基于确定学习理论的人体步态识别研究

The aim of human gait recognition is to recognize individuals or detect physiological, pathological and mental characteristics by their walking styles. Gait is human's explicit and dynamic representation which is closely related to the spatial-temporal information of waking movements. It is an important and challenging problem to model and identify human gait. In this project, the gait features representing the dynamic characteristics of human gait systems are extracted. Based on deterministic learning theory, we study the problems of modeling, identification（learning）, time-invariant representation of the time-variant nonlinear gait system dynamics, and also study the similarity definition and rapid recognition of different gait patterns in a dynamic way instead of a static way. On the basis of the above studies, the difficulties in gait recognition, such as variation of view angles and walking speeds in actual scenes, are further studied and dealt with to improve the recognition performance. In this project, the methods of parameter convergence and closed-loop stability analysis in adaptive neural network control are applied in gait recognition, which transform the gait recognition problem into the stability and convergence analysis of recognition errors. It provides a new idea and a new path for the research of challenging gait recognition problems in the field of dynamic pattern recognition. Finally, in this project, a real-time and automatic gait recognition prototype is developed to achieve significative exploration in practical applications.

步态识别旨在根据人们走路的姿势进行身份识别或生理、病理及心理特征的分析检测。步态是人外在的、动态的表现，且和步行运动的时空信息密切联系，对其建模、辨识是一个重要且有挑战性的问题。本项目提取反映人体步态系统动力学特性的步态特征，基于确定学习理论，采用动态而非静态的方式研究时变的非线性步态系统动力学的建模、辨识（学习）、时不变表达、步态模式之间的相似性定义和快速识别等问题。在此基础上深入研究和解决实际应用场景中多视角以及不同行走速度下的步态识别难题，提高识别性能。本项目将自适应神经网络控制中关于参数收敛和闭环系统稳定性分析的研究方法应用到步态识别领域，将步态识别问题转化为误差系统的稳定性和收敛性问题。这将为研究步态识别这一动态模式识别领域具有挑战性的课题提供新思路和新途径。本项目还将开发出实时自动的步态识别系统原型机，进行步态识别在实际应用中的有益探索。

步态识别旨在根据人们走路的姿势进行身份识别或生理、病理及心理特征的分析检测。步态是人外在的、动态的表现，且和步行运动的时空信息密切联系，对其建模、辨识是一个重要且有挑战性的问题。本项目提出了一些有效的方法来解决步态识别领域中的困难问题，并进而将步态识别的方法推广应用至步态分析领域，初步解决基于步态分析的疾病辅助诊断等问题。主要研究内容包括：时变的非线性步态系统动力学的建模、辨识（学习）、时不变表达、步态模式之间的相似性定义和快速识别等问题，以及基于步态分析的疾病辅助诊断等问题。在上述研究内容中，提出了一个新的基于侧影轮廓特征和确定学习理论的步态识别方法。该方法提取出侧影轮廓高度和宽度比值、二值轮廓的宽度、轮廓面积和轮廓质心高度这四个侧影轮廓特征组成了一个新的步态特征用于步态识别；提出了解决不同行走速度下的步态识别问题的新方法。这包括通过选择对行走速度变化敏感的人体下肢区域的侧影轮廓宽度特征以及整体轮廓高宽比和整体轮廓投影面积，能够较为全面地反映行走速度变化对步态系统动力学的影响；提出了与视角无关的步态识别新算法，通过提取四种不同的轮廓宽度特征实现了不同视角下的步态识别，提高算法对视角变化的鲁棒性。同时结合微软 Kinect采集骨架关节点三维空间位置信息并视角归一化到侧面视角下，实现多视角步态识别。初步开发出实时自动的步态识别原型机系统。结合C++、OpenCV函数库和Matlab软件以及带GPU功能的高性能计算机等硬件建立步态识别系统原型机来进行图像处理、步态特征提取以及步态模式的训练和识别等工作；提出利用异常步态进行运动神经退行性疾病辅助诊断的算法。研究发现左右脚支撑和摆动时间数据以及足底压力特征数据能够隐性地反映健康正常人和运动神经退行性疾病患者的步态运动特性，从而基于这些步态特征数据，对健康正常人和运动神经退行性疾病患者进行步态系统的建模、辨识和识别，实现疾病的辅助诊断。本项目将自适应神经网络控制中关于参数收敛和闭环系统稳定性分析的研究方法应用到步态识别领域，将步态识别问题转化为误差系统的稳定性和收敛性问题。这为研究步态识别这一动态模式识别领域具有挑战性的课题提供了新思路和新途径。本项目还初步开发出实时自动的步态识别系统原型机，进行了步态识别在实际应用中的有益探索。项目的研究成果在智能视频监控和基于步态分析的疾病辅助诊断等生物医学领域有着广泛的应用前景。