1.小视角远距离视频步态精准识别身份认证系统，其特征在于，从步态视频的前置处理、动态中编码形态和行进总势能融合的步态特征提取、步态的分类与识别三个方面进行改进；

(1)前置处理阶段：首先，根据实时视频监控摄像头朝某个固定不变，基于背景减除法，采用基于前景检测背景更新背景建模的方法将运动目标与背景分离，得到步态的二值化图像；其次，对获取的二值化步态图像进行腐蚀、膨胀、开闭运算的形态学处理，消除内部空洞和一些噪声；再次，对经过处理的二值化图像做连通区域分析，进一步消除图像中已有的噪声点；最后，采用双线性差值法进行步态轮廓二值化图像的归一化、采用Canny边缘检测算法进行边缘轮廓检测和利用人体步态轮廓图像中人体宽度与高度比值的变化去进行步态周期检测，前置处理为后续的步态特征的提取以及步态的分类与识别阶段奠定基础；

(2)步态特征提取阶段，采用基于动态中编码形态和行进总势能的步态特征提取方法：首先基于动态中编码形态进行步态特征提取，分为轮廓小视角采样和步态特征提取两个部分，轮廓小视角采样采用角度采样方法，提取人体轮廓形态特征时，用动态中编码形态去表征人体形态轮廓；然后，基于行进总势能进行步态特征提取，基于提取到的行进总势能维度较高，对行进总势能进行数据降维处理；最后基于动态中编码形态和行进总势能进行特征级融合，把不同的特征向量矩阵进行组合,融合多种特征，对动态中编码形态和行进总势能两种特征进行归一化，利用两个步态序列间欧式距离度量相似度，得到基于动态中编码形态和行进总势能的特征级融合结果；

(3)分类识别阶段，采用基于加权特征融合的分类识别方法：基于不同特征的贡献度不同，在动态中编码形态与行进总势能两种特征融合的基础之上，分类器在计算隶属度时，对两种特征分别赋予不同权值，采用加权特征融合方法，动态中编码形态和行进总势能两种特征的权重比例是通过设置不同的值，在两者权重之和为1的情况下，计算各种权重组合下加权融合算法的识别率，多次论证取平均值，对比分析得到最终的权重比例，提升步态身份识别率；

其中，基于动态中编码形态的步态特征用一个中值编码形态去表示一组形态，包含有n个形态，同一个形态经过平移、旋转和尺度变化后，从视觉直观角度变成不同的形态，消除平移、旋转和尺度变化的影响，将n个形态对齐，同时将这n个形态由k个对应的点组合，然后再求得其中值编码形态，轮廓形态对齐通过图像归一化实现，在边缘轮廓线上采取到k个对应的点，去描述每个轮廓形态；

其中，行进总势能是对一个步态序列的所有二值化图像B(x,y)先求和而后取的中值编码值，直观上表现为形态轮廓以及它们的变化，行进总势能G(x,y)的计算式如式12所示：式12中N为步态周期所包含的帧数，Bt(x,y)表示t时刻坐

标为(x，y)的点所对应的灰度值，得到的行进总势能维度高，计算量大，需要进行数据降维处理；

n×d

假设一幅m×n的图像A，它的投影矩阵为X∈R ，设Y为图像A在X上的投影，大小为m×d，即Y＝AX式13，式13中X为投影矩阵，A是原始图像，Y是通过X矩阵投影后投影特征向量，投影轴X的优劣决定矩阵Y的好坏，影响最终的识别效果，降维时用准则函数J(x)去判断投影轴X的好坏，J(X)的表达式如式14所示：J(X)＝tr{SY}式14，式14中训练样本集合中Y的协方差矩阵用SY来表示，协方差矩阵SY的迹用tr{SY}来表示；

当式14中表达式取得最大值时，表示获取一个投影轴X，让投影后所得的特征向量的总体离散度矩阵的值最大；矩阵SY的迹的表达式如式15所示：T

tr{SY}＝tr{E[(Y‑EY)(Y‑EY) ]}

T

＝tr{E[AX‑E(AX)][Ax‑E(Ax)]}

T T

＝tr{XE[(A‑EA) (A‑EA)]X}                   式15T

然后定义图像的协方差矩阵为：G＝E[(A‑EA) (A‑EA)]式16，其中，矩阵G是非负正定的，大小为n×n；

假如有M幅图像Ak，大小都为m×n，通过这M幅图像计算协方差矩阵，中值编码图像矩阵记为 表达式如式17所示： 那么协方差矩阵G估算为：T

式15转化为：tr[SY}＝tr{XGX}式19，由式19与式15联合，得到式20：T

J(X)＝tr{SY}＝tr{XGX}            式20其中，X为归一化正交列向量，X只有一列，选取若干个最佳投影轴，采用协方差G中前d个最大特征值所对应的特征向量，然后将它们组合成最佳投影轴X，即为：X＝(x1，x2，...，xd)＝arg Max[J(x)]

T

且有xixj＝0，i≠j，i，j＝1，2，...，d         式21假设有行进总势能A，令：YK＝AXK，k＝1，2，…，d式22，由式22得到一组投影后的结果Y1，Y2，…，Yk，为A的主势能向量，降维后选择d个主势能向量构成的m×d的矩阵即为行进总势能A的特征矩阵。

2.根据权利要求1所述小视角远距离视频步态精准识别身份认证系统，其特征在于，轮廓小视角采样：采用等角度采样的方法进行小视角采样，角度采样利用相同的角度间隔，对边缘轮廓线进行采样，假设总共要对轮廓线采k个点，那么采样的间隔角度为：θ1＝360°/k                 式1

以某一点为起点，以θ1为角度间隔对边缘轮廓进行采点，逆时针旋转一周，当再次回到起点即完成采样；

将直角坐标系转换为极坐标系，将原来图像中的质心坐标(xc，yc)作为转换后的坐标原点，具体的变换式如式2所示：计算质心(xc，yc)按照：

式4中，Nb表示二值化图像的中全部像素点的数目，(xi，yi)表示边缘轮廓线上任意一点所对应的直角坐标；

完成角度定点采样后，将极坐标转换为直角坐标，获取到动态中编码形态特征：x＝r*cosθ，y＝r*sinθ           式5

采用式5转换获取直角系下的坐标。

3.根据权利要求1所述小视角远距离视频步态精准识别身份认证系统，其特征在于，步态特征提取：二维平面内的形态Z用它的k个边缘点所表示，所有边缘点到质心的向量组合而成一个向量，能用该向量表示的形态Z为公因子向量，具体的表达式如式6所示：T

Z＝[z1，z2，..，zk]          式6

式6中，zi＝(xi‑xc)+j*(yi‑yc)，(i＝1，2，3，…，k)，z1是指质心到边缘点i的向量，用一个复数表示，(xi，yi)表示的是二维坐标系中点的坐标点，(xc，yc)表示的是此形态的质心，基于人体二维轮廓形态，以质心(xc，yc)为坐标原点，边界上的点为(xi，yi)；

假如有两个二维形态Z1与Z2，它们的公因子向量经过若干次的平移变换或旋转变换以及尺度变换之后，Z1与Z2的公因子向量还是相同，那么判定Z1与Z2具有相同的形态，具体的变换如式7所示：式7中，αlk是对形态Z2进行平移变换，β对形态Z2进行旋转变换和尺度变换；采用一个变T量来表示某个形态的中心，此变量为中心向量，设中心向量为U，U＝[u1，u2，…uk] ，其中两个中心向量U1、U2之间的距离，用d(U1，U2)表示。

4.根据权利要求3所述小视角远距离视频步态精准识别身份认证系统，其特征在于，计算一组步态图像序列的中值编码形态，具体方法如下：假设一个步态视频序列有n帧，这个序列有n个不同的形态，然后，令 来表示这n个形态中的中值编码形态，采用最小化式10所示的函数，获取此n个形态集合的中值编码形态：按照式11计算矩阵，求出

上标*表示复数共辄转置，平面形态中值编码形态 与该矩阵Su的最优支配向量正好对应，Su矩阵的最大特征值所对应的特征向量即为所求的中值编码形态；

给出同一个人的步态序列的动态中编码形态图像，然后给出不同的行人在0度视角下的动态中编码形态图像。

5.根据权利要求1所述小视角远距离视频步态精准识别身份认证系统，其特征在于，基于动态中编码形态和行进总势能的特征级融合：将原始的数据经过一系列的前置处理，把不同的特征向量矩阵进行组合，融合多种特征来提高识别率，动态中编码形态和行进总势能两种特征得到的特征矩阵的尺寸大小不一，先对其进行归一化；

动态中编码形态表示的是一组视频序列中轮廓形态的中值编码，用矩阵u来表示，u的大小与采样点数目k相关，假设k＝m，m为归一化后图像的宽度，u的大小为m×1，设行进总势能图像的大小为m×n，对行进总势能降维，降维后得到的特征矩阵大小为m×d，降维后的矩阵为Am×d；

设归一化后动态中编码形态的特征向量为 的表达式如式23所示：

设归一化行进总势能降维后的特征矩阵为Bm×d，B的表达式如式24所示：设两种特征融合后的特征矩阵为 B＝(B1,B2,…,Bd)，融合后的矩阵F转化为设融合后的两个不同步态序列的特征矩阵分别为Fi与Fj，利用两个步态序列间欧式距离度量相似度，Fi与Fj间的距离D(Fi，Fj)为：得到基于动态中编码形态和行进总势能的特征级融合结果。