4、基于GEI的步态识别技术解析

基于GEI的步态识别技术解析

1. GEI噪声特性与优势

GEI（步态能量图像）中的噪声均值会根据参数M在 -p 和 p 之间变化，同时其变异性（σ²¯η(x,y)）会减小。当在位置 (x,y) 处 M = N（即所有 ft(x,y) = 1）时，E{¯η(x,y)} 变为 -p；当 M = 0 时，E{¯η(x,y)} 变为 p。在该位置，GEI 中噪声的均值与单个轮廓图像中的相同，但噪声方差降低，从而减少了异常值的概率。若 M 在 0 到 N 之间变化，E{¯η(x,y)} 也会在 p 和 -p 之间变化。极端情况下，当 M = N/2 时，GEI 中的噪声均值为零且方差减小。因此，与单个轮廓图像相比，GEI 对单个帧中的轮廓噪声不太敏感。

2. 基于GEI的识别框架

为了实现识别目的，我们构建了一个基于 GEI 的通用框架，具体步骤如下：
1. 轮廓提取与处理 ：
- 采用简单的背景减法提取原始轮廓。该方法易于实现且计算时间较少。首先使用足够多的帧构建背景的高斯模型，对于前景帧中的每个像素，通过将其像素值与该像素处的均值和标准差进行比较，来估计其属于背景还是前景。
- 对提取的原始轮廓进行进一步处理，包括大小归一化（按比例调整每个轮廓图像的大小，使所有轮廓具有相同的高度）和水平对齐（将上半部分轮廓相对于其水平质心居中）。
- 在得到的轮廓序列中，下半部分轮廓大小的时间序列信号包含了运动频率和相位信息。由于该时间序列信号包含少量周期和大量噪声，会在傅里叶频谱中产生旁瓣效应。为避免此问题，我们使用最大熵谱估计来估计运动频率和相位。
2. 特征提取 ：