第3期 王科俊，等：采用Radon变换和二维主成分分析的步态识别算法 ·269 远大于2DPCA;在投影时假设不进行特征向量的舍 究Radon变换中0的选取对识别性能的影响， 弃：PCA的计算复杂度为O(Nd2),行2DPCA的计 3.1行2DPCA与列2DPCA算法 算复杂度为O(Nnd),列2DPCA的计算复杂度为 根据文献[5]取o=π/2T.式(1)中，Radon变 O(Nmd).综上所述，PCA整体的计算复杂度远远大 换中角度参数0从0°~180°(180除外)每隔3°取 于2DPCA 一次，此时经Radon变换提取的步态特征维数为 60×95维.行2DPCA、列2DPCA方法的识别率与所 3 步态的训练与识别 降得的维数之间的关系如图3所示.由实验结果可 本文采用中科院自动化所提供的目标运动方向 以看出本文方法在这样的参数下，列2DPCA比行 与摄像机光轴的方向成90°的CASIA步态数据库，图 2DPCA有效，列2DPCA在列的维数降至为21时最 像库里总共124人.实验分为训练和识别2部分，每 好的识别率为0.7957. 人前3个步态序列作为训练集，后3个序列作为测试 0.80 0.75 集.在训练过程中，对一个步态周期内的单帧图像进 0.70 行Radon变换，然后通过特征模板构造，提取整个步 ￥0.65 态周期的特征，再通过2DPCA进行最小均方误差意 虽0.60 义下的最优数据压缩，训练得到2DPCA投影矩阵.在 30.55 行方向 识别过程中，对待测试序列的一个步态周期内的单帧 一列方向 图像进行Radon变换，然后通过特征模板构造提取步 0.40 20 406080100 态特征，根据训练好的2DP℃A投影矩阵将所提取出 维数 来的特征从高维空间映射转换到低维空间，最后采用 图3行、列所降的维数与识别率的关系 最近邻分类器将测试样本分到其所属类中.其中 Fig.3 Relation between dimension reduced of rows col- 2DPCA计算特征矩阵B:、B的欧式距离为 umns and recognition accuracy d(B,B)=‖B:-B,IF= 3.2w值的选取 Radon变换中0从0°~180°(180除外)每隔3° √r((B:-B)(B:-B)). 取一次，定义压缩率为投影后得到的特征维数与原 为了确定所提出方法的合理参数，做了3组实验： 始特征的维数之比.在o值分别为π/16T,2π/16T, 通过实验1研究行或列2DPCA算法对于Radon变换 …,16r/16T时，分别采用行2DP℃A和列2DPCA方 后提取的特征进行降维的有效性，通过实验2研究构 法进行实验.实验结果如表1所示. 造模板ω值的选取对识别性能的影响，通过实验3研 表1心值的选取对识别性能的影响 Table 1 Different @value and recognition accuracy w值/(rad·s1)行2DPCA识别率 行压缩率 列2DPCA识别率 列压缩率 最优的识别率 π/16T 0.3387 32/95 0.3191 57/60 0.3387 2π/16T 0.5968 73/95 0.6156 16/60 0.6156 3π/16T 0.7634 59/95 0.7769 48/60 0.7769 4m/16T 0.7957 77/95 0.8280 38/60 0.8280 5m/16T 0.7983 56/95 0.8360 40/60 0.8360 6m/16T 0.7876 52/95 0.8065 44/60 0.8065 7m/16T 0.7823 42/95 0.8011 20/60 0.8011 8π/16T 0.7661 56/95 0.7957 21/60 0.7957 9r/16T 0.7769 58/95 0.7849 14/60 0.7849 10m/16T 0.7688 45/95 0.7796 35/60 0.7796 11m/16T 0.7634 68/95 0.7796 20/60 0.7796 12π/16T 0.7527 26/95 0.7661 45/60 0.7661 13π/16T 0.7527 48/95 0.7473 40/60 0.7527 14π/16T 0.7392 37/95 0.7392 53/60 0.7392 15m/16T 0.7097 40/95 0.7070 19/60 0.7097 16m/16T 0.6720 79/95 0.6747 55/60 0.6747 当w=5π/16T时有最好的识别率为0.8360. 该值的选取与人行走的速度有关，人在正常步速时 其次是ω值为5π/16T,6m/16T、7π/16T和8π/16T. 选取上述的5个ω时应该能获得较好的识别效果