嵌入式人體步態(tài)自動(dòng)識別系統

若記其中u和v是該點(diǎn)的光流的x分量和y分量，則式(1)為

式(2)就為光流計算的基本等式。
2．2．2 光流有關(guān)的計算
對于圖像上的每一點(diǎn)(xi,yi)，求解光流場(chǎng)方程(2)，得到由迭代形式表示的解為：

2．3 光流場(chǎng)中運動(dòng)特征的提取
從光流中提取的特征包括運動(dòng)點(diǎn)T，加權的運動(dòng)點(diǎn)|(u,v)|，|u|，|v|，以及光流分布的質(zhì)心特征等。通過(guò)光流場(chǎng)，利用T(u，v)將運動(dòng)點(diǎn)(白色)和非運動(dòng)點(diǎn)(黑色)區分開(kāi)來(lái)，由下式表示：

在本實(shí)驗中，選取|(u，v)|加權橫坐標作為從光流場(chǎng)中提取的步態(tài)特征。
2．4 步態(tài)特征的數據融合
對于所提取的步態(tài)特征xuc和yuc，由數據融合算法D-S合成公式：

其中m1和m2是特征空間上的兩個(gè)mass函數，N為矛盾引子，
2．5 識別
將由數據融合得出的特征進(jìn)行基于PCA的特征空問(wèn)變換。假設初始的訓練樣本集為T(mén)={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i個(gè)人第j個(gè)步態(tài)樣本向量為Xij，而樣本總數為NT=N1+N2+…+Nc。
求樣本集的總體均值向量μ和協(xié)方差矩陣∑，

如果協(xié)方差矩陣∑的秩為N，由det|λI-∑|=0求得矩陣∑的N個(gè)特征值λ1，λ2，λ3，…，λN，并由矩陣方程λiI-∑=0，i=0,1,2，…，N;求得對應于N個(gè)特征值λ1，λ2，λ3，…，λN的N個(gè)特征向量e1，e2，e3，…，eN。選取與前K個(gè)最大特征值對應的前K個(gè)特征向量，并使其中α表示樣本集在前K個(gè)軸上的能量占整個(gè)能量的百分比。通常取α值接近于1，以使得樣本集在前K個(gè)軸上的能量幾乎接近于整個(gè)能量。
用式(2)中所求得K個(gè)特征向量重建初始樣本集中的每個(gè)樣本。算法如下：

這樣就得到一個(gè)K維的權向量Ωi，j用于進(jìn)行識別。
選取最近鄰分類(lèi)法進(jìn)行步態(tài)模式分類(lèi)。設經(jīng)過(guò)特征提取并向特征空間投影，所得到的特征向量為Ω，求得Ω與每個(gè)每個(gè)模式類(lèi)的平均向量Ω i，j之間的歐幾立德距離。

其中
由最近鄰分類(lèi)法的判決準則可知，當εi(x)的值最小時(shí)，則x∈εi；否則x∈εi。