【摘要】 本发明公开了一种基于多角度步态信息融合的行人性别分类方法，该方法包括：采用0度、90度和180度三个角度步态图像，这里0度对应着行人的正面，90度对应着行人的侧面，180度对应着行人的背面；对图像进行区域划分，对每个划分的区域用椭圆进行拟合，计算椭圆参数作为步态特征；计算步态特征的男性和女性相似度；采用支持向量机方法对三个角度的相似度进行融合和分类。本发明方法的优点在于，具有较高分类正确率，对步态图像中存在的噪声具有鲁棒性，所用特征数较少，分类速度快。 【专利类型】发明授权 【申请人】北京航空航天大学 【申请人类型】学校 【申请人地址】100083 北京市海淀区学院路37号 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200810224684.8 【申请日】2008-10-23 【申请年份】2008 【公开公告号】CN101388080B 【公开公告日】2010-08-11 【公开公告年份】2010 【授权公告号】CN101388080B 【授权公告日】2010-08-11 【授权公告年份】2010.0 【IPC分类号】G06K9/62; G06K9/46 【发明人】王蕴红; 黄国昌 【主权项内容】1.一种基于融合多角度步态信息的行人性别分类方法，该方法包括以下步骤： 步骤一：背景建模； 步骤二：步态轮廓提取； 步骤三：归一化二值步态轮廓图像； 其特征在于，该方法还包括如下步骤： 步骤四：用椭圆模型提取步态特征； 采用基于椭圆模型的步态特征提取方法，对步骤三得到的二值步态轮廓图像进行区域划分，划分后的人体的每个部分用椭圆去建模，提取椭圆参数，组成步态特征向量； 步骤五：计算相似度； 根据步骤四得到的步态特征向量，计算男性和女性相似度； 首先，选取训练集，依据性别属性，将训练集进一步划分为男性训练集和女性训练集； 然后，分别计算每个角度下的男性训练集和女性训练集的特征向量平均值； 具体为：计算每个角度下的男性训练集和女性训练集的特征向量平均值， 其中，DFt(k)表示第t个序列特征向量的第k个特征与女性训练集的平均欧式距离，DMt(k)表示第t个序列特征向量的第k个特征与男性训练集的平均欧式距离，M表示男性或女性训练集中二值步态轮廓图像序列总数，St(k)表示第t个序列特征向量中的第k个特征，Sn属于女性训练集，Sm属于男性训练集，St属于测试集； 最后，计算相应角度的测试集中每个样本的特征向量与男性训练集的相似度以及与女性训练集的相似度； 具体为：平均欧式距离向量DFt和DMt被分别作为第t个步态序列的女性和男性相似度，它表示了测试序列与男性和女性训练集的相似度； 在0度和180度的情况下，DFt和DMt是20维的向量；在90度的情况下，DFt和DMt是28维的向量； 步骤六：使用支持向量机方法，即SVM方法对三个角度的相似度进行融合和分类； 首先，把三个角度0度、90度和180度下的平均欧式距离向量DFt和DMt分别表示为DFt0、DFt90、DFt180和DMt0、DMt90、DMt180； 然后，分别把表示女性和男性的平均欧式距离向量连接成特征向量CFt和CMt： 接下来，把连接后的特征向量的每一维的值都归一化到[0，1]之间： 其中，max1和min1表示由训练集中的步态序列得到的CFt的第七维的最大值和最小值； max2和min2表示由训练集中的步态序列得到的CMt的第k维的最大值和最小值； 接着再把每一维的值相加起来，得到CF″t和CM″t： 其中，N表示CF′t或者CM′t的维数； 将CF″t和CM″t连接成一个特征向量Gt： Gt＝concatenate(CF″t，CM″t) 然后，将训练集中的Gt作为SVM方法的输入，训练SVM分类器； 最后，把测试集中每个样本所对应的特征向量Sp输入训练好的分类器，得到性别分类的结果。 【当前权利人】北京航空航天大学 【当前专利权人地址】北京市海淀区学院路37号 【统一社会信用代码】12100000400011227Y 【家族被引证次数】21
