正在加载图片...
.418 智能系统学报 第8卷 F(t)=(n+1-t)F.+(t-n)Fa1, 3 实例化 n<t<n+1. (2) 式中:F+1为第n+1帧步态图像的特征 本节分别用投影特征、Hough变换特征、Trace 通过对一个步态周期内的图像进行加权积分, 变换特征和Fan-Beam映射特征将F(t)进行实例 得到一个步态周期序列图像的特征: 化.投影特征在降维中使用经典主成分分析方法,其 他特征则采用广义主成分分析方法.实验环境为 G,=7F()0(o,)d (3) Pentium(R)Dual-Core CPU E5200@2.50GHz、 式中:T表示该周期序列的周期,心是频率,t为时 2.O0GB内存的PC机,研究对象为CASIA(B)库的 间,Q(w,t)为加权函数: 侧面视角(目标运动方向与摄像机的光轴方向垂 Q(w,t)=1 +j+cos(wt)+jsin(wt).(4) 直)的步态样本,每人正常行走状态下取6个样本, Q(0,t)既包括描述静态结构信息的特征(式 前3个样本用于训练,后3个样本用于测试,使用最 (4)中的前2项),又包括描述动态运动信息的特征 近邻(nearest neighbor,NN)分类器测试识别率来评 (式(4)中的后2项).关于心值的选择将在第3节 价各种特征的有效性[). 的实例中提到. 3.1投影特征 由式(2)~(4)的连续步态离散化得 由于投影特征简单、直观,可以看成是矩阵的一 1 A-1n+I 种特例.首先将F(t)实例化为投影特征,选取式(5) 之J(n+1-)F.+(t-n)F)× Cr= 中合适的心值.单帧步态图像的特征是投影角度为 (1 cos(wt)+j(1 sin(wt))dt.(5) 0°、45°、90°和135°的单一角度和组合角度的投影. 式(5)即是线性插值的矩阵步态识别算法框 表1给出了不同个体在各个角度下的投影特征 架,该框架实现简单,将特征F。(F+1)进行实例化 用欧氏距离度量的相似度结果,其中0xy-z代表第 来实现新的步态识别算法, (10x+y)个人的第z段视频。 表1采用欧氏距离的相似度量 Table 1 Similarity measured by Euclidean distance 0° 45 90° 135 角度 个体 001-1 001-2 020-1 001-1 001-2 020-1 001-1 001-2 020-1 001-1 001-2 020-1 001-1 24 39 245 244 241 292 297 295 226 231 238 0° 001-2 24 0 26 244 242 240 287 292 290 224 230 236 020-1 39 26 235 231 275 281 277 218 223 228 001-1 245 244 237 26 115 115 117 44 40 40 45° 001-2 244 242 235 117 117 119 45 42 41 020-1 241 240 2 52 47 39 001-1 292 287 275 115 23 123 116 111 90° 001-2 297 292 28 11 117 11 21 124 117 111 020-1 295 290 2 127 120 112 001-1 226 224 218 45 52 123 124 127 17 27 1359 001-2 231 230 223 40 42 47 116 117 120 17 0 25 020-1 238 236 228 40 41 39 111 111 112 27 25 0 从表1中得出:特定角度的特征只与其相同 n(1≤n≤16,n∈N),分别测试在单一角度和组 的测试角度的特征具有很高的相似性,而与其他 合角度下的识别率,结果如图5所示.可以看出:当 角度的投影特征相差很大,同一角度不同人的特 n=5,即0=5π/16T时,单一角度投影和组合角度 征也具有很好的聚类性.改变频率o=nπ/16T的 投影都能得到最佳的识别率,且组合角度投影优于F(t) = (n + 1 - t)Fn + (t - n)Fn+1 ꎬ n < t < n + 1. (2) 式中: Fn+1 为第 n+1 帧步态图像的特征. 通过对一个步态周期内的图像进行加权积分ꎬ 得到一个步态周期序列图像的特征: CT = 1 T ∫ T 0 F(t)Q(wꎬt)dt. (3) 式中:T 表示该周期序列的周期ꎬw 是频率ꎬt 为时 间ꎬ Q(wꎬt) 为加权函数: Q(wꎬt) = 1 + j + cos(wt) + jsin(wt). (4) Q(wꎬt) 既包括描述静态结构信息的特征(式 (4)中的前 2 项)ꎬ又包括描述动态运动信息的特征 (式(4)中的后 2 项).关于 w 值的选择将在第 3 节 的实例中提到. 由式(2) ~ (4)的连续步态离散化得 CT = 1 N∑ N-1 n = 1 ∫ n+1 t = n ((n + 1 - t)Fn + (t - n)Fn+1 ) × (1 + cos(wt) + j(1 + sin(wt))dt. (5) 式(5) 即是线性插值的矩阵步态识别算法框 架ꎬ该框架实现简单ꎬ将特征 Fn ( Fn+1 )进行实例化 来实现新的步态识别算法. 3 实例化 本节分别用投影特征、Hough 变换特征、Trace 变换特征和 Fan ̄Beam 映射特征将 F(t) 进行实例 化.投影特征在降维中使用经典主成分分析方法ꎬ其 他特征则采用广义主成分分析方法. 实验环境为 Pentium ( R) Dual ̄Core CPU E5200 @ 2. 50 GHz、 2.00 GB内存的 PC 机ꎬ研究对象为 CASIA(B)库的 侧面视角(目标运动方向与摄像机的光轴方向垂 直)的步态样本ꎬ每人正常行走状态下取 6 个样本ꎬ 前 3 个样本用于训练ꎬ后 3 个样本用于测试ꎬ使用最 近邻(nearest neighborꎬ NN)分类器测试识别率来评 价各种特征的有效性[1] . 3.1 投影特征 由于投影特征简单、直观ꎬ可以看成是矩阵的一 种特例.首先将 F(t) 实例化为投影特征ꎬ选取式(5) 中合适的 w 值.单帧步态图像的特征是投影角度为 0°、45°、90°和 135°的单一角度和组合角度的投影. 表 1 给出了不同个体在各个角度下的投影特征 用欧氏距离度量的相似度结果ꎬ其中 0xy ̄z 代表第 (10x+y)个人的第 z 段视频. 表 1 采用欧氏距离的相似度量 Table 1 Similarity measured by Euclidean distance 角度 个体 0° 001 ̄1 001 ̄2 020 ̄1 45° 001 ̄1 001 ̄2 020 ̄1 90° 001 ̄1 001 ̄2 020 ̄1 135° 001 ̄1 001 ̄2 020 ̄1 0° 001 ̄1 0 24 39 245 244 241 292 297 295 226 231 238 001 ̄2 24 0 26 244 242 240 287 292 290 224 230 236 020 ̄1 39 26 0 237 235 231 275 281 277 218 223 228 45° 001 ̄1 245 244 237 0 13 26 115 115 117 44 40 40 001 ̄2 244 242 235 13 0 21 117 117 119 45 42 41 020 ̄1 241 240 231 26 21 0 111 111 111 52 47 39 90° 001 ̄1 292 287 275 115 117 111 0 11 23 123 116 111 001 ̄2 297 292 281 115 117 111 11 0 21 124 117 111 020 ̄1 295 290 277 117 119 111 23 21 0 127 120 112 135° 001 ̄1 226 224 218 44 45 52 123 124 127 0 17 27 001 ̄2 231 230 223 40 42 47 116 117 120 17 0 25 020 ̄1 238 236 228 40 41 39 111 111 112 27 25 0 从表 1 中得出:特定角度的特征只与其相同 的测试角度的特征具有很高的相似性ꎬ而与其他 角度的投影特征相差很大ꎬ同一角度不同人的特 征也具有很好的聚类性.改变频率 w = nπ / 16T 的 n (1 ≤ n ≤ 16ꎬn ∈ N) ꎬ分别测试在单一角度和组 合角度下的识别率ꎬ结果如图 5 所示.可以看出:当 n =5ꎬ即 w =5π/ 16T 时ꎬ单一角度投影和组合角度 投影都能得到最佳的识别率ꎬ且组合角度投影优于 􀅰418􀅰 智 能 系 统 学 报 第 8 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有