1.一种结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，包括以下步骤：

(1)数据集的获取：从公开的步态数据库中获取一部分步态图像，另外现场跟踪记录人的步行运动轨迹，提取视频序列；

(2)分别将步骤(1)中从数据库中获取的步态图像和提取的视频序列进行步态特征提取，具体包括以下子步骤：

(2.1)步态轮廓提取：公开数据库为已经处理好的步态轮廓图像，现场提取的视频序列采用背景减除法获取前景图像，并经形态学滤波处理和边缘跟踪获得步态轮廓图像；

(2.2)步态周期分割：根据行走时两个脚踝间距离变化的周期性分割步态周期，将正常行走的关键步态归纳为以下三种情形：脚踝并齐、左脚前右脚后、右脚前左脚后，并分别记为K1、K2和K3，其中所述的脚踝并齐包括左脚提起经过右脚侧、右脚提起经过左脚侧和并齐站立，然后将一个完整步态周期定义为K1→K2→K1→K3→K1或K1→K3→K1→K2→K1这5个关键帧的转换过程；

(2.3)特征向量选取：将轮廓边缘到轮廓重心的距离作为特征向量，从轮廓的底中心点逆时针计算各轮廓点(xi，yi)到重心(xc，yc)的距离ri,记作R＝(r1,r2，…，rn)，并进行归一化处理；设人j某个步态周期的轮廓特征向量为 T为帧数，为了降低向量维j

数，选取一个步态周期内5个具有代表性的关键帧图像矩阵，用集合ε＝{e1,e2,…,e5}表j

示； 表示在时刻t图像的特征向量,在时刻t计算 到ei∈ε的距离构成一个5维的向量其中， 表示人j的第i个步态关键帧， 作为人j的观测向量；

(2.4)将从数据库中获取的步态图像提取的人j的观测向量分为训练集、注册集1和测试集1，将从现场采集到的视频序列提取的特征向量分为测试集2和注册集2，其中注册集1和注册集2合成容量为5的观测向量集，训练集也为容量为5的观测向量集，测试集1和测试集2合成容量为5的观测向量集；

(3)视角转换模型训练：使用截断奇异值分解TSVD技术进行视角转换模型的构建,利用训练集中的各关键步态生成的观测向量分别生成视角转换模型，共计5个，并将测试集中待识别观测向量转换为与注册集视角相同的观测向量；

(4)连续隐马尔可夫模型训练：使用视角转换模型转换后的注册集观测向量来训练隐马尔可夫模型参数,一个隐马尔可夫模型以λ＝{A,B,π}表示，其中：A为状态转移矩阵，B为输出概率密度函数，π为初始状态概率分布；初始状态由步态周期内选取的5个关键帧表示，输出概率密度函数使用混合高斯模型表示，选取经视角转换模型转换后的标准视角利用Baum‑Welch算法重估模型的初始参数，使得在该模型下观测序列概率P(O|λ)最大，最终为每个人确定各自的步态模型参数；

(5)基于隐马尔可夫模型的分类器识别：已知由注册集训练获取的所有人的步态模型集{λi|i≤m}和经视角转换模型转换后的测试集中一个容量为N的步态观测向量集V＝{vk|k∈[1，N]}，每一个向量vk对应一个长度为T的观测序列Ok＝ok1ok2…okT；利用前向算法依次计算每个已知类别的步态模型能够产生该步态观测向量集中所有观察序列的平均概率:对上式结果排序，产生最大概率值的模型所对应的类别认定为最有可能产生该步态的人。

2.根据权利要求1所述的结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，所述的截断奇异值分解TSVD的分解过程如下：等式中左侧矩阵表示步态矩阵，总共有k个视角，m个实验对象用于构建视角转换模型，每行表示同一视角下不同实验对象的步态信息，每列表示同一实验对象在不同视角下的步态信息； 表示实验对象m在k视角时的特征向量，设 的维数是Ng；其中U是k Ng×m的正m

交矩阵,V是m×m的正交矩阵，S是m×m包含奇异值的对角矩阵，Pk是Ng×m的US子矩阵，v是m维列向量,是第m个实验对象的固有步态特征，它适用于任何一个视角；Pk又是一个投影矩阵，它可以将各视角共同拥有的步态特征向量v投影至特定视角k下的步态特征向量：因此，将视角j的特征向量转换为视角i的特征向量式子如下:其中 是Pj的广义逆矩阵，对角矩阵S中除前n个最大奇异值外都归零，其中n

3.根据权利要求1所述的结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，所述步骤(2.1)中步态轮廓提取时，当数据库图像背景单一时，直接采用背景减除法获取前景图像，否则，需先以混合高斯模型背景建模，再进行背景减除分离出前景图像。

4.根据权利要求1所述的结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，所述的步骤(2.1)中采用Adaboost算法来检测人形，通过多次迭代获得多个弱分类器，再将多个弱分类器加权叠加形成一个强分类器，为了增加人形检测的快速性和准确性，将生成的几个强分类器组合形成一种级联分类器。

5.根据权利要求1所述的结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，所述的步骤(3)的连续隐马尔可夫模型训练步骤如下：①首先输入模型的状态数N、初始状态概率π、初始状态转移概率矩阵A、迭代误差e和观测向量O；

②利用K‑means算法估计混合高斯密度参数cjk、μjk和Ujk，得到初始模型λ0；

③利用Baum‑Welch算法重估初始化的参数；

④利用前向算法计算输出概率P(O|λ)，当满足误差条件，把λ作为最终的结果模型，否则利用Baum‑Welch算法继续重估。

6.根据权利要求1所述的结合视角转换模型与隐马尔可夫模型的步态识别方法，其特征在于，所述的步骤(2.3)中的归一化处理的公式为：R’＝R/max(r1,r2,…,rn)。