[0004] 本发明的目的是克服现有技术存在的问题,提供一种更为简洁准确的,能够适应大幅度速度变化的基于非线性动力学指标的速度无关的步态识别方法。
[0005] 本发明在常规人体行走轮廓图的基础上提取人体下肢轮廓平均宽度、平均周长及平均面积等三个轮廓参数。基于轮廓参数,构建径向基函数神经网络对不同速度下的步态动力学进行建模,得到三维可视的步态动力学信息;计算三种非线性动力学指标,利用不同速度下的步态模式之间在非线性动力学指标上的差异,实现速度无关的步态识别。
[0006] 本发明的具体技术方案通过如下步骤实现:
[0007] 步骤一、获取人体行走步态轮廓图;
[0008] 对不同速度下的行走图像序列进行背景减除以及形态学处理,获得人体行走的二值步态轮廓图;
[0009] 步骤二、提取步态轮廓参数;
[0010] 根据人体轮廓的宽度随时间呈现周期性变化的特性,通过人体轮廓宽度值来检测步态周期;:将人体二值轮廓至上而下根据图像高度值等分为人体上肢区域和人体下肢区域,提取每一帧人体轮廓下肢区域的平均轮廓宽度值Wd、人体轮廓下肢区域整体轮廓周长值Ld及下肢区域整体轮廓面积值Ad,经过数据大小归一化后,构成步态参数变量x=[Wd,Ld,Ad];所述步态轮廓参数数据具有类周期性质;所述类周期性质是指步态轮廓参数数据随时间变化过程中,从任一时刻点出发,都能在一段有限的时间内回归到该数值的有限领域内,所述步态轮廓参数数据存在于人体步态运动中。
[0011] 步骤三、非线性步态动力学建模;
[0012] 根据步态参数变量x=[Wd,Ld,Ad],构建径向基函数(RBF)神经网络,考虑不同的行走速度,对步态参数变量内在的非线性步态动力学信息进行神经网络的逼近和辨识。
[0013] 非线性步态动力学的建模方法如下:
[0014]
[0015] 其中,x=[x1,…,xn]T∈Rn是提取到的三个步态轮廓特征,p是系统常参数值;F(x;p)=[f1(x;p),…,fn(x;p)]T是光滑且未知的非线性步态动力学项,表示不同人在不同步行速度下的非线性动力学信息,v(x;p)=[v1(x;p),…,vn(x;p)]T是引入的建模不确定项;将建模不确定项v(x;p)和非线性步态动力学项F(x;p)合并为一项:
[0016] 并定义为总的步态非线性动力学项;
[0017] 所构造的RBF神经网络用于辨识
[0018] 神经网络辨识器的表达形式如下:
[0019]
[0020] 其中, 是RBF神经网络辨识器的状态变量;A=diag[a1,…,an]是对角矩阵,ai是设计的常数,满足0<|ai|<1; 是动态RBF神经
网络,用来逼近未知的总的步态非线性动力学项 S(x)=[S1(||X-ξ1||,…,SN(||X-ξn||]T是高斯型径向基函数;N>1是神经网络结点数目;ξi是神经元中心点;RBF神经网络权值的调节律如下:
[0021]
[0022] 其中, 是状态误差,Γi=ΓiT>0,σi>0,σi是调节律的调节参数,动态RBF神经网络的权值 的初始值
[0023] 所用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。
[0024] 对步态非线性动力学项的局部准确建模由如下公式表示:
[0025]
[0026] 其中,εi1是逼近误差,局部准确建模是通过RBF神经网络对沿三维步态轮廓参数轨迹的内在非线性动力学的逼近,而远离轨迹的非线性动力学项则不被逼近。
[0027] 所得到的逼近结果以常值神经网络权值矩阵进行存储,作为步态运动的本质动态特性。即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
[0028]
[0029] 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 由常值神经网络 进行局部准确逼近:
[0030]
[0031] 其中,εi2是逼近误差。
[0032] 这里得到的常值神经网络 是一种时不变的也是空间分布的表达方式。
[0033] 步骤四:计算非线性动力学指标进行分类识别;
[0034] 根据每个行走者在不同速度下非线性步态动力学所对应的常值权值矩阵,计算三个非线性动力学指标:C0复杂度、Lyapunov指数以及近似熵。
[0035] 所述的常值权值矩阵是三维矩阵,每一维的数据表示为:di(n),i=1,2,3;n=0,1,2,…,N-1。
[0036] C0复杂度的计算方法如下:
[0037] (1)计算非线性动力学项每一维数据的快速傅立叶变换Di(k):
[0038]
[0039] (2)计算所得快速傅立叶变换项Di(k)的均方值Gi:
[0040]
[0041] 并得到一个新的序列Yi(k):
[0042]
[0043] (3)计算Yi(k)序列的快速傅立叶逆变换:
[0044]
[0045] (4)步态非线性动力学项的C0复杂度即可以由以下式子得到:
[0046]
[0047] Lyapunov指数的计算方法如下:
[0048] (1)计算初始距离集:标记每一维非线性动力学项数据中与当前第k个点x(k)(简化记为xk)空间距离最近的α1个点,把该点集记为临近点集 Ik为第k步临近点集的元素的总数,并且Ik≤α1。初始距离集为该点集与当前轨迹点xk的距离集,记为[0049] (2)计算结束距离集:把当前轨迹点xk和临近点集的时间往前增加Δ步,从而计算结束距离集记为:
[0050]
[0051] (3)计算指数增长系数集:对初始距离集以及结束距离集进行如下的对数运算记为:
[0052]
[0053] 所得到的指数变化率 为所述的Lyapunov指数值。
[0054] 近似熵的计算方法如下:
[0055] ①把每一维非线性动力学项数据标记为d(n),n=0,1,...,N-1下式重构m维向量:
[0056]
[0057] 计算任意向量v(i)和v(j)之间的距离s[v(i),v(j)]:
[0058]
[0059] ②给定阀值r,对每个向量v(i)统计s[v(i),v(j)]≤r×SD(SD为序列的标准值)的数目并求出该数目与距离总数(N-m)的比值,记为
[0060] ③将 取对数,再对所有的i求平均值,记为Φm(r)
[0061]
[0062] ④m增加1,重复上述步骤①-③,求得 和Φm+1(r)近似熵即可由以下式子计算得到:ApEn(mr,N)=Φm(r)-Φm+1(r)
[0063] 以上述三维共九个非线性动力学指标表征不同速度下的步行个体,根据训练模式与测试模式之间关于非线性动力学指标间的差异,采用多种既有通用的分类器把测试模式准确分类识别出来,实现多速度下的步态识别。
[0064] 本发明与现有技术相比,具有如下优点和有益效果:
[0065] 1、与传统的速度无关的步态识别方法相比,本发明运用非线性神经网络辨识技术直接对人体轮廓形状信息下未知的非线性步态系统动力学进行逼近和辨识,并将这种动力学建模结果作为速度无关的步态特征进行提取,使得所提特征更能反映步态运动的本质时变特性,从而可以对复杂步行速度改变具有很好的鲁棒性。
[0066] 2、通过提取三种不同的非线性动力学指标,能够反映步态系统动态,方便对不同速度下的步态模式进行比较,具有计算简单、特征维数低、计算量小、速度快等优点,在实践中也取得了很好的效果;