GEI简介
步态能量图（Gait Engery Image, GEI）是步态检测中最非常常用的特征，提取方法简单，也能很好的表现步态的速度，形态等特征。
其定义如下：
其中，
表示在第q个步态序列中，时刻t的步态剪影图中坐标为(x,y)的像素值。
步态周期的判断使用步态剪影的宽、高之比即可，这个值比较容易而且随步态状态呈现周期性变化。
步态剪影
单张步态剪影图需调节成宽为W，高为H的大小。
调节时保持剪影的比例不变，即如果剪影本身w'/h'
得到rescaled的步态剪影的代码：
// get resized gait image
if(!walk_img.empty()){
vector > contours;
vector hierarchy;
Mat walk_img_tmp;
threshold(walk_img,walk_img_tmp,128,255,THRESH_BINARY);
findContours( walk_img_tmp, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, Point(0, 0) );
vector > contours_poly( contours.size() );
vector boundRect( contours.size() );
int maxRectHeight=0;
int maxRectId=0;
if(contours.size()>0){
for( int i = 0; i< contours.size(); i++ ){
//drawContours( walk_img, contours, i, Scalar(255,255,255), 2, 8, hierarchy, 0, Point() );
//Approximates a polygonal curve(s) with the specified precision.
approxPolyDP( Mat(contours[i]), contours_poly[i], 3, true );
//Calculates the up-right bounding rectangle of a point set.
boundRect[i] = boundingRect( Mat(contours_poly[i]) );
if(boundRect[i].height>maxRectHeight){
maxRectHeight = boundRect[i].height;
maxRectId = i;
}
}
//rectangle( walk_img, boundRect[maxRectId].tl(), boundRect[maxRectId].br(), Scalar(255,255,255), 2, 8, 0 );
double aspect_ratio=(double)boundRect[maxRectId].height/boundRect[maxRectId].width;
double base_aspect_ratio=(double)gei_height/gei_width;
aspect_ratios.push_back(aspect_ratio);
if(aspect_ratio>=base_aspect_ratio){
Mat gait_roi=walk_img(boundRect[maxRectId]);
Mat gait_roi_tmp;
double resize_scale=double(gei_height)/gait_roi.rows;
resize(gait_roi,gait_roi_tmp,Size(),resize_scale,resize_scale);
Mat gait_img=Mat::zeros(gei_height,gei_width,CV_8UC1);
for(int i=0;i(i);
uchar* p=gait_img.ptr(i);
for(int j=(gei_width-gait_roi_tmp.cols)/2,k=0;k(k);
uchar* p=gait_img.ptr(i);
for(int j=0;j
步态能量图GEI
得到GEI即把上一步每个周期得到的所有图加权平均即可。
if(aspect_ratios.size()<4)
break;
// get gait feature: gait energy image
vector max_ids;
for(int i=2;iaspect_ratios[i-1])&&(aspect_ratios[i]>aspect_ratios[i-2])
&&(aspect_ratios[i]>aspect_ratios[i+1])&&(aspect_ratios[i]>aspect_ratios[i+2]))
max_ids.push_back(i);
}
// for all gait cycles
for(int cycle_id=1;cycle_id=6 && gait_end_id-gait_start_id<30){
for(int g=gait_start_id;g<=gait_end_id;g++){
Mat gait=gait_imgs[g];
Mat gait_tmp;
gait.convertTo(gait_tmp,CV_32F);
gait_energy_img = gait_energy_img+gait_tmp;
#ifdef GAIT_DEBUG
char tmp[50];
itoa(g,tmp,10);
imshow(tmp,gait);
#endif
}
//waitKey(10000);
gait_energy_img = gait_energy_img/(float)(gait_end_id-gait_start_id+1);
for(int r=0;r(r);
for(int c=0;c
在CASIA Dataset B 数据集上得到每个角度GEI图：
（转载请注明作者和出处：http://blog.csdn.net/xiaowei_cqu未经允许请勿用于商业用途）
