CN103577805A - 基于连续步态影像的性别识别方法 - Google Patents
基于连续步态影像的性别识别方法 Download PDFInfo
- Publication number
- CN103577805A CN103577805A CN201310518235.5A CN201310518235A CN103577805A CN 103577805 A CN103577805 A CN 103577805A CN 201310518235 A CN201310518235 A CN 201310518235A CN 103577805 A CN103577805 A CN 103577805A
- Authority
- CN
- China
- Prior art keywords
- image
- gait
- recognition methods
- methods according
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于连续步态影像的性别识别方法,包括获取行人的步态影像;将行人步态影像的图像提取前景影像;对图像做侵蚀再膨胀处理将图像去除杂讯平滑化,再将影像正规化;对影像执行撷取连续步态影像处理;对图像进行降噪处理去除杂讯;对处理后的图像提取特征;利用支持向量机SVM分类器对图像进行分类训练;将待测影像提取特征,再将获得的特征与SVM中训练的特征进行比较。本发明通过利用连续步态影像对人的影像特征进行提取,提取时综合了图像的垂直像素特征和水平像素特征,有效地提高了性别识别的准确率,同时还可以适应不同角度拍摄的人体步态影像的性别识别。
Description
技术领域
本发明涉及一种性别识别方法,尤其涉及一种基于连续步态影像的性别识别方法
背景技术
在一些监控环境中,由于环境限制不能准确识别出目标的身份,或者不需要识别出具体的目标身份,而对目标的一些类别属性更感兴趣,例如:性别、年龄、携带状况、步行姿态是否正常等。
在社会治安方面,性别辨识为现今重要的研究方向,早期的性别研究大多是以人脸或是轮廓的特征为根据,但人脸影像在监控***下常会因解析度低或其他因素使得辨识率降低。且计划犯案的人会故意穿着隐密,隐***脸特征导致性别辨识困难。此外,人脸影像对远距离监控性别的帮助也很有限,导致以人脸为特征的方法并不适用于我们的应用中。在探讨分析动作者的资料后发现,人在行走时的身体摆动和脚步比例的确存在着性别差异,男性通常肩膀摆动与跨步的大小远大於女性。女性则以头发长短与胸部背部的差异来区分。根据这些特性,对往后的性别辨识颇有帮助。
性别辨识研究运用在卖场商店,可减轻人力且又便利。以固定式摄影机架设于店门口,当顾客进入卖场时辨识性别,卖场可提供该性别的特价商品与商品的放置位置,一来可以减少顾客搜寻商品的时间,而来也可以得知卖场的特价商品,还可减少卖场印刷卖场目录的成本。
现有的利用影像进行性别识别的方法,大多采用静态的、单一的人体影像作为训练及判断的客体,这种方式没法将男女性行走时身体状态变化的差异因素作为判断的参数,仅以静态的身体形态参数作为判断基准,而男女性之间的身体形态并没有一个严格的分界基准,因此会产生较大的误差,从而降低判断的准确性。
发明内容
本发明所要解决的技术问题在于,提供一种基于连续步态影像的性别识别方法,包括如下步骤:
S1:获取行人的步态影像;
S2:将行人步态影像的图像提取前景影像;
所述提取前景影像的方式可以是采用二值化或背景相减。
S3:对图像做侵蚀再膨胀处理将图像去除杂讯平滑化,再将影像正规化;
将提取到的影像正规化后执行GEI(步态能量图像即连续步态影像)处理可得到这一序列步态的差异性。
S4:对S3的影像执行撷取连续步态影像处理;
S5:对图像进行降噪处理去除杂讯;
S6:对S5处理后的图像提取特征;
S7:利用支持向量机SVM分类器对图像进行分类训练;
S8:将待测影像按照S1~S6的步骤提取特征,再将获得的特征与S7中训练的特征进行比较。
进一步地,步骤S2提取前景影像的方法为背景相减法,将相邻的影像数据进行相减从而得到前景影像。
进一步地,步骤S2提取前景影像的方法还可以为将影像二值化。
进一步地,在提取行人步态影像的前景图像后还包括水平扫描影像像素及垂直扫描影像像素的步骤。
进一步地,连续步态影像处理是将单位时间段里连续前景影像数据进行加权平均。
进一步地,步骤S5设置一阈值,把影像的每个像素值与该阈值做比较,将小于所述阈值的数据作为杂讯去除,从而对图像进行降噪。
进一步地,将影像里的最大像素系数乘以比例系数得到所述阈值。
更进一步地,所述比例系数为0.6~0.9。
进一步地,提取图像特征时将图像的水平特征参数及垂直特征参数分别进行提取。
更进一步地,所述图像的水平特征的像素参数及垂直特征的像素参数都分为9个区域,每个区域块对应有一定数量的像素。
实施本发明,具有如下有益效果:
本发明通过利用连续步态影像对人的影像特征进行提取,提取时综合了图像的垂直像素特征和水平像素特征,通过人行走时的连续影像进行特征提取,以男女性行走时身体状态变化之间的差异作为判断的参数,有效地提高了性别识别的准确率,同时还可以适应不同角度拍摄的人体步态影像的性别识别。
附图说明
图1是本发明流程示意图;
图2是本发明GEI影像处理示意图;
图3是本发明GEI影像处理的原理示意图;
图4是本发明DEI处理的原理示意图;
图5是本发明水平撷取特征示意图;
图6是本发明垂直撷取特征示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,本发明的流程包括:
S1:获取行人的步态影像;
S2:将行人步态影像的图像提取前景影像;
S3:对图像做侵蚀再膨胀处理将图像去除杂讯平滑化,再将影像正规化;
将影片中撷取步态序列影像经过二值化或背景相减处理并得到前景影像,再将影像正规化后执行GEI(步态能量图像)处理可得到这一序列步态的差异性。
S4对S3的影像执行撷取步态能量图像处理;
S5:对图像进行降噪处理去除杂讯;
S6:对S5处理后的图像提取特征;
S7:利用支持向量机SVM分类器对图像进行分类训练;
S8:将待测影像按照S1~S6的步骤提取特征,再将获得的特征与S7中训练的特征进行比较。
图2是本发明GEI影像处理示意图,如图所示,从摄影机拍摄得到的步态影格画面,经过二值化或背景相减处理后取出前景影像并正规化,同一序列的正规化步态影格经由公式(1)计算得到GEI影像。
其中,Gc(x,y)为GEI影像,Nc为步态序列影像总数,一个步态序列时间长度Ac,B(x,y,t)代表在t时间的影像,其中x跟y为影像中像素的坐标。
其处理的原理范例如图3所示,假设两张正规化后的3×3影像,白色区块为步态前景影像,黑色区块为背景影像,将两张影像总平均变可得到GEI影像。范例中GEI影像像素值为1表示第一张影像与第2张影像没有变化,像素值为0.5的表示第1张影像与第2张影像有变化,于是就可以看出每个人行走时的特征。
DEI主要是用来去除GEI影像的杂讯,同时可以得到男女步态差异性。DEI如公式(2)所示。
Dc(x,y)为去除杂讯后的影像,Gc(x,y)为GEI影像,U为一个门槛值。图4为GEI影像作DEI处理范例,一张3×3的GEI影像,门槛值为GEI影像里面最大像素值(范例为1)乘以比例系数0.8,得到门槛值U=0.8后,将GEI影像的每个像素值与U作比较,当GEI该像素值大于等于U的话则DEI影像值等于1,当小于U,则DEI影像值等于0。如图4在上方的GEI影像经去杂讯处理后可得右方的DEI影像,处理过后的DEI影像只保留原GEI中较重要的部分。
参照图5、图6所示为水平与垂直特征撷取范例,令Xi表示由DEI影像撷取的第i个特征值,其撷取方法如公式(3)。
当k=1~8,cik公式如下:
cik={bi((k-1)×18+l)|l=1~18}
当k=9,cik公式如下:
cik={bi((k-1)×18+l)|l=1~6}
当k=1~8,dkj公式如下:
dkj={b((k-1)×18+l)j|l=1~18}
当k=9,dkj公式如下:
dkj={b((k-1)×18+l)j|l=1~6}
其中i代表影像的列,j代表影像的行,k代表区块编号。Xi代表每一列计算后特征,Yj代表每一行计算后特征,cik代表每一列分割区块,dkj代表每一行分割区块。bij代表影像像素位置。
Xi是由DEI影像中第i列像素计算而得,本文方法DEI影像大小为150×150像素故1≤i≤150,Xi由DEI中第i列的150个像素及j行的150个像素求得,经实验求得将每列与每行像素分为9个区块。其中ci1至ci8与d1j至d8j每个区块对应18个bits,ci9与d9j对应该列最后剩余的6个bits,将此9个区块数值加总成为该列与行的特征值Xi、Yj。故一张DEI影像有300个特征参数作为性别辨识特征。
本发明方案采用的SVM用于分类的核心函数有Linear、Polynomial、RadialBasis Function三种,本方案采用CASIA数据库的影像资料作为实验样本,并采用LIBSVM进行训练及测试,训练的数据有18位男性及14位女性,根据训练模型对剩余的18位男性及13位女性进行测试,并以75×75及150×150两种影像大小进行测试,测试结果如表1、表2所示。
实施例1
由表1、表2数据可知,采取垂直特征结合水平特征撷取的准确率会大大高于单独垂直特征撷取或水平特征撷取。
表1
表2
本方法在人行走在90°时,性别辨识在中可达100%的准确率,但在日常生活中,人行走在不同角度,本论文方法在不同角度情况下也作了实验,以75×75大小的影像为例,以垂直特征撷取平均准确率为63.64%,以水平特征撷取平均准确率为72.21%,以水平+垂直特征撷取的平均准确率为70.97%;以150×150大小的影像为例,以垂直特征撷取平均准确率为72.43%,以水平特征撷取平均准确率为82.11%,以水平+垂直特征撷取的平均准确率为87.98%。
实施例2
当摄影机拍摄角度为90°、0°与180°时的训练资料,而待测资料以18°的偏差为例,测得的准确率如表3所示
表3三种角度步态性别辨识准确率
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于连续步态影像的性别识别方法,其特征在于,包括如下步骤:
S1:获取行人的步态影像;
S2:将行人步态影像的图像提取前景影像;
S3:对图像做侵蚀再膨胀处理将图像去除杂讯平滑化,再将影像正规化;
S4:对S3的影像执行撷取连续步态影像处理;
S5:对图像进行降噪处理去除杂讯;
S6:对S5处理后的图像提取特征;
S7:利用支持向量机SVM分类器对图像进行分类训练;
S8:将待测影像按照S1~S6的步骤提取特征,再将获得的特征与S7中训练的特征进行比较。
2.根据权利要求1所述的识别方法,其特征在于,步骤S2提取前景影像的方法为背景相减法。
3.根据权利要求1所述的识别方法,其特征在于,步骤S2提取前景影像的方法为将影像二值化。
4.根据权利要求1所述的识别方法,其特征在于,在提取行人步态影像的前景图像后还包括水平扫描影像像素及垂直扫描影像像素的步骤。
5.根据权利要求1所述的识别方法,其特征在于,连续步态影像处理是将单位时间段里连续前景影像数据进行加权平均。
6.根据权利要求1所述的识别方法,其特征在于,步骤S5设置一阈值,将小于所述阈值的数据作为杂讯去除,从而对图像进行降噪。
7.根据权利要求6所述的识别方法,其特征在于,将影像里的最大像素系数乘以比例系数得到所述阈值。
8.根据权利要求7所述的识别方法,其特征在于,所述比例系数为0.6~0.9。
9.根据权利要求1所述的识别方法,其特征在于,提取图像特征时将图像的水平特征参数及垂直特征参数分别进行提取。
10.根据权利要求1或9所述的识别方法,其特征在于,所述图像的水平特征的像素参数及垂直特征的像素参数分为9个区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310518235.5A CN103577805A (zh) | 2013-10-28 | 2013-10-28 | 基于连续步态影像的性别识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310518235.5A CN103577805A (zh) | 2013-10-28 | 2013-10-28 | 基于连续步态影像的性别识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103577805A true CN103577805A (zh) | 2014-02-12 |
Family
ID=50049556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310518235.5A Pending CN103577805A (zh) | 2013-10-28 | 2013-10-28 | 基于连续步态影像的性别识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577805A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104323780A (zh) * | 2014-10-30 | 2015-02-04 | 上海交通大学 | 基于支持向量机的行人步态分类***及方法 |
CN106681997A (zh) * | 2015-11-05 | 2017-05-17 | ***通信集团公司 | 一种信息处理方法及装置 |
CN107103219A (zh) * | 2017-04-10 | 2017-08-29 | 南京大学 | 基于步态的可穿戴设备用户识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592150A (zh) * | 2012-01-16 | 2012-07-18 | 河南科技大学 | 基于模糊理论决策的双向二维主成分分析的步态识别方法 |
CN102663374A (zh) * | 2012-04-28 | 2012-09-12 | 北京工业大学 | 基于多特征属性的多类别Bagging步态识别方法 |
US20120321136A1 (en) * | 2011-06-14 | 2012-12-20 | International Business Machines Corporation | Opening management through gait detection |
-
2013
- 2013-10-28 CN CN201310518235.5A patent/CN103577805A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321136A1 (en) * | 2011-06-14 | 2012-12-20 | International Business Machines Corporation | Opening management through gait detection |
CN102592150A (zh) * | 2012-01-16 | 2012-07-18 | 河南科技大学 | 基于模糊理论决策的双向二维主成分分析的步态识别方法 |
CN102663374A (zh) * | 2012-04-28 | 2012-09-12 | 北京工业大学 | 基于多特征属性的多类别Bagging步态识别方法 |
Non-Patent Citations (3)
Title |
---|
CHANGHONG CHEN 等: "Frame difference energy image for gait recognition with incomplete silhouettes", 《PATTERN RECOGNITION LETTERS》, 31 August 2009 (2009-08-31) * |
LI-HONG JUANG 等: "Gender Recognition Studying by Gait Energy Image Classification", 《2012 INTERNATIONAL SYMPOSIUM ON COMPUTER, CONSUMER AND CONTROL》, 6 June 2012 (2012-06-06) * |
常海滨: "基于远距离视频图像的性别识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 May 2011 (2011-05-15), pages 138 - 1173 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104323780A (zh) * | 2014-10-30 | 2015-02-04 | 上海交通大学 | 基于支持向量机的行人步态分类***及方法 |
CN104323780B (zh) * | 2014-10-30 | 2016-07-06 | 上海交通大学 | 基于支持向量机的行人步态分类***及方法 |
CN106681997A (zh) * | 2015-11-05 | 2017-05-17 | ***通信集团公司 | 一种信息处理方法及装置 |
CN106681997B (zh) * | 2015-11-05 | 2020-09-08 | ***通信集团公司 | 一种信息处理方法及装置 |
CN107103219A (zh) * | 2017-04-10 | 2017-08-29 | 南京大学 | 基于步态的可穿戴设备用户识别方法及*** |
CN107103219B (zh) * | 2017-04-10 | 2021-02-05 | 南京大学 | 基于步态的可穿戴设备用户识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及*** | |
CN105095829B (zh) | 一种人脸识别方法及*** | |
CN104915649B (zh) | 一种应用于人脸识别的活体检测方法 | |
CN109598242B (zh) | 一种活体检测方法 | |
CN105740780B (zh) | 人脸活体检测的方法和装置 | |
CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
CN102214309B (zh) | 一种基于头肩模型的特定人体识别方法 | |
CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
CN103970771B (zh) | 一种人体的检索方法和*** | |
CN105574509B (zh) | 一种基于光照的人脸识别***回放攻击检测方法及应用 | |
CN110991315A (zh) | 一种基于深度学习的安全帽佩戴状态实时检测方法 | |
CN106548148A (zh) | 视频中未知人脸的识别方法和*** | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及*** | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN104346602A (zh) | 一种基于特征向量的人脸识别方法及装置 | |
CN105550703A (zh) | 一种适用于人体再识别的图片相似度计算方法 | |
CN106991448A (zh) | 一种人像比对处理方法 | |
CN103020589A (zh) | 一种单训练样本人脸识别方法 | |
CN109902550A (zh) | 行人属性的识别方法和装置 | |
CN107944395A (zh) | 一种基于神经网络验证人证合一的方法及*** | |
CN112801037A (zh) | 一种基于连续帧间差异的人脸篡改检测方法 | |
CN103577805A (zh) | 基于连续步态影像的性别识别方法 | |
CN103927518A (zh) | 一种用于人脸分析***的人脸特征提取方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140212 |
|
RJ01 | Rejection of invention patent application after publication |