一种基于确定学习理论的与视角无关的步态识别方法
【专利摘要】本发明公开了一种基于确定学习理论的与视角无关的步态识别方法，属于模式识别【技术领域】。该方法包括以下步骤：预处理；特征提取；基于提取的步态特征，对训练集里不同视角下的步态系统动态进行神经网络建模、辨识；建立常值神经网络；构建动态估计器，利用不同视角下的步态模式之间在步态系统动力学上的差异，根据最小误差原则实现对测试模式的准确分类识别。本发明能够实现对不同视角下人体步态系统动态的局部准确建模和辨识，同时将不同视角下的步态模式组成一个统一的训练步态模式库，能够克服现有方法对于不同视角下的步态模式要分别构建对应训练集进行识别的问题，实现与视角无关的步态识别，具有更高的鲁棒性和实用性。
【专利说明】一种基于确定学习理论的与视角无关的步态识别方法
【技术领域】
[0001]本发明属于模式识别【技术领域】，具体涉及一种基于确定学习理论的与视角无关的步态识别方法。
【背景技术】
[0002]人体步态识别作为一种新兴的生物特征识别技术，旨在从相同的行走行为中寻找和提取个体之间的变化特征，以实现自动的身份识别。人体行走运动的关节角度变化包含着丰富的个体识别信息，同时人体行走运动很大程度上依赖于身体外形轮廓随着时间的形状变化。这种变化反映了个体独有的运动方式，能够有效进行身份识别。通过对步态的分析，我们可以得到身份、性别、种族等多种有用信息。近年来，随着公共场所的安全形势越来越严峻，大量的监控摄像头已经被广泛应用于银行、商场、办公楼、地铁站、机场、火车站等场所。但是目前的监控系统一般只能用来记录发生的事件，很难起到预警和报警作用，因此智能视觉监控越来越受到重视。理想的智能监控系统应该能够自动分析摄像机采集到的视频图像数据，对数据进行理解。当发现具有异常行为的人时，系统能及时准确的发出警报。这就要求监控系统不仅能判断监控场景中人的位置和行为，而且还需要分析获取这个人的身份特征信息。在监控场景中对行人进行身份识别时，距离往往比较远，所以难以获取特征。常用的生物特征如虹膜、指纹、手形、声音、签名等因为需要近距离或接触式获取，因此无法用于监控场景进行人的身份识别。人脸虽然在一定程度上可以从远距离获取，但是这个距离不能太远。由于步态是一种可以从远距离获取的难于隐藏和伪装的生物特征，其识别技术已经成为计算机视觉与模式识别领域一个重要的研究方向。
[0003]在监控场景中进行步态识别时，最大的难点之一在于视角变化所带来的影响。由于监控摄像头通常安装在固定的位置，而监控场景中被识别对象的行走方向是随机的，不可能按照步态识别系统设计者规定的方向行走，视角问题是步态识别无法逃避的问题。视角变化后，摄像机获取到的行人的外形轮廓会发生很大的变化。从目前的研究来看，很多步态识别方法在固定视角下或者视角变化幅度不大时可以取得很好的识别性能，但在视角变化较大时无法处理行人外形轮廓发生的较大变化，对视角变化的鲁棒性不足，很多已有方法的识别性能会大大降低甚至失效。
【发明内容】
[0004]本发明的目的是克服上述已有方法对视角变化鲁棒性不足的缺点，为不同视角下的人体步态提供一种更为简洁准确的，能够适应大幅度视角变化的基于确定学习理论的识别方法。
[0005]步态识别本质上可以看作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之一。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，C.Wang等提出了确定学习理论，其中包括对非线性动力学系统产生的动态模式的辨识、表达和快速识别方法，即通过确定学习获得动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间的相似性定义，并提出了对动态模式进行快速识别的一套新方法。
[0006]本发明将确定学习理论应用于对不同视角下获取到的人体步态系统动态进行局部准确建模和辨识，所学习到的步态动力学知识以常值神经网络权值的形式存储，利用不同视角下步态模式之间在步态动力学上的差异实现与视角无关的步态识别。
[0007]本发明的具体技术方案通过如下步骤实现:
[0008]步骤一、预处理；
[0009](I)形态学处理:
[0010]对训练集和测试集里每一个人在不同视角下的行走视频图像，依次进行前景检测、背景分离，对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；
[0011](2)轮廓提取:
[0012]利用8连通分量分析的方法来提取一个单连通的运动目标，即人的侧影，去除残余噪声，从而获得更优的二值轮廓图；
[0013](3)图像归一化:
[0014]根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素，提取每一个人在不同视角下的人体步态轮廓序列。
[0015]步骤二、特征提取；
[0016](I)步态周期检测:
[0017]利用人体轮廓的高度和宽度随时间发生同步周期性改变的特性，通过人体轮廓的高度与宽度比值的变化信号来划分步态周期；
[0018](2)提取四个不同的人体轮廓宽度特征，构成一组步态特征变量。
[0019]将人体轮廓至上而下等分为第一子区域、第二子区域、第三子区域和第四子区域，提取每一帧轮廓图像下肢区域中第三子区域的最大轮廓宽度值W/、每一帧轮廓图像下肢区域中第四子区域的最大轮廓宽度值Wd2以及整体轮廓的平均轮廓宽度值Wd3和中间轮廓宽度值Wd4等四个特征，构成一个特征变量X = [W/，Wd2, Wd3, Wd4]τ。
[0020]步骤三、非线性步态系统动态的建模和神经网络辨识；
[0021]根据步骤二提取出来的步态轮廓宽度特征对非线性步态系统动态建模，设计RBF神经网络辨识器实现对步态系统未知动态的局部准确逼近。
[0022]步态系统动态的建模如下:
[0023]i.= F(x: ρ) + ?<-Υ； ρ)，
[0024]其中，X = [X1,…，xn]T e Rn是获取到的步态轮廓特征，ρ是系统常参数值。
[0025]F(x ；ρ) = [ΑΟ^ρ)，...，^^;?)]1是光滑且未知的非线性动态变量，代表了不同人在不同视角下的步态系统动态，V (X ；p) = [V1 (x ；p),..., Vn (x ^丨^是建模不确定项，由于建模不确定项V (X ；p)和步态系统动态F (X ；p)无法互相解耦，因此，将二者合并为一项:
[0026]φ(χ;ρ):=Ρ(χ；ρ) + ν(χ;ρ),并定义为一般非线性步态系统动态。步骤三中的神经网络辨识器用于辨识φ?-r, ρ) = [φ, (x； p\….>φη (x； ρ)? =
[0027]神经网络辨识器的形式如下:
[0028]X = — ,4(i — x) + W1 S(x),
[0029]其中，? = [.?ν..，-?是神经网络辨识器的状态；A = diagta^…，an]是对角矩阵，
Bi是设计的常数，满足0< I ai I <1 ； #rS(X) = [#,Γ5,(X),..., WnrSa(X)Jr是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态S(x) = [S1O X-11 , -,SN( Χ-ξη| I]τ是高斯型径向基函数；Ν>1是神经网络结点数目；ξ i是神经元中心点；RBF神经网络权值的调节律如下:
[0030]W1 = ^r1S(X)X1，I = 1，…?
[0031]其中:X1 =I1-Xi是状态误差，Γ j = Γ / > O, σ.> O是调节律的调节参数，动态RBF神经网络的权值$的初始值乘(O) = 0.
[0032]RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界并指数收敛，其中RBF神经网络的权值收敛有两种情况:沿步态特征数据回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；远离步态特征数据回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。
[0033]对一般非线性步态系统动态局部准确建模可由如下公式表示:
[0034]
φ,(χ； p) = WlrS(x) + eil f
[0035]其中，εη是逼近误差。这里的局部准确建模是通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。
[0036]步骤四、常值神经网络的建立；
[0037]根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后的一段时间内各权值的均值作为学习训练结果，并利用这些结果建立常值神经网络，所学到的动态知识以常值神经网络权值的形式存储。将不同人在不同视角下的步态模式组成一个统一的训练模式库。
[0038]获取相应的神经网络常值权值PT =[,,…，lFn]T ,由如下式子表征:
[0039]W1 = mean!(’
[0040]其中，[ta, tb]代表神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段。这样使得可以由常值神经网络if錢X)进行局部准确逼近:
[0041]
Pi(XlP) = Wi1 S(x)+ εα,
[0042]其中，ei2是逼近误差。
[0043]步骤五、分类识别；
[0044]利用常值神经网络构建一组动态估计器，把步骤三和步骤四学习到的每一个人在不同视角下的步态模式所对应的非线性步态系统动力学知识嵌入到估计器中，把测试模式与这组估计器做差，形成一组识别误差，根据最小误差原则把测试模式准确识别出来。其具体步骤如下:
[0045](I)根据步骤四所获取的统一的训练模式库中每个人在不同视角下一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值flf.构造一组动态估计器，表述如下:
[0046]I* =稱為?* ■ Xfi) +， ι=1?.*%λ? =，
[0047]其中，X i为动态估计器的状态，bi为动态估计器参数，Xti为测试集中测试模式的特征数据，M为统一训练模式库中模式的数量。
[0048](2)将测试集中测试模式的特征数据Xti与这组估计器做差，得到如下的识别误差系统:
[0049]
X,1 = ^hXi + Si(Xli)-φΧχ;ρ), /= I,.**,? ? =
[0050]其中，Zi+ = I/ - -V,是状态估计误差，计算方的平均L1范数如下:
[0051 ] Xik(t) =^rf.\χ"(Φr, t>T€,
IH I
[0052]其中，T。表示步态周期，由步骤二获取。
[0053](3)如果测试集中待识别的某个人出现在某一包含于统一的训练模式库里的视角下的步态模式相似于训练步态模式s (s e {I,…，k})，则嵌入动态估计器s中的常值RBF神经网络(X)能够快速回忆起学过的知识并提供对步态动力学的准确逼近。因此，相对应的误差I名Λ(/|在所有误差⑴Ii中变得最小。基于最小误差原则,这一出现的待识别人能被快速分类识别出来。识别策略如下:
[0054]如果存在一个有限时间ts，S e {1，…，k}和某一 i e {I,...,η},使得Ircol < if (ο对所有t>ts成立，则出现的测试步态模式可以被分类识别出来。
s“I
[0055]本发明与现有技术相比，具有如下优点和有益效果:
[0056]1、将不同视角下获取的步态模式组成一个统一的训练模式库，能够克服现有方法对于不同视角下的步态模式要分别构建对应训练集的问题，具有更高的鲁棒性和实用性，能够实现大幅度视角变化下的步态识别；
[0057]2、提取的四个轮廓宽度特征，能够准确地反映视角变化对人体步态系统动力学的影响，减少用于识别步态的特征维数；
[0058]3、与传统的步态识别方法相比，本发明对不同视角下的非线性步态系统动态局部准确建模，所学习到的步态动力学知识以常值神经网络权值的形式存储，利用不同视角下步态模式之间在步态动力学上的差异实现与视角无关的步态识别。
【专利附图】
【附图说明】
[0059]图1是本发明提出的一种基于确定学习理论的与视角无关的步态识别方法的流程图。
[0060]图2是实施例中步态特征提取示意图，图中，将人体轮廓自上而下等分为第一子区域、第二子区域、第三子区域和第四子区域这四个子区域，Al表示第一子区域，A2表示第二子区域，A3表示第三子区，A4表示第四子区域。
[0061]图3是实施例中采用的RBF神经网络的拓扑结构示意图。
[0062]图4是实施例中神经网络权值的收敛情况。
【具体实施方式】
[0063]下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0064]实施例
[0065]如图1所示，一种基于确定学习理论的与视角无关的步态识别方法，包括以下步骤:
[0066]步骤一:预处理过程如下:
[0067]本发明采用的步态数据库是中国科学院自动化研究所的CASIA Dataset B数据库。该数据库共包含124个人，每个人分别有11个不同的视角(0°，18° ,36° ,54° ,72°，90° ,108° ,126° ,144° ,162° ,180° )，每个视角分别拍摄6个正常行走的序列，共有124X11X6 = 8184个序列，选取其中三个序列作为训练模式，剩下的三个序列作为测试模式。原始视频尺寸为320X240像素，采样频率是30Hz。该数据库已经将背景分离，本发明要做的工作是在这基础上进行预处理，从而进行步态周期检测以及轮廓宽度特征的提取。
[0068](I)形态学处理；
[0069]对训练集和测试集里每一个人在不同视角下的行走视频，依次进行前景检测、背景分离，对已经背景分离的人体运动目标图像进行形态学处理，以去除二值化图像存在的空洞，获得更优的分割效果；
[0070]由于天气、光照、影子等其它外界因素的影响，背景分离后的图像中难免会存在噪声，因此还需要对图像做进一步处理，以获得最佳的分割效果。本发明使用形态学滤波来消除二值图像中的噪声并填补运动目标的缺失。作为一种常用的图像滤噪方法，形态学用于图像滤波的最基本运算是膨胀与腐蚀，由膨胀与腐蚀的相互结合又派生出另外两种运算:开运算和闭运算。开运算可平滑对象的凸轮廓，断开狭窄的连接，去掉细小的突起部分；闭运算可平滑对象的凹轮廓，将狭长的缺口连接成细小的弯口，利用这个性质可以实现滤波和填充空洞的目的。
[0071](2)轮廓提取；
[0072]经形态学处理后，仍可能存在部分杂散噪声形成大小不一的块，而真正的运动目标往往是这些块中最大的。因此对图像进一步进行连通域分析，即利用8连通分量分析的方法来提取一个单连通的运动目标，目的在于仅保留图像中的运动目标，从而获得更优的二值轮廓图。
[0073](3)图像归一化；
[0074]根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64*64像素，提取每一个人各个视角下的人体步态轮廓序列。
[0075]步骤二:特征提取
[0076](I)步态周期检测；
[0077]利用人体轮廓的高度和宽度随时间发生同步周期性改变的特性，通过人体轮廓的高度与宽度比值的变化信号来划分步态周期；
[0078](2)提取四个不同的人体轮廓宽度特征，构成一组步态特征变量；
[0079]如图2所示，将人体轮廓至上而下等分为第一子区域Al、第二子区域A2、第三子区域A3和第四子区域A4这四个子区域；提取每一帧轮廓图像下肢区域第三子区域A3和第四子区域A4的最大轮廓宽度值Wd1, Wd2以及整体轮廓的平均轮廓宽度值Wd3和中间轮廓宽度值Wd4等四个特征，构成一个特征变量X = [Wd1, Vd2, Vd3, Wd4]τ,步态轮廓特征的提取如图2所示，其计算如下所示:
[0080]吧,=,?■)*
Lw。^」m://,則
** 4
[0081]W:= nfX (為2—O
L 」Yt\\ //,//]
[0082]= mcan{ Kl - X\)，
[0083],: = ^dianiXl — JCir)，
[0084]其中:H为人体轮廓高度，Y为纵轴坐标，X为横轴坐标，如图2所示，J4表示人体轮廓最左侧的像素点坐标，-^Y表示人体轮廓最右侧的像素点坐标。
[0085]步骤三:非线性步态系统动态的建模和神经网络辨识；
[0086](I)设计神经网络辨识器；
[0087]采用动态RBF神经网络构造神经网络辨识器，对非线性步态系统动态进行学习的拓扑结构图如图3所示，动态RBF神经网络辨识器形式如下:
[0088]X = -A(x -x) + Wl S(x),
[0089]其中，? = [-?ν..，---]是神经网络辨识器的状态；A = diag[0.8，-,0.8]是对角矩阵，屮=0.8是设计的常数；#%(*) =_%(珠…,#/S,,(x)f是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态例>;P) ； S(x) = [S1 ( X-11 , -,SN( Χ-ξη| ]τ是高斯型径向基函数；Ν = 83521是神经网络结点数目；ξ 1是神经元中心点；神经元均匀分布在区域[-1，I] X [-1，I] X [-1，I] X [-1，I]之内，且宽度取0.15。RBF神经网络权值的调节律如下:
[0090]Jf-=—厂S(X)X1 — ^riWi, 1 = 1,...,? ,
[0091]其中:f,.=X1 -.巧是状态误差，Γ i = 15，σ j = 0.3是调节律的调节参数，动态RBF神经网络的权值I;的初始值味(O) = O?
[0092]对一般非线性步态系统动态局部准确建模可由如下公式表示:
[0093]
φ,(χ: p) = IVrS(X)+ S11,
[0094]其中，ε η是逼近误差，这里的局部准确建模是通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近，在一段时间内权值收敛至常值(最优值)，其学习阶段神经网络权值的收敛情况如图4所示，靠近系统轨迹的神经元的权值满足部分持续激励条件，从而收敛到其最优值；而远离系统轨迹的神经元受激励的程度很小而几乎不被调节，基本上保持在零的小邻域内。
[0095]步骤四:常值神经网络的建立；
[0096]_(Χ;ρ)可以由常值神经网络HfS(X)进行局部准确逼近:
[0097]
φ( (λ.; p) = W/S (χ) + Si,
[0098]其中，ε?2是逼近误差。
[0099]步骤五:分类识别；
[0100]利用常值神经网络构建一组动态估计器，把从步骤三和步骤四中学习到的训练步态系统动力学知识嵌入到估计器中，把测试模式与这组估计器做差，形成一组识别误差，根据最小误差原则把测试模式准确识别出来，其具体步骤如下:
[0101](I)根据步骤四所获取的统一的训练模式库中每个人在不同视角下一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值if，构造一组动态估计器，表述如下:
[0102]χ? = -/λ(j/ -Xli) + WjkSixlj) * I =1,.**>λ * k = I,...,M ?
[0103]其中，X i为动态估计器的状态，bi = -30为动态估计器参数，Xti为测试集中测试模式的特征数据，M为统一训练模式库中模式的数量，M = 124X11X3 = 4092。
[0104](2)将测试集中测试模式的特征数据Xti与这组估计器做差，得到如下的识别误差系统:
[0105]
Xi = + ^ik 7 Si (-?) - φ,?χ: P), i = l …,n, k = \,…,M ,
[0106]其中，Zf = Zf -^是状态估计误差，计算歹/的平均L1范数如下:
[0107]/J(θ| = jr|:.n Z,k{τ)\?τ , t>Tc,
[0108]其中，T。表示步态周期。
[0109](3)如果测试集中某个人出现在某一视角下的步态模式相似于训练步态模式s(s e {1，...Λ})，则嵌入动态估计器S中的常值RBF神经网络,f S1i(X)能够快速回忆起学过的知识并提供对步态动力学的准确逼近。因此，相对应的误差在所有误差中变得最小。基于最小误差原则，这一出现的人能被快速分类识别出来。
[0110]如表I所示，是本发明中进行识别实验的识别率表格，采用CASIA Dataset B数据库，建立的统一的训练模式库中包含所有124个人在11个视角下的行走模式，对测试集中所有124个人的11个视角逐一进行识别实验。
[0111]
—\v I 54s , 72^ , 90° , 108。, 126β ， 14.Γ , 162。,
_试姐 180J Ji< 11个视ft} KW少态，^ 124X11X3=4092
I个_练投式
Ou (? 124X3=372 个测U:校式)I55.4
18。(共 124X3=372 个测试校_rD I44 4
36° U1、: 12:1X3=372 个测试校j-D I66.7.....................................................................................................................................................................................................J---
540(典 124 X 3-372 个测试 K式)」_ 77.7
ΤΓ( Jla 24 X 3-372 个测试校式)|77.7
90u(}l<124χ3'Ι3"72个测试投式)I877g
108°(九I別X3:372个测试校式)|■:?
1:14:(丼127x3=372 个测试校式)75.8
Wr (并12.彳X3=372个测试校式)I76.6
180° ( J1、.124X3=372 1、测试校式)I57.8
[0112]表I
[0113]上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
【权利要求】
1.一种基于确定学习理论的与视角无关的步态识别方法，其特征在于，包含如下步骤: 步骤一、预处理； (1)形态学处理: 对训练集和测试集里每一个人在不同视角下的行走视频图像，依次进行前景检测、背景分离，对已经背景分离的人体运动目标图像进行形态学处理，去除二值化图像中存在的空洞，获得更优的分割效果； (2)轮廓提取: 利用8连通分量分析的方法，提取一个单连通的运动目标，即人的侧影，去除残余噪声，从而获得更优的二值轮廓图； (3)图像归一化: 根据人体轮廓坐标裁剪出标准的步态图像，得到尺寸归一化图像，其中，图像的大小统一为64X64像素，提取每一个人不同视角下的步态轮廓序列； 步骤二、特征提取； (1)步态周期检测: 利用人体轮廓的高度和宽度随时间发生同步周期性改变的特性，通过人体轮廓的高度与宽度比值的变化信号来划分步态周期； (2)提取四个不同的人体轮廓宽度特征，构成一组步态特征变量； 步骤三、非线性步态系统动态的建模和神经网络辨识； 根据步骤二提取出来的步态轮廓宽度特征对训练集里每一个人在不同视角下的步态模式所对应的未知非线性步态系统动态建模，设计RBF神经网络辨识器，对步态系统未知动态的局部进行逼近； 步骤四:常值神经网络的建立； 根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内各个权值的均值作为学习训练结果，并利用所述学习训练结果建立常值神经网络，所学到的步态动力学知识以常值神经网络权值的形式存储，将不同人在不同视角下的步态模式组成一个统一的训练模式库； 步骤五:分类识别； 利用常值神经网络构建一组动态估计器，把步骤三和步骤四学习到的训练集里每一个人在不同视角下的步态模式所对应的非线性步态系统动力学知识嵌入到估计器中，把测试集里待识别的某个人出现在某一包含在统一的训练模式库里的视角下的测试模式与这组动态估计器做差，形成一组识别误差，根据最小误差原则把测试模式准确分类识别出来，进行与视角无关的步态识别。
2.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤二中，所述人体轮廓宽度特征的提取方法为:将人体轮廓至上而下等分为第一子区域、第二子区域、第三子区域和第四子区域，提取每一帧轮廓图像下肢区域中第三子区域的最大轮廓宽度值W/、每一帧轮廓图像下肢区域中第四子区域的最大轮廓宽度值W/、整体轮廓的平均轮廓宽度值Wd3和中间轮廓宽度值Wd4，构成一组特征变量X = [W/，Wd2，Wd3，Wd4]TO
3.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤二中，所述步态轮廓宽度特征数据具有回归性质，在相空间构成回归轨迹；所述回归轨迹包括由非线性系统产生的周期轨迹、类周期轨迹和混沌轨迹，所述步态轮廓宽度特征数据从回归轨迹上任一点出发，都能在一段有限时间内回归到该点的一个有限邻域之内，所述具有回归性质的步态轮廓宽度特征数据存在于人体步态中。
4.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤三中，所述非线性步态系统动态的建模方法如下:
X - F(x； p) + v(x: p), 其中，X = [X1,…，Xn]T e Rn是获取到的步态轮廓特征，P是系统常参数值； F(x ；p) = Lf1 (x ；p),-,fn(x ;p)]T是光滑且未知的非线性动态变量，表示不同人在不同视角下的步态系统动态，v(x ；p) = [V1 (x ；p),..., Vn (x ^!^是建模不确定项；将建模不确定项v(x ；p)和步态系统动态F(x ；p)合并为一项:φ(χ;P):= f(x;P) + v(x;P)，并定义为一般非线性步态系统动态； 在步骤三中，所述神经网络辨识器用于辨识:φ(χι ρ)=?ψι U-; ρ),'",φ? p)lr t 在步骤三中，所述神经网络辨识器的表达形式如下:
i = -A{x^x) + WTS(x), 其中，i = [i,，…4,,]是神经网络辨识器的状态;A = diag[ai，…，an]是对角矩阵，a,是设计的常数，满足0〈 I I〈I ;萨—S(x) = [J^lrSl(X),…龙―％(χ)?是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态剩>;/0; S(X) = [S1 (I X-11 , -,SN( |Χ-ξη|『是高斯型径向基函数；Ν>1是神经网络结点数目；ξ 1是神经元中心点；所述RBF神经网络权值的调节律如下:
Wi = ^TjS(X)Xi — σ,Γ,病，i = Ii…,Λ ? 其中，I1 =Xf-Xi是状态误差，r i = Γ ^>0, O ^0, O i是调节律的调节参数，动态RBF神经网络的权值_的初始值乘.(O): O ?,
5.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤三中，所述RBF神经网络权值的调节律根据李雅普洛夫稳定性定理和确定学习理论进行设计，使状态误差与权值估计都有界并指数收敛，其中，所述RBF神经网络的权值收敛有两种情况: 第一种情况:沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内； 第二种情况:远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。
6.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤三中，所述对一般非线性步态系统动态的局部准确建模由如下公式表示:φ^χ?ρ) = ^]15(χ) + εη, 其中，ε η是逼近误差，这里的局部准确建模是通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。
7.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤四中，所述常值神经网络权值是指在一段时间内权值收敛至最优的常值，选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值, =，所述神经网络常值由如下式子表示:
Wi=HteanlllljjJVi, 其中，[ta，tb]代表神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，使炉知;妁由常值神经网络if s(x)进行局部准确逼近:φ;(χ: p) -1F7S(X) + 2, 其中，Si2是逼近误差。
8.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤四中，所述常值神经网络if s(匀是时不变的也是空间分布的，即有效的信息只存贮在靠近步态特征数据的内在系统动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿步态特征数据空间轨迹的内部动态，远离轨迹的内部动态没有被逼近；对训练集里每一个人在不同视角下的步态系统动态都利用RBF神经网络进行辨识，学习到的步态系统动力学知识以常值神经网络权值形式存储起来，构成一个统一的训练模式库。
9.根据权利要求1所述的基于确定学习理论的与视角无关的步态识别方法，其特征在于，在步骤五中，所述分类识别方法的步骤如下:(1)根据权利I中步骤四所获取的统一的训练模式库中每个人在不同视角下的一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值if,构造一组动态估计器，表述如下: f/ = —— Xtf) + W^S(Xli), I=Is..k = \,…M ’ 其中，X i为动态估计器的状态，bi为动态估计器参数，Xti为测试集中测试模式的特征数据，M为统一训练模式库中模式的数量；(2)将测试集中测试模式的特征数据Xti与这组估计器做差，得到如下的识别误差系统:
?式._^ TZ1 = ^b1Xi + IV1 Sl(Xri)-φ^χ:ρ)? ? = 1,.*.5Λ ? k =? 其中，t = Jf _~是状态估计误差，计算的平均L1范数如下: I11 =务|二 Jji^)\iΓ? i>T￡f 其中，Tc表示步态周期，由所述步骤二获取； (3)如果测试集中待识别的某个人出现在某一包含于统一的训练模式库里的视角下的步态模式相似于训练步态模式s，所述s e {1，…，k}，则嵌入动态估计器s中的常值RBF神经网络快速回忆起学过的知识并提供对步态动力学的准确逼近；因此，相对应的误差在所有误差||矛/(“I中变得最小，基于最小误差原则，出现的待识别人能够被快速分类识别出来，识别策略如下: 如果存在一个有限时间ts, s e {I,...，k}和某一 i e {I,...，η}，使_、⑴||丨<||名*(崎对所有t>ts成立，则出现的测试步态模式可被分类识别出来。
【文档编号】G06K9/66GK104134077SQ201410329222
【公开日】2014年11月5日 申请日期:2014年7月10日 优先权日:2014年7月10日
【发明者】曾玮, 王聪 申请人:华南理工大学