态识别算法 437 0.10r 一图像序列1 一一-图像序列2 0.05 一一-图像序列3 10 15 20 低频率/Hz 2 -0.05 1 -0.10 0 0.04-0.02 0.020.04 35 0 2409金八 245 250255 高频率/Hz 0.10 一运动目标1 一·一运动目标2 0.05 一一一运动目标3 0 10 0 低频Hz -0.05 -0.109 -0.040.02 0 0.020.04 0235 240 245 250 255 高埏*Hz (e)180°下序列的PMS以及PMS的低频谱和高频谱 每个子图的上部分为同一个目标的3段不同图像序列的PMS及PMS的低频幅度谱和高频幅度谐，下部分 为不同目标的3段图像序列的PMS及PMS的低频幅度谱和高频幅度谐 图4序列的PMS图，以及PMS的幅度频谐图 Fig.4 The PMS of different sequences,and their spectrum 2.3特征提取—PMS的傅里叶频谱分析(FS 通过分析PMS的频谱分量，来确定2个PMS的相似 AOPMS) 程度，相似程度以幅度谱的欧式距离来表征， 在Wang的算法s中，配置向量U1、U2之间的 从图4可以看到，同一个目标的不同样本的 Procrustes距离定义为 PMS频谱中，低频和高频几乎完全一致；但是不同 du.=18 目标样本的PMS频谱中，低频和高频则有很大的区 别.因此，本文提出的以PMS作为一种初级特征，再 式中：0≤d(U1,U2)≤1，以此来作为2个序列PMS 将对PMS进行傅里叶频谱分析的结果作为序列的 之间的差别，此值越小表明这2个序列中的目标越 最终特征，是一种非常可行的办法 相似，反之则越不相似. 由于这种计算相似性的方法不是那么准确，所 3步态识别实验 以，本文提出了利用傅里叶频谱分析来计算配置向 3.1步态识别试验设计 量之间的相似性， 中国科学院自动化所的CASIA步态数据库中， 离散傅里叶变换为] 有3个数据集：Dataset A(小规模库NLPR)、Dataset N-I X(k)= (ne帝 B(多视角库)和Dataset C(红外库).其中Dataset B 是一个大规模的，有多个视角的步态数据库，共有 逆变换为 124个人，每个人有11个视角(0°，18°，36°，…， N- (n)= ∑X(k)e0k 180°)，分别在3种运动条件下（普通条件、穿大衣、 N 携带包裹条件)采集，相同视角下，每个人在普通条 离散傅里叶变换是可逆线性变换，其相位代表 件下有6个图像序列，其他条件下各2个序列，每 旋转等信息，幅度分量代表形状信息，且高频分量对 个视频序列包含2~3个步态周期，这些彩色视频 应一些细节，低频分量对应整体形状信息.所以可以