基于部分小波相干和相位特征的步态识别方法及性能评估

沙特国王大学学报基于部分小波相干和相位特征的Sagar Arun More，Pramod Jagan Deore电子通信工程系，R。C. Patel Institute of Technology，Shirpur，印度阿提奇莱因福奥文章历史记录：2017年5月1日收到2017年8月30日修订2017年9月18日接受2017年9月23日在线发布保留字：步态识别小波相干部分小波相干A B S T R A C T本文提出了一种利用部分小波相干（PWC）作为特征的多视角步态识别方法。对多视点步态序列中手、腿、肩运动产生的一维信号进行PWC的欧氏距离表示，保留了行走个体的时空信息该方法直接提取动态信息，无需使用任何模型.当只考虑PWC特征时，我们得到了73： 26%的平均识别准确率.此外，我们还研究了相位特征（PF），它也保留了身体部位之间的动态相位角的判别信息。当PF与PWC功能一起考虑时，系统性能显着提高，平均识别准确率为82：52%©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍步态识别（Lee和Grimson，2002; Wang等人，2003;Wang等人，Niyogi和Adelson，1994年）近年来吸引了研究人员，因为它的各种优点，如不显眼，可以从远处捕获，即使在低质量视频下也能更好地工作。与第一代生物特征（例如，面部、虹膜、指纹识别系统）不同，该第二代生物特征不需要受限的识别设置和主体合作（例如，与传感器的物理接触）。在大多数场景中，主体是愿意得到认可的，例如各种组织中的指纹考勤系统。但在监控系统中，要求是不同的，如从远处识别。在这种情况下，可以找到应用的技术是步态生物测定，即，通过他们走路的方式来识别个人。步态是一种普遍的生物特征，它自然发生。它不需要人脸和指纹所需的精细细节，并且人脸和指纹的样本不能像步态那样从远处捕获*通讯作者。电子邮件地址：gmail.com（S.A.更多），pjdeore@yahoo.com（P.J.Deore）。沙特国王大学负责同行审查制作和主办：Elsevier尽管步态具有上述各种优点，但由于一些称为协变量因素的内部和外部因素，步态可能会受到影响。 内部因素可以是情绪、疲劳、醉酒、怀孕（女性）、足部受伤、体重变化等。外部因素可以是室内或室外环境、行走表面、穿鞋或穿外套、背着包、行走速度等。为了变成多视角和非限制性步态识别系统，识别方法应该不受视角的影响，因为它在步态识别中起着至关重要的作用（Yu等人，2006年）。从不同视角拍摄同一个人的图像序列时，人体的形状和动态变化很大因此，在多视角步态识别系统中，需要研究新的通常，步态识别问题通过基于形状分析的特征提取、时空表示（如步态能量图像）及其本文提出了一种基于局部小波相干性和局部相对相位融合的无模型步态识别方法据我们所知，该特征集尚未用于该方法不采用任何模型，直接提取时空步态模式由于特征是利用人体部位的运动来提取的，所以系统对衣服和袋子的颜色和纹理不敏感其余的文件组织如下：第2节简要介绍现有的步态识别方法，在第3节小波相干的应用进行了讨论。所提出的方法在https://doi.org/10.1016/j.jksuci.2017.09.0051319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com376S.A. 再来点PJDeore/沙特国王大学学报第4节，然后是第5节的实验结果和第6节的结论。2. 相关工作已经提出的用于步态识别的各种方法可以大致分类为无模型和基于模型在本节中，我们将简要回顾几种最先进的方法。2.1. 无模型方法在无 模型方法 中，直 接从图 像中提取 的特征在 空间域 中。Johansson（1973）首次尝试用移动光显示来演示人的位移运动模式的视觉感知。而Wang等人（2003），Wang等人（2004）通过使用Procrustes形状分析提取基于形状的特征用于自动步态识别。在Liu等人（2009）中，作者提出了一种利用完整体型签名的3D方法。从三维轮廓中提取立体轮廓矢量，并将其转化为一维立体步态特征。步态是一种周期性的运动，由于动态的身体部位的运动，产生时空模式。还通过小波分析分析了步行者的时空特征（Zhang和Liu，2009 ，Amin和Hatzinakos，2009 ）。在Zhang 和Liu （2009）中，使用Radon变换，因为它保证了最频繁变化的轮廓区域（如腿和手以及各种关节）的最大能量此外，Haar小波变换用于提取水平和垂直特征，因为这些特征代表了上下肢运动。另一种基于小波的方法（Amin和Hatzinakos，2009）使用提取的步态周期的时频他们计算下半部分的轮廓图像的面积。利用人体行走时轮廓图像半部分的变化区域构造步态周期小波分解后，计算各子带的均值、标准差、偏度和峰度作为特征。近十年来，大多数无模型方法都采用了Han和Bhanu（2006）提出的步态能量图像（GEI）。KhalidBashir和Xiang（2008）使用步态序列的GEI表示开发了有监督和无监督的特征选择方法。Wrapper算法用于监督特征选择和非监督特征选择，包括计算GEI模板上所有像素位置的GEI强度值的标准偏差。在Khalid Bashir和Xiang（2009 a）中，通过计算轮廓图像中每个像素的Shanon熵来计算步态熵图像（GEnI）。GEnI捕获运动信息，因此对协变量条件具有鲁棒性。Khalid Bashir和Xiang（2009 b）中的方法没有受试者合作，使用GEnI表示来识别不同协变量条件下的人，其中探针和图库集是所有协变量的混合。然而，Khalid Bashir和Xiang（2010）通过光流场提取了运动方向图像（MDI）和运动强度图像（MII）等特征用于人的识别。在Chih-HsienHsia等人（2013）中，条件排序局部二进制模式（CS-LBP）用于从GEI中提取不同的混合方向图像。此外，他们计算识别能力，这是八个排序方向的这些混合特征的类间距离和类内距离的比率。他们融合这些特征，形成一个增强的特征，进一步用于识别。在最近的基于GEI的方法（Imad Rida和Jiang，2016）中，通过计算GEI每行的Shanon熵来估计水平运动。此外，使用组Lasso学习算法将基于运动的矢量分割成具有相似运动值的块。选择具有最高平均运动矢量值的身体部分作为特征矢量。2.2. 基于模型的方法在基于模型的方法中，通过一些数学手段对人类行走机制Niyogi和Adelson（1994）在时空（XYT）体积中进行了基于模型的步态识别的初步尝试。首先，他们用蛇来拟合助行器的边界轮廓然后使用由这些轮廓控制的简化的XYT中的特征步态模式是从完整序列的角度信号等模型参数中产生的，用于识别。Huang和Boulliquis（2009）提出的方法结合了面积、重心和方向等几个特征在这里，它们分别计算每个特征的相似性距离，然后将不同的归一化距离组合在一起以获得总距离。而Roy等人（2012）将步态周期建模为关键姿势链，并提取姿势能量图像特征。通过对步态周期中所有PCA变换后的轮廓进行K均值聚类，估计出关键姿态。使用状态转换模型来形成估计的关键姿势的链。在Ansuman Mahapatra和Mishra（2014）中，使用模糊推理系统聚合距离特征、角度特征和线弧比特征等特征。最后，使用HMM进行识别。在Wagg和Nixon（2004）中，通过步态运动模型自适应来完成整体运动、形状和关节运动估计。运动补偿时间累积算法用于确定块运动。他们用椭圆来模拟头部、躯干，用线段来模拟腿部。基于模型的步态识别的最新发展强调通过使用视图归一化技术对多视图步态序列进行建模 。 WorapanKusakunniran 等 人 （ 2009 ） 、 WorapanKusakunniran 等 人 （ 2010 ） 、 Worapan Kusakunniran 等 人（2012）、Worapan Kusakunniran等人（2012）使用视图转换模型（ VTM ） 将 探 头 和 图 库 视 图 标 准 化 为 同 一 方 向 。 WorapanKusakunniran等人（2009）提出的方法是基于SVD的VTM方法，Worapan Kusakunniran等人（2010）是基于SVR的方法。改进了早期方法中的数据冗余等问题Worapan Kusakunniran et al.（2012）.然而，WorapanKusakunniran等人（2012）使用MLP构建VTM模型用于多视图和交叉视图步态识别。3. 小波相干应用小波分析在图像处理中有着广泛的应用，如压缩、特征提取和描述、去噪、滤波等。互小波谱和小波相干性是小波分析的进一步扩展（Torrenceand Compo，1998）。小波相干性是互谱的平方，由单个功率谱归一化，并揭示了作为频率函数的两个时间序列之间的互相关性。Torrence和Compo（1998）的论文提供了El-Nino南方涛动、Nino 3 SST和网格海平面气压GMSLP的小波互谱分析，用于未来的预测。类似地，Grinsted et al. （2004）探讨了互小波变换和小波相干在地球物理中的应用。他们调查了北极振荡和波罗的海冰范围之间的一致性 在Bloomfield et al. （2004），利用小波相位相干分析了弱太阳磁网络区和强度间相位差的时间变化。小波相干性也在生物医学领域中找到应用，例如（Simpson等人，2005; Banerjee和Mitra，2014; Simpson等人，2005）探索了新生儿中血流和自发EEG活动之间的相干性，并且（Banerjee和Mitra，2014）将交叉小波相干性应用于ECG模式分析。这些应用激发了将该技术应用于研究基于小波相干的步态识别方法的研究，这是尚未完成的。S.A. 再来点PJDeore/沙特国王大学学报377--× ×¼Þ ¼¼½ð]½ð]½ðÞ]nnWCXn;Ynj½巴恩[]步态是人体的协调运动。这是因为腿和手的运动以及肩膀。这些身体部位的连贯性揭示了它们之间的相位关系步行风格是完整的人体动力学和动态身体部位之间的连贯性不同的人，脚的落地和手的伸展是不同的本文旨在探索腿、手、肩等动态身体部位之间的相关性，并将其用于基于步态的人体识别。4. 方法4.1. 系统概述在这项工作中，我们使用CASIA多视图步态数据库（数据集B）（Zheng等人，2011年，由124人组成。每个人被描绘在10个序列中，具有各种协变量，如正常/缓慢行走（nm-01至nm-06），具有袋子（bg-01;bg- 02），具有外套（cl01;cl 02）。这些序列是在11个不同的视角（0°; 18°; 36°; 54°; 72°; 90°; 108°; 126°; 144°; 162°; 180°）相对于前视图以反时针方式捕获的。数据库由124 10 11 13; 640个步态序列组成。 我们使用的二进制剪影提供了很容易在数据库中进行这项工作。表1显示了我们在实验中使用的视角和协变量与序列号。为了保留动态身体信息，我们利用在物理学中提出的部分小波相干性（Ng和Chan，2012）和动态身体部分之间的局部相对相位关系该人是由他/她的部分小波相干内的身体运动，在一个完整的步行序列在一个特定的方向以及相位关系揭示。平均子波相干性和最小值、最大值、标准差。然后提取来自7个角度的每个完整步态序列的相位偏差，因为由于自遮挡，在角度0°、18°、 162°、 180°处不能正确提取步态周期。使用最小-最大方法进行特征融合（Ross和Jain，2006）。特征向量的直方图（聚类的质心），然后通过应用k-means聚类获得。通过计算每个测试对象的特征向量与所有这些直方图的欧氏距离的相似度来保存时间信息这些步骤如图所示。1.一、4.2. 预处理每个步态序列由t帧组成由于步态序列是多周期的，不同序列的步态周期数不同。步态周期是两个实例之间的时间，当两条腿之间具有最大距离或它们处于同一点时。为了提取各种1D信号，我们需要Fig. 1. 提出了步态识别方法。Yn是由于手摆动和Zn是由于肩运动。每个边界框的宽度向量是相应身体部位移动的1D信号。 图图2示出了从以36 ° C正常行走的人的完整序列中提取的1D信号。可以观察到，在初始帧中，由于自遮挡，腿、手和肩膀的运动不能被清楚地捕获。在某些帧之后，可以清楚地捕获所有这些身体部位的运动。4.3. 动态人体部位小波相干性揭示了两个独立信号之间的关系，而这两个信号通常用时间序列表示。它给出了公共频带的面积以及这两个信号同时变化的时间间隔。它还表示这两个信号之间的相位关系。根据Grinsted等人（2004）和Ng和Chan（2012），两个信号之间的小波相干性可以写为轮廓分明。然而，CASIA数据库中的轮廓有很多断裂和孔洞。经过形态学运算，将每个轮廓分成三个相等的部分，其中包含不同的-1WX;Yp1ð1Þ进入身体部分，即。肩膀，手和腿我们从肩部，手部和腿部的运动中提取1D信号，通过对每个部分应用边界框，这些信号构成了整个序列的步态周期。设Xn是由于腿部运动而产生的1D信号，即步态周期，其中1S：s-1，S是平滑参数，s是尺度（Grinsted等人， 2004年）。W Xn和W Yn是小波变换和W X n;Y n是这两个系列的交叉小波变换，其表现出表1CASIA B数据库中的协变量和视角。Sr. 号1234567891011CVnmnmnmnmnmnmBGBGCLCL–01020304050601020102–VA0◦18◦36◦54◦72◦90◦108◦126◦144◦162◦180◦378S.A. 再来点PJDeore/沙特国王大学学报---nnnn图二. 受试者在36° C正常行走的1D信号。频谱中常见的较高功率。两个信号Xn和Yn的交叉小波变换被给出为，WW我们选择Morlet小波，因为它更适合这样的应用和信号的性质，在时间和频率局部化方面。wg-1ix0g-12其中W<$Xn<$是连续小波变换，* 是复连续小波变换。0ð 2019年 0 4 月2 6 日 星 期四ð7Þ结合交叉小波功率可以定义为，Wp jW Xn;Y nj3Xn和Yn之间的局部相对相位可以表示为复辐角，UnargWXn;Yn4互小波谱的完整表示是，WXn;YnjWXn;Ynjei/n5其中Un是时间tn处的相位。图3分别示出了完整步态序列的各个动态身体部分4.4. 动态人体部位部分小波相干是一种类似于部分相关的技术，它是在消除两个独立信号之间的共同相关性的影响后，研究两个独立信号与一个相关信号如前所述，Xn是由于腿部移动而产生的1D信号，即步态周期Yn是由于手摆动和Zn是由于从每个步态序列中提取的肩部运动。本文将步态周期作为一个独立的信号，另外两个信号作为独立的信号.可以观察到，很少有人不摆动双手或不以相同程度摆动这也适用于肩部运动。部分子波相干性在消除子波相干性影响后，揭示了Xn与Yn之间的相干性。根据Ng和Chan（2012），部分小波相干性被写为，j½WCXn;Yn]-½WCXn;Zn·WCXn;Ynω]j2其中x0是无量纲频率。图4示出了动态身体部分之间的部分小波相干性。4.5. 相位特征使用Eq.计算的动态身体部分之间的局部相对相位关系。（四）、图5示出了这些提取的信号的相位（Un）关系为了演示的目的，我们提出了相位（UN）之间的关系，身体部位，如手，肩，腿的10个科目在不同的协变量条件。表2表2示出了在完整序列的视角36° C处序列nm01的肩、手和腿之间的相位角。表3示出了在完整序列的90°视角处序列nm01的肩、手和腿之间的相位角表4示出了在完整序列的视角126° C处序列nm从这些表中可以观察到，诸如对象的手和腿之间的相位（Un ）的最小值（Unmin ）、最大值（Unmax ）和标准偏差（Und）的统计特性对于不同的视角和协变量因子保持不变对于腿和肩以及手和肩之间的相位，这是不正确的。4.6. 特征融合如前所述，在完整的步态序列中提取部分小波相干性和相位特征。他们有不同的辨别力，因此需要正常-PwCXn;Yn;Zn½1-WCX;Z]2½1-WCZ;Y]26合并前先合并构造单个增强特征向量（FV），其中WC<$Xn;Yn<$是两个时间改变信号XnYn。Jain（2006）使用。此外，归一化特征向量的权重使用均值-方差方法计算S.A. 再来点PJDeore/沙特国王大学学报379图3.第三章。受试者1在序列nm-01的36nm处正常行走的身体部位之间的小波相干性见图4。 受试者在90° C正常行走的部分小波相干性。380S.A. 再来点PJDeore/沙特国王大学学报图五. 在序列nm-01的36° C下正常行走的受试者1的身体部位之间的相位（Un表2在视角36处的相位（Un）和序列nm-01。动态体部件间相位（U_n受试者（Un）腿和手（Un）腿和肩（Un）手和肩IDUnminUnmaxUndUnminUnmaxUnd1 7.30E- 06 30.67 9.01 0.05 1.19 0.34-2.84 1.96 1.162 7.30E- 06 44.55 13.12 0.03 0.78 0.20-1.10 2.65 0.853 7.30E- 06 44.55 13.12 0.007 0.85 0.16-1.60 2.73 0.874 7.30E- 06 46.75 13.65 0.15 0.62 0.13-1.27 2.67 0.895 7.30E- 06 46.75 13.65 0.03 0.69 0.15-2.65 2.20 0.816 7.30E- 06 46.75 13.65 0.03 0.53 0.12-2.54 2.52 1.157 7.30E- 06 46.75 13.65 0.10 0.65 0.16-1.92 0.65 0.458 7.30E- 06 46.75 13.65 0.14 1.19 0.29-2.24 2.33 0.989 7.30E- 06 46.75 13.65 0.04 1.04 0.23-2.37 0.42 0.6710 7.30E- 06 46.75 13.65 0.05 0.59 0.12-1.05 2.19 0.62表3在视角90和序列nm-01处的相位（U n）。动态体部件间相位（U_n受试者（Un）腿和手（Un）腿和肩（Un）手和肩IDUnminUnmaxUndUnminUnmaxUnd1 7.30E- 06 30.67 9.01 0.03 1.05 0.28-1.98 0.96 0.652 7.30E- 06 44.55 13.12 0.03 1.15 0.30-0.98 1.90 0.753 7.30E- 06 44.55 13.12 0.006 0.82 0.23-1.54 0.58 0.524 7.30E- 06 46.75 13.65 0.07 0.97 0.26-1.37 2.03 0.735 7.30E- 06 46.75 13.65 0.06 0.72 0.15-2.44 1.85 0.846 7.30E- 06 46.75 13.65 0.03 0.51 0.13-1.11 2.22 0.847 7.30E- 06 46.75 13.65 0.07 0.96 0.27-1.46 0.63 0.488 7.30E- 06 46.75 13.65 0.20 0.99 0.24-2.28 2.62 1.059 7.30E- 06 46.75 13.65 0.08 0.65 0.14-1.90 2.25 0.7010 7.30E- 06 46.75 13.65 0.007 1.10 0.28-0.92 2.12 0.82S.A. 再来点PJDeore/沙特国王大学学报3811/4fv¼TJ¼pf是说XXXCn我N我X表4在视角126处的相位（Un）和序列nm-01。动态体部件相位（U_n）的统计特性受试者（Un）腿和手（Un）腿和肩（Un）手和肩IDUnminUnmaxUndUnminUnmaxUnd1 7.30E- 06 30.67 9.01 0.16 0.85 0.16-0.97 2.04 0.572 7.30E- 06 44.55 13.12 0.008 0.63 0.15-1.39 2.35 0.813 7.30E- 06 44.55 13.12 0.03 0.77 0.15-2.37 2.72 1.154 7.30E- 06 46.75 13.65 0.04 0.70 0.16-1.78 1.29 0.725 7.30E- 06 46.75 13.65 0.08 0.75 0.16-2.52 1.76 0.846 7.30E- 06 46.75 13.65 0.09 0.66 0.15-1.15 0.96 0.517 7.30E- 06 46.75 13.65 0.04 0.69 0.15-1.29 1.19 0.598 7.30E- 06 46.75 13.65 0.11 0.78 0.17-2.00 0.94 0.699 7.30E- 06 46.75 13.65 0.04 0.90 0.23-2.84 1.29 0.7310 7.30E- 06 46.75 13.65 0.10 0.91 0.19-1.48 1.98 0.74归一化PWC和相位特征向量，PWC-最小值PWCRdEdkd埃德kð15ÞPWC最大值PWC最小值PWC最小值PWC为了使该隶属度向量持续时间不变，当我们使用多周期步态序列时，已经有人了为PFPF-最小值最大额定功率-最小额定功率归一化特征向量的权重ð9Þi<$1; ··· ;C V和所有t j;j<$1; ··· ;pq 成员向量，vi¼1XRik不ð16Þ马奇fvjk¼1wcrc10进一步，将线性判别分析应用于vi，将其分解为低维判别子空间。每个人都可以是wmpf皇家警察ð11Þ在这个子空间中线性可分在LDA中，导出了最优投影矩阵Wopt，以最小化Fisher准则。其中m是均值，r是方差。这两个特征被组合以形成用于表示和进一步处理的单个增强向量，W选项¼argmin.WTSWW.WTSbWð17ÞFV¼ wPWCwpf：PF12mm对于每个步态序列，我们提取平均部分小波相干PWC_N;V_A;C_V_N，（Unmin），（Unmax），（联合 国 ，d）考虑;PN 1/4 1; ··· ;124，VA 1/4 1; ··· ;7;CV 1/4 1; ··· 10作为特征向量。然后作为k均值聚类的结果获得直方图pq该算法将训练向量FV_PN;VA;C_V_N聚类为Q类，以最小化类内距离;QPN其中Sw和Sb是类内的散布矩阵，课间，CSw¼Si18n1和Si¼X。x-lx-lT19xsxiaiqkFVPN;VA;CV-pqk213q1i 1S¼X; 我...我... l-lT20在那里，一个智商 ¼1，如果FV=PN;VA;CV= 被分配给集群q和iq 1/4，b我iii¼1否则，请执行以下操作。直方图pq;q1; ··· ;Q是聚类的中心。最佳的聚类数是通过使用交叉验证程序确定的。4.7. 欧氏距离表示FVPN;VA;CV向量描述第P人，以视角VA行走并且具有协变量条件CV。每个训练对象的这个特征向量然后通过欧几里得距离映射到直方图pq，如下所示，dEd¼kFVPN;VA;CV-pqk14也可以使用其他距离，但是欧几里得距离表现出简单的表示，因此是优选的。每个距离向量，最终表示为D1/2d1;d2;·· ·;dQ]T。此外，对于最终表示，将欧几里德距离归一化以获得隶属度向量。其中，l¼1x21mm8xli是类xi的平均向量，l是训练集的平均向量可以通过概率模型如贝叶斯框架来识别人。因此，我们使用贝叶斯概率框架。贝叶斯概率决策理论是模式分类的基本方法.假设等概率类和所有概率都是已知的，设Pj是第j个人在PN类数据库中出现的先验概率。类别条件概率可以表示为PjjPN;VA;CV。其中，PN是数据库中的总受试者，VA是考虑的视角，CV是训练时的协变量条件。先验可以在训练过程中估计，后验可以通过以下公式估计，382S.A. 再来点PJDeore/沙特国王大学学报拉吉的情况。;· ··;X111NNN···P j P VCPVCPP1;V1;C1; ·· · ;P N;V N; C Nj：PjPN P P ; V ; C ; ·· · ; P ; V ;C jn：Pn功能.我们发现部分小波相干性，这类似于三个不同信号之间的相关性，因为n1NNNNNNð22Þ身体部位的运动。在Xianglei Xing和Wang（2016）中，作者仅考虑了正常的步行序列，但我们考虑了所有10个协变量。他们随机选择一个样本进行训练和测试5. 实验结果与讨论我们进行了实验，考虑PWC和（PWC + PF）功能分别在不同的协变量条件和视角。表5显示了两个特征i的不同训练和测试集的结果。e（PWC）和（PWC + PF）。实验组A、B、K是不同协变量和视角序列的组合。对于集合A，我们考虑所有124个受试者的所有协变量和视角序列用于训练和测试。这里[3： 9]表示视角3至9，协变量相同（参见表1）。对于集合A，当仅使用PWC特征时，我们获得了97：07%的平均识别准确率当（PWC）+ PF）功能。我们将所提出的工作与Zeng和Wang（2016）以及Xianglei Xing和Wang（2016）进行了比较，尽管它不是直接的。实验设置略有不同，但也有一定的相似之处。在Zeng和Wang（2016）中，作者提取了轮廓的4个不同子区域的宽度，然后将其组合以构建步态特征。我们还提取了sil-houette的宽度，以提取肩，手和腿的一维信号。此外，我们计算这些信号的PWC PF。在Zeng和Wang（2016）中，进行了11项实验，考虑所有视角和3个正常行走序列（协变量因子）进行训练，每个视角一次拍摄一个视图和3个正常行走序列进行测试。在这项工作中，他们只考虑正常的步行协变量。报告的最高识别准确率为87：9%。然而，我们执行了11个实验，考虑了不同的视角训练和测试集，并且协变量因子分别考虑了两个特征，如表5所示。对于PWC和PWC + PF特征，我们分别得到了97： 07%100%的最高识别准确率（集合 A）.在Xianglei Xing和Wang（2016）中，使用完全规范化分析来研究两种步态之间的相关性在不同的视角下。然而，我们考虑多个视角和协变量因子的随机集合当在72°视角下训练并在108°视角下使用44个样本进行测试时，他们获得的最高识别准确率为96：7%对所有124个样本进行了拟议工作评价。实验中还比较了不同方法在视角和协变量条件下的平均识别准确率。表6显示我们的方法是一个很好的尝试。6. 结论在这项工作中，我们进行了实验的步态基于人体识别广泛使用的CASIA B多视图步态数据库。考虑到不同视角和协变量条件，从行走对象的动态身体部位提取1D信号进一步计算了124名受试者所有视角和协变量的部分小波相干性和动态身体部位之间的相对相位关系。利用k-均值聚类得到的特征向量与直方图之间的欧氏距离，并保留其欧氏距离，在LDA空间中利用贝叶斯框架进行线性分类。实验结果表明，部分小波相干性具有作为独立特征进行识别的潜力，具有中等的识别率。此外，观察到手和腿之间的相位角对于每个对象的所有视角和协变量条件保持不变。表210名受试者的动态身体部位之间的相位角偏差。这两种特征各自具有不同的鉴别力。 当这两个特征相结合时，系统的整体性能在平均识别率方面有所提高表5不同训练样本集的性能。实验训练序列个测试序列%识别准确率设置VA CVVACV普华永道PWC + PF一[3：9][1：10]【3：9】【一点十分】97.07100B[3：9][4：8]【3：9】【一点十分】62.9564.74C[3：6][1：10]【3：9】【一点十分】69.3571.63D[3：6][1：8]【3：9】【1：6】70.1672.48E[3：6][1：8]【3：9】【一：四】69.9572.15F[3：5][1：8]【3：9】【一：四】60.8763.07G[3：5][1：4]【三点七分】【一：四】75.9578.02H[3：5][1：8]【三点七分】【一：四】73.6976.23我[3：5][1：8]【三点七分】【1：6】73.7876.41J[3：5][1：8]【三点七分】【1：8】73.2775.75K[3：7][1：6]【三点七分】【1：8】79.0181.06平均73.2682.52表6在CASIA B数据库上的识别精度比较。方法MichelaGoffredo等.（二零一零年）（2012年）(SVM) Ming等人（ 二零零九年）(CGI)Chen Wang等人（2012年）普华永道PWC + PFVA/CV6/101/103/10五分之一7/107/10Avg.Reco.Accu.七十三比六七十八分三十三秒八十七比五十八十四：九十九七十三分二十六秒八十二分五十二秒S.A. 再来点PJDeore/沙特国王大学学报383当仅考虑PWC特征时，我们得到了73： 26%的平均识别准确率，当两个特征用于融合时，平均识别准确率为82：52%还应注意，如果测试视角和协变量不包括在训练中，则%识别降低。这可能是因为自遮挡和对象的移动身体部分之间的相位角分别针对不同视角和协变量的变化。这两个特征都是如此。这个问题可以通过分配由每个人的相位变化的高阈值和低阈值组成的隶属函数来解决。在未来的工作中，我们将尝试研究步态识别的视角不变特征。确认本文的部分研究使用了中国科学院自动化研究所的CASIA步态数据库。作者感谢匿名审稿人的批评性建议和评论，这对提高论文的质量和表达方式有很大帮助。作者也感谢Yogesh Ratnakar Vispute教授对论文的校对。引用Amin，T.，Hatzinakos，D.，2009.基于小波分析的周期性步态识别。第16届国际数字信号处理会议论文集，第16页.1比6Ansuman Mahapatra，P.K.S.B.M.，Mishra，Tusar Kanti，2014.基于隐马尔可夫模型的户外视频人体识别系统。AEU-Int. J. Electron. Commun. 68（3），227-236。Banerjee，S.，Mitra，M.，2014.交叉小波变换在心电图模式分析与分类中的应用。IEEE Trans.仪器Meas. 63（2），326-333。布卢姆菲尔德，D.S.，麦卡蒂尔，R.T.J.，Lites，B.W.，法官P.G. Mathioudakis，M.，Keenan，F. P.，2004.子波相位相干分析：应用于静日磁性元件。占星术。J. 617，623-632。王晨，L.W.J.P.，Zhang，Junping，Yuan，X.，2012.基于时间信息保持步态模板的身份识别。IEEE传输模式分析马赫内特尔34（11），2164-2176。夏智贤，Y.-J.D.，作者：Chiang，Jen-Shiun，Lin，T.一、2013年。基于步态能量图的条件排序局部二值模式身份识别。图像处理，计算机视觉和模式识别国际会议。Grinsted，A.，Moore，J.C.，Jevrejeva，S.，2004.交叉小波变换和小波相干在地球物理时间序列中的应用。非线性过程地球物理学家。11（5），561-566.汉，J.，Bhanu，B.，2006年。基于步态能量图像的个体识别IEEE Trans.模式肛门。马赫内特尔 28（2），316-322。黄 ， X. ， Boulliquis ， N.V. ， 2009. 基 于 模 型 的 特 征 融 合 人 体 步 态 识 别 。 IEEEInternational Conference on Acoustics Speech and SignalProcessing ， 1469-1472。Imad Rida，总经理，Jiang，Xudong，2016.无模型步态识别中基于运动套索的人体部位选择。IEEE信号处理。Lett. 23（1），154- 158。Johansson，G.，1973.生物运动的视觉感知及其分析模型。感知。Psychophysics 14（2），210-211.Khalid Bashir，S.G.，Xiang，Tao，2008.步态能量图像特征选择在身份识别中的应用。在：Proc. IEEE声学、语音和信号处理国际会议（ICASSP-2008），pp. 985-988Khalid Bashir，S.G.，Xiang，Tao，2009 a.基于步态熵图像的步态识别。载于：《第三届犯罪侦查和预防国际会议论文集》（ICDP- 2009年），第100页。985-988Khalid Bashir，S.G.，Xiang，Tao，2009 b.使用流场的步态表示。输入：程序英国机器视觉会议（BMVC），pp。1比11KhalidBashir，S.G.，Xiang，Tao，2010.无主体合作的步态识别模式识别。Lett. 31，2052-2060。李湖，格里姆森，W.E.L.，2002.用于识别和分类的步态分析。第五届IEEE自动人脸手势识别国际会议论文集.七三四七四二刘洪，曹玉，王志，2009.一种新的步态识别算法。无线通信信号处理国际会议&，1- 5。Michela Goffredo，J.N.C.，Bouchrika，Imed，Nixon，M.S.，2010.自校准视图不变步态生物测定。IEEE Trans.系统曼·赛伯恩 40（4），997-1008。Ming，D.，张，C.，Bai，Y.，（1996年），美国，Wan，B.，Hu，Y.，陆，K.，2009年 基 于 小 波 描 述 子 和 人 体 骨 架 模 型 多 视 图 融 合 的 步 态 识 别 IEEE InternationalConferenceonVirtualEnvironments ， Human-ComputerInterfacesandMeasurement Systems（VECIMS），pp.246-249.Ng，E.K.W.，Chan，J.C.L.，2012.部分子波相干和多重子波相干的地球物理应用。 J. 大气 层。海洋技术2 9 ，1845-1853.Niyogi，S.A.，Adelson，E.H.，一九九四年XYT中行走图形的分析与识别计算机视觉和模式识别会议，CVPR，pp。469-474.罗斯，K.N.A.，贾恩，A.K.，2006.多重生物识别手册。史普林格出版社，纽约罗伊，A.，Sural，S.，Mukherjee，J.，2012.一种结合步态和运动时相与时空模型的分层方法为人重新鉴定。模式识别。Lett. 33（14），1891-1901。辛普森，D. M.，罗萨斯检察官Infantosi，A.F.C.，2005.新生儿脑血流与自发脑电活动相干性的估计。IEEE Trans. BioMed. Eng.52（5），852-858。托伦斯角， Compo，G. P.，1998. 小波分析实用指南。 公牛。上午。陨石。Soc.9，61-78.Wagg，D.K.，尼克松，理学硕士，2004.基于模型的步态自动提取与分析。第六届IEEE自动人脸与手势识别国际会议论文集.11比16王亮，谭铁牛，胡伟明，宁，华中，2003年。基于统计形状分析的步态自