步態能量圖生成主要有兩步，主要為：

在原始輪廓圖上對人的輪廓進行裁剪，在下面制作步態能量圖圖片疊加以什么為中心位置也是一個問題。一般有兩種方式，一種是中心位置為人體寬的一半。另一種是以頭頂為中心位置。如：下圖為原始圖像與裁剪后的圖像

為人體寬一般為中心位置

以頭頂為中心位置

對裁剪后圖像合成，一個步態周期的圖像合成一個步態能量圖，步態周期如何判斷，網上有一些方法，這里直接是手動指定的。如下圖為一個步態周期

以身寬一般為中心合成的步態能量圖為：

以頭頂為中心合成步態能量圖為：

可以看出以頭頂為中心效果比較好

代碼如下裁剪輪廓，存放到與原文件夾相同格式的文件目錄中，在通過裁剪的圖生成GEI
以CISIA-B數據集為例，原文件目錄格式為

生成的剪切圖

生成的一張步態能量圖

這里以一個整個步態序列作為周期

import os
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

def cut_image(path,cut_path,size):
    '''
    剪切圖片
    :param path: 輸入圖片路徑
    :param cut_path: 剪切圖片后的輸出路徑
    :param size: 要剪切的圖片大小
    :return:
    '''
    for (root,dirs,files) in os.walk(path):
        temp = root.replace(path,cut_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        for file in files:
            image,flag = cut(Image.open(os.path.join(root,file)))
            if not flag: Image.fromarray(image).convert('L').resize((size,size)).save(os.path.join(temp,file))

    pass

def cut(image):
    '''
    通過找到人的最小最大高度與寬度把人的輪廓分割出來，、
    因為原始輪廓圖為二值圖，因此頭頂為將二值圖像列相加后，形成一列后第一個像素值不為0的索引。
    同理腳底為形成一列后最后一個像素值不為0的索引。
    人的寬度也同理。
    :param image: 需要裁剪的圖片 N*M的矩陣
    :return: temp:裁剪后的圖片 size*size的矩陣。flag：是否是符合要求的圖片
    '''
    image = np.array(image)

    # 找到人的最小最大高度與寬度
    height_min = (image.sum(axis=1)!=0).argmax()
    height_max = ((image.sum(axis=1)!=0).cumsum()).argmax()
    width_min = (image.sum(axis=0)!=0).argmax()
    width_max = ((image.sum(axis=0)!=0).cumsum()).argmax()
    head_top = image[height_min,:].argmax()
    # 設置切割后圖片的大小，為size*size，因為人的高一般都會大于寬
    size=height_max-height_min
    temp = np.zeros((size,size))

    # 將width_max-width_min（寬）乘height_max-height_min（高，szie）的人的輪廓圖，放在size*size的圖片中央
    # l = (width_max-width_min)//2
    # r = width_max-width_min-l
    # 以頭為中心，將將width_max-width_min（寬）乘height_max-height_min（高，szie）的人的輪廓圖，放在size*size的圖片中央
    l1 = head_top-width_min
    r1 = width_max-head_top
    # 若寬大于高，或頭的左側或右側身子比要生成圖片的一般要大。則此圖片為不符合要求的圖片
    flag = False
    if size<=width_max-width_min or size//2<r1 or size//2<l1:
        flag = True
        return temp,flag
    # centroid = np.array([(width_max+width_min)/2,(height_max+height_min)/2],dtype='int')
    temp[:,(size//2-l1):(size//2+r1)] = image[height_min:height_max,width_min:width_max ]

    return temp,flag

def GEI(cut_path,data_path,size):
    '''
    生成步態能量圖
    :param cut_path: 剪切后的圖片路徑
    :param data_path: 生成圖片的路徑
    :param size: 生成能量圖大小
    :return:
    '''
    for (root,dirs,files) in os.walk(cut_path):
        temp = root.replace(cut_path,data_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        GEI = np.zeros([size,size])
        if len(files)!=0:
            for file in files:
                GEI += Image.open(os.path.join(root,file)).convert('L')
            GEI /= len(files)
            Image.fromarray(GEI).convert('L').resize((size,size)).save(os.path.join(temp,'1.png'))
    pass


if __name__=='__main_':
    cut_image("C:\Users\China\Desktop\GaitDatas","C:\Users\China\Desktop\CutImage",126)
    GEI("C:\Users\China\Desktop\CutImage","C:\Users\China\Desktop\GEIData",126)

更新：以重心為中心合成GEI（論文常用方式）

import os
from PIL import Image
import numpy as np


def cut_image(path,cut_path,size):
    '''
    剪切圖片
    :param path: 輸入圖片路徑
    :param cut_path: 剪切圖片后的輸出路徑
    :param size: 要剪切的圖片大小
    :return:
    '''
    for (root,dirs,files) in os.walk(path):
        temp = root.replace(path,cut_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        for file in files:
            image,flag = cut(Image.open(os.path.join(root,file)))
            if not flag: Image.fromarray(image).convert('L').resize((size[1],size[0])).save(os.path.join(temp,file))

    pass
def cut(image):
    '''
    以重心為中心合成GEI
    通過找到人的最小最大高度與寬度把人的輪廓分割出來，、
    因為原始輪廓圖為二值圖，因此頭頂為將二值圖像列相加后，形成一列后第一個像素值不為0的索引。
    同理腳底為形成一列后最后一個像素值不為0的索引。
    人的寬度也同理。
    :param image: 需要裁剪的圖片 N*M的矩陣
    :return: temp:裁剪后的圖片 size*size的矩陣。flag：是否是符合要求的圖片
    '''
    image = np.array(image)
    # 找到人的最小最大高度與寬度
    height_min = (image.sum(axis=1)!=0).argmax()
    height_max = ((image.sum(axis=1)!=0).cumsum()).argmax()
    width_min = (image.sum(axis=0)!=0).argmax()
    width_max = ((image.sum(axis=0)!=0).cumsum()).argmax()
    head_top = image[height_min,:].argmax()
    # 設置切割后圖片的大小，為size*size，因為人的高一般都會大于寬
    size=height_max-height_min
    temp = np.zeros((size,size))
    #計算質心
    N = np.sum(image!=0)
    Xy = 0
    for i in range(image.shape[0]):
        Xy += np.sum(image[i,:]!=0)*i
    Xy = Xy//N
    Xc = 0
    for i in range(image.shape[1]):
        Xc += np.sum(image[:, i] != 0) * i
    Xc = Xc // N
    centroid = (Xc,Xy)
    l1 = Xc-int(size*11/16/2)
    r1 = Xc+int(size*11/16/2)
    # 若寬大于高，或頭的左側或右側身子比要生成圖片的一般要大。則此圖片為不符合要求的圖片
    flag = False
    if l1>width_min or l1<0 or r1<width_max or r1>image.shape[1]:
        flag = True
        return temp,flag
    # centroid = np.array([(width_max+width_min)/2,(height_max+height_min)/2],dtype='int')
    #temp[:,(size//2-l1):(size//2+r1)] = image[height_min:height_max,width_min:width_max ]
    temp = image[height_min:height_max,l1:r1]
    #print((r1-l1)/size,temp.shape[1]/temp.shape[0],11/16)
    #若圖片像素值過少，則圖片也不合格
    print(image.sum())
    if image.sum()<5000:
        flag = False
    return temp,flag

def GEI(cut_path,data_path,size,batch=None,strides=None):
    '''
    生成步態能量圖，若batch或strides為None則將整個序列合成一GEI
    :param cut_path: 剪切后的圖片路徑
    :param data_path: 生成圖片的路徑
    :param size: 生成能量圖大小
    :param batch: 多少張圖片合成一張步態能量圖
    :param strides: 合成GEI的步長
    :return:
    '''
    for (root,dirs,files) in os.walk(cut_path):
        temp = root.replace(cut_path,data_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        if batch==None or strides==None:
            batch_ = len(files)
            strides_ = len(files)
        else:
            batch_ = batch
            strides_ = strides
        #圖片多余10張才生成GEI
        if len(files)>10:
            print(len(files))
            files.sort()
            k = len(os.listdir(temp))
            for i in range(0,len(files),strides_):
                if i+batch_>len(files):
                    break
                GEI = np.zeros(size)
                for file in files[i:i+batch_]:
                    GEI += Image.open(os.path.join(root, file)).convert('L')
                GEI /= batch_
                Image.fromarray(GEI).convert('L').save(os.path.join(temp, str(k)+'.png'))
                k += 1
    pass


# cut_image(r'D:gaitDatasetsGaitDatas08',r'D:gaitDataCut_Caps_64_44_',(126,126))
GEI(r'D:gaitDataCut_Caps_64_44_',r'D:oke_GEI',(64,44))

總結

以上是生活随笔為你收集整理的GEI步态能量图生成的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。