正在加载图片...
第5期 贲硯烨,等:线性插值框架下矩阵步态识别的性能分析 ·417- ×10 10 10 10203040 5060 帧数 10 2030 40 5060 帧数 (b)经人体居中、大小归一等步骤 图2使用Z如的模数的检测效果 (a)未经人体居中、大小归一等步骤 Fig.2 Detection results using the modulus of Zernike moment Z2o ×10 10 1.2基于伪Zernike矩的步态周期检测 伪Zernike矩[s]的离散化公式为 20 3040 5060 帧数 三三R_pep(-jm,Nx,以 (b)经人体居中、大小归一等步骤 图3使用Z。的模数的检测效果 式中:p=√x2+y2表示极距,0表示极角,fx, Fig.3 Detection results using the modulus of pseudo- Zernike moment Zo y)(-1≤x≤1,-1≤y≤1)表示以坐标原点为 圆心的单位圆的灰度图像, ×103 2.5 Rm(p)= 2.0 n-1ml (2n+1-s)! (a!(-m!(m1! 1.0 0.5 p-6±VB-4c 10 2030 4050 60 2a 帧数 伪Zernike矩的优点如下:l)旋转不变性;2)鲁 棒性好,即对形状的微小改变和噪声具有鲁棒性,同 图4使用Z的模数的检测效果 Zernike矩相比,在相同阶的情况下,伪Zernike矩具 Fig.4 Detection results using the modulus of pseudo- Zernike moment Z 有更多的低阶矩,低阶矩越多,抗噪声的能力就越 强,例如当阶为5时,伪Zernike矩有21个矩,而 2 线性插值的矩阵步态识别算法框架 Zernike矩只有12个矩;3)信息表达的冗余性小:4) 信息表达的高效性,一幅图像可以用很少的伪 根据人行走时2帧之间的特征决定于前一帧和 后一帧的特征,采用牛顿线性插值法将离散的步态 Zernike矩集合很好地表示,且具有较小的均方误 序列模拟成近似连续步态,为实现识别阶段快速的 差;5)多层次表达,相关的一组伪Zernike矩的小集 匹配,通过构造特征模板将一个周期的步态序列图 合就可以有效地表示一个模式的全部形状,其中低 像表征为矩阵.牛顿线性插值法可表达成两点式,即 阶矩描述的是一个模式的整体形状,而高阶矩描述 的是模式的细节:6)能描述运动图像,可用于运动 g(x)=f(xo)- +)二和 0-x1 x1-x0 图像序列分析. 式中:(xof(xo)与(x1f(x1)表示直线上的2 仍然测试如图1所示的步态序列,采用前述图 个点 像序列预处理方法,逐帧计算伪Zernike矩Z。的模 令f。表示第n幅步态单帧图像,F。是此图像对 数,测试结果如图3所示.利用伪Zernike矩的优点 应的特征,即t时刻恰好对应第n幅步态图像: 6),在前述预处理的标准中心化之前逐帧计算伪 F(t)=F,t=n. 通过牛顿线性插值构造出第n帧和第n+1帧 Zernike矩Z的模数,测试结果如图4所示. 之间的特征为(b)经人体居中、大小归一等步骤 图 2 使用 Z20 的模数的检测效果 Fig. 2 Detection results using the modulus of Zernike moment Z20 1.2 基于伪 Zernike 矩的步态周期检测 伪 Zernike 矩[ 15 ]的离散化公式为 Z p nm = n + 1 π ∑ 1 x = -1∑ 1 y = -1 Rnm(ρ)exp( - jmθxy)f(xꎬy). 式中: ρ = x 2 + y 2 表示极距ꎬ θxy 表示极角ꎬ f(xꎬ y)( - 1 ≤ x ≤ 1ꎬ - 1 ≤ y ≤ 1) 表示以坐标原点为 圆心的单位圆的灰度图像ꎬ Rnm(ρ) = ∑ n-| m | s = 0 (( - 1) s (2n + 1 - s)! s! (n - m - s)! (n + m + 1 - s)! × ρ n-s - b ± b 2 - 4ac 2a ). 伪 Zernike 矩的优点如下:1)旋转不变性ꎻ2)鲁 棒性好ꎬ即对形状的微小改变和噪声具有鲁棒性ꎬ同 Zernike 矩相比ꎬ在相同阶的情况下ꎬ伪 Zernike 矩具 有更多的低阶矩ꎬ低阶矩越多ꎬ抗噪声的能力就越 强ꎬ例如当阶为 5 时ꎬ伪 Zernike 矩有 21 个矩ꎬ而 Zernike 矩只有 12 个矩ꎻ3)信息表达的冗余性小ꎻ4) 信息表 达 的 高 效 性ꎬ 一 幅 图 像 可 以 用 很 少 的 伪 Zernike 矩集合很好地表示ꎬ且具有较小的均方误 差ꎻ5)多层次表达ꎬ相关的一组伪 Zernike 矩的小集 合就可以有效地表示一个模式的全部形状ꎬ其中低 阶矩描述的是一个模式的整体形状ꎬ而高阶矩描述 的是模式的细节ꎻ6) 能描述运动图像ꎬ可用于运动 图像序列分析. 仍然测试如图 1 所示的步态序列ꎬ采用前述图 像序列预处理方法ꎬ逐帧计算伪 Zernike 矩 Z p 10 的模 数ꎬ测试结果如图 3 所示.利用伪 Zernike 矩的优点 6)ꎬ在前述预处理的标准中心化之前逐帧计算伪 Zernike 矩 Z p 53 的模数ꎬ测试结果如图 4 所示. (a)未经人体居中、大小归一等步骤 (b)经人体居中、大小归一等步骤 图 3 使用 Z p 10 的模数的检测效果 Fig.3 Detection results using the modulus of pseudo ̄ Zernike moment Z p 10 图 4 使用 Z p 53 的模数的检测效果 Fig.4 Detection results using the modulus of pseudo ̄ Zernike moment Z p 53 2 线性插值的矩阵步态识别算法框架 根据人行走时 2 帧之间的特征决定于前一帧和 后一帧的特征ꎬ采用牛顿线性插值法将离散的步态 序列模拟成近似连续步态ꎬ为实现识别阶段快速的 匹配ꎬ通过构造特征模板将一个周期的步态序列图 像表征为矩阵.牛顿线性插值法可表达成两点式ꎬ即 g(x) = f(x0 ) x - x1 x0 - x1 + f(x1 ) x - x0 x1 - x0 . 式中: (x0 ꎬf(x0 )) 与 (x1 ꎬf(x1 )) 表示直线上的 2 个点. 令 f n 表示第 n 幅步态单帧图像ꎬ Fn 是此图像对 应的特征ꎬ即 t 时刻恰好对应第 n 幅步态图像: F(t) = Fn ꎬ t = n. 通过牛顿线性插值构造出第 n 帧和第 n+1 帧 之间的特征为 第 5 期 贲晛烨ꎬ等:线性插值框架下矩阵步态识别的性能分析 􀅰417􀅰
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有