基于嵌入式系统的人体步态自动识别系统

2．5 识别

将由数据融合得出的特征进行基于PCA的特征空问变换。假设初始的训练样本集为T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i个人第j个步态样本向量为Xij，而样本总数为NT=N1+N2+…+Nc。

求样本集的总体均值向量μ和协方差矩阵∑，




如果协方差矩阵∑的秩为N，由det|λI-∑|=0求得矩阵∑的N个特征值λ1，λ2，λ3，…，λN，并由矩阵方程λiI-∑=0，i=0,1,2，…，N;求得对应于N个特征值λ1，λ2，λ3，…，λN的N个特征向量e1，e2，e3，…，eN。选取与前K个最大特征值对应的前K个特征向量，并使


其中α表示样本集在前K个轴上的能量占整个能量的百分比。通常取α值接近于1，以使得样本集在前K个轴上的能量几乎接近于整个能量。

用式(2)中所求得K个特征向量重建初始样本集中的每个样本。算法如下：



这样就得到一个K维的权向量Ωi，j用于进行识别。

选取最近邻分类法进行步态模式分类。设经过特征提取并向特征空间投影，所得到的特征向量为Ω，求得Ω与每个每个模式类的平均向量Ω i，j之间的欧几立德距离。




其中


由最近邻分类法的判决准则可知，当εi(x)的值最小时，则x∈εi；否则x∈εi。

2．6 识别的有效性与错误率

根据模式识别的原理，当有两类步态时，步态识别的错误率由下式给出：



其中

积分区间R1为当w2误判为w1时的误判区间，而积分区间R2为当w1误判为w2时的误判区间。当p(e)最小时，识别越有效，而当p(e)越大时，识别性能越差。当有多类步态时，依次类推。

3 系统实现

3．1 硬件实现

系统硬件连接框图如图2所示。



3．2 软件实现

系统软件流程图如图3所示。



4 结论

步态识别已成为近些年来计算机视觉领域新的研究方向。本文提出了一种简单的自动步态识别方法，并给出了基于Renesas嵌入式芯片的自动步态识别系统，从长远来看，该系统的应用很广泛。