·452· 智能系统学报 第14卷 数灾难”，为了避免这一问题，先对彩色类能量图 息和时序信息进行识别；第Ⅱ类介于上述两类之 降维，采用奇异值分解(SVD)算法，选取特征值 间，静态、动态及时序信息在识别时占有的地位 之和的99.9%对应的向量，然后再进行CCA。本 相同。由表2、表3可知：R、G通道加权系数a、 文采用奇异值分解(SVD)实现PCA。 B一定时，随着B通道加权系数y减小，第I、Ⅱ、 3.1多通道彩色类能量图有效性实验 Ⅲ类及总的平均识别率均呈上升趋势，当y进一 将本文提出的CCA融合三通道表征标记为 步减小，识别率会略微下降。以a=0.5为例，y= CFR,采用像素级加权融合三通道特征得到的步 0.3相较y=0.9的情况下平均识别率提高了6.41%； 态表征标记为PFR,并对比了其他常用的步态表 第I类平均识别率提高了10.4%，第Ⅱ类平均识别 征方法，如步态能量图GEI、步态流图GFI。表1 率提高了6%，第Ⅲ类平均识别率提高了4.4%。 中CFR对应参数取值为a=0.4,B=0.6,y=0.9,6= 表2参数对本文提出算法识别率的影响 0.1;PFR对应参数取值为=0.7，v=0.1,w=0.2 Table 2 Influence of parameters on the proposed algori- thm's recognition rate % 表1本文算法表征步态特征性能对比 Table 1 Comparison of the performances of gait features aB6 ABC D E F GH I J K L平均值 representation methods % 0.50.50.10.974827042471520867460182050.67 实验组 Rankl Rank5 0.50.50.30.779857442522027847864182153.67 GEL GFI CFR PFR GEI GFI CTP PFR 0.50.50.50.581898045532130838171182156.08 A 878284 7789899488 0.50.50.70.382938246532425858370241857.08 B 91 89 91 91 91 91 96 96 0.50.50.90.183938248502423838167241856.33 C 76 76 82 82 80 80 96 96 0.70.30.10.975807040471520867459182150.42 D 26 27 49 30 34 37 12 60 22 27 55 33 28 32 83 67 0.70.30.30.779857442522028847866182454.17 F 10 17 15 16 48 31 0.70.30.50.580918245552328847970182456.58 G 15 20 25 28 45 45 0.70.30.70.383938545532423848368242157.17 H 47 6 55 67 97 85 0.70.30.90.182938345482523848170212156.33 52 57 81 60 60 67 98 88 58 54 68 68 73 84 11 表3 参数对本文提出算法每类平均识别率的影响 Table 3 K 9 15 27 39 12 18 61 58 Average recognition rates using different para- meters in the methodsproposed for each class 6 3 46 49 I 瓜 均值41.5843.0857.347.0847.1750.5876.6769.5 A-C D~G H~L 表1中，与GEI、GFI相比，Rankl指标下，CFR 0.5/0.70.5/0.30.10.975.3/75.031.0/30.551.6/51.6 0.50.70.5/0.30.30.779.3/79.335.2/35.5 53.0/54.0 将平均识别率提高了15.72%、14.22%，PFR将平 0.5/0.70.5/0.30.50.5833/84.337.3/37.854.8/55.0 均识别率提高了5.5%、4%：CFR较PFR识别率提 0.5/0.70.5/0.30.70.385.7/87.037.0/36.3 56.0/56.0 高了10.22%：Rank5指标也得到了大幅度提升。 0.5/0.70.5/0.30.90.186.0/86.036.3/35.354.6/55.4 分析表1中数据可知，本文提出的三通道彩色类 能量图作为步态表征是有效的，描述了更多有利 3.3生成类能量图时间对比 于识别的动态、静态和时序信息；提出的基于加 2.3节从理论上分析了生成表4各类能量图 权CCA融合多通道信息的步态表征包含较多有 的计算复杂度，进一步，本文在USF数据库上做 益于识别的信息，取得最优识别性能。 了生成类能量图的时间对比实验。在多数情况 3.2参数对本文提出的表征方法性能的影响 下，单幅类能量图生成时间很短，为便于记录及 权值参数a、B、6、y影响本文提出算法的识 对比分析，表4中的时间为Gallery组（即训练 别性能。为了分析参数取值对识别性能的影响， 组)生成类能量图时间的总和，通过表4中数据可 进行了81组实验，参数取值范围为0.10.9，表2 知，实验结果与计算复杂度的理论分析一致。生 给出了10组参数的实验结果。 成CFR、PFR时间相对较长，但在本实验平台下， 将测试的对象A~L分为3类：第I类，要依 每秒仍能处理90帧以上数据图像，可以满足实时 靠静态信息进行识别；第Ⅲ类，主要依靠动态信 步态识别系统的需求。数灾难”，为了避免这一问题，先对彩色类能量图 降维，采用奇异值分解 (SVD) 算法，选取特征值 之和的 99.9% 对应的向量，然后再进行 CCA。本 文采用奇异值分解 (SVD) 实现 PCA。 3.1 多通道彩色类能量图有效性实验 α = 0.4 β = 0.6 γ = 0.9 δ = 将本文提出的 CCA 融合三通道表征标记为 CFR，采用像素级加权融合三通道特征得到的步 态表征标记为 PFR，并对比了其他常用的步态表 征方法，如步态能量图 GEI、步态流图 GFI。表 1 中 CFR 对应参数取值为 ， ， ， 0.1；PFR 对应参数取值为 u = 0.7，v = 0.1，w = 0.2。 表 1 本文算法表征步态特征性能对比 Table 1 Comparison of the performances of gait features representation methods % 实验组 Rank1 Rank5 GEI GFI CFR PFR GEI GFI CTP PFR A 87 82 84 77 89 89 94 88 B 91 89 91 91 91 91 96 96 C 76 76 82 82 80 80 96 96 D 26 27 49 30 34 37 72 60 E 22 27 55 33 28 32 83 67 F 10 10 25 17 15 16 48 31 G 15 17 23 20 25 28 45 45 H 47 60 85 61 55 67 97 85 I 52 57 81 60 60 67 98 88 J 58 54 68 37 68 73 84 71 K 9 15 27 39 12 18 61 58 L 6 3 18 18 9 9 46 49 均值 41.58 43.08 57.3 47.08 47.17 50.58 76.67 69.5 表 1 中，与 GEI、GFI 相比，Rank1 指标下，CFR 将平均识别率提高了 15.72%、14.22%，PFR 将平 均识别率提高了 5.5%、4%；CFR 较 PFR 识别率提 高了 10.22%；Rank5 指标也得到了大幅度提升。 分析表 1 中数据可知，本文提出的三通道彩色类 能量图作为步态表征是有效的，描述了更多有利 于识别的动态、静态和时序信息；提出的基于加 权 CCA 融合多通道信息的步态表征包含较多有 益于识别的信息，取得最优识别性能。 3.2 参数对本文提出的表征方法性能的影响 权值参数 α、β、δ、γ 影响本文提出算法的识 别性能。为了分析参数取值对识别性能的影响， 进行了 81 组实验，参数取值范围为 0.1~0.9，表 2 给出了 10 组参数的实验结果。 将测试的对象 A~L 分为 3 类：第Ⅰ类，要依 靠静态信息进行识别；第Ⅲ类，主要依靠动态信 息和时序信息进行识别；第Ⅱ类介于上述两类之 间，静态、动态及时序信息在识别时占有的地位 相同。由表 2、表 3 可知：R、G 通道加权系数 α、 β 一定时，随着 B 通道加权系数 γ 减小，第Ⅰ、Ⅱ、 Ⅲ类及总的平均识别率均呈上升趋势，当 γ 进一 步减小，识别率会略微下降。以 α=0.5 为例，γ = 0.3 相较 γ = 0.9 的情况下平均识别率提高了 6.41%； 第 I 类平均识别率提高了 10.4%，第Ⅱ类平均识别 率提高了 6%，第Ⅲ类平均识别率提高了 4.4%。 表 2 参数对本文提出算法识别率的影响 Table 2 Influence of parameters on the proposed algori￾thm’s recognition rate % α β δ γ A B C D E F G H I J K L 平均值 0.5 0.5 0.1 0.9 74 82 70 42 47 15 20 86 74 60 18 20 50.67 0.5 0.5 0.3 0.7 79 85 74 42 52 20 27 84 78 64 18 21 53.67 0.5 0.5 0.5 0.5 81 89 80 45 53 21 30 83 81 71 18 21 56.08 0.5 0.5 0.7 0.3 82 93 82 46 53 24 25 85 83 70 24 18 57.08 0.5 0.5 0.9 0.1 83 93 82 48 50 24 23 83 81 67 24 18 56.33 0.7 0.3 0.1 0.9 75 80 70 40 47 15 20 86 74 59 18 21 50.42 0.7 0.3 0.3 0.7 79 85 74 42 52 20 28 84 78 66 18 24 54.17 0.7 0.3 0.5 0.5 80 91 82 45 55 23 28 84 79 70 18 24 56.58 0.7 0.3 0.7 0.3 83 93 85 45 53 24 23 84 83 68 24 21 57.17 0.7 0.3 0.9 0.1 82 93 83 45 48 25 23 84 81 70 21 21 56.33 表 3 参数对本文提出算法每类平均识别率的影响 Table 3 Average recognition rates using different para￾meters in the methodsproposed for each class % α β δ γ I Ⅱ Ⅲ A ~ C D ~ G H ~ L 0.5/0.7 0.5/0.3 0.1 0.9 75.3/75.0 31.0/30.5 51.6/51.6 0.5/0.7 0.5/0.3 0.3 0.7 79.3/79.3 35.2/35.5 53.0/54.0 0.5/0.7 0.5/0.3 0.5 0.5 83.3/84.3 37.3/37.8 54.8/55.0 0.5/0.7 0.5/0.3 0.7 0.3 85.7/87.0 37.0/36.3 56.0/56.0 0.5/0.7 0.5/0.3 0.9 0.1 86.0/86.0 36.3/35.3 54.6/55.4 3.3 生成类能量图时间对比 2.3 节从理论上分析了生成表 4 各类能量图 的计算复杂度，进一步，本文在 USF 数据库上做 了生成类能量图的时间对比实验。在多数情况 下，单幅类能量图生成时间很短，为便于记录及 对比分析，表 4 中的时间为 Gallery 组 (即训练 组) 生成类能量图时间的总和，通过表 4 中数据可 知，实验结果与计算复杂度的理论分析一致。生 成 CFR 、PFR 时间相对较长，但在本实验平台下， 每秒仍能处理 90 帧以上数据图像，可以满足实时 步态识别系统的需求。 ·452· 智 能 系 统 学 报 第 14 卷