2．2 步态图像序列中的光流场
    光流是指图像中模式运动的速度。光流场是一种二维(2D)瞬时速度场，其中的2D速度矢量是景物中可见点的三维(3D)速度矢量在成像表面的投影。光流不仅包含了被观察物体的运动信息，而且携带着有关景物3D结构的丰富信息。光流法假定相邻时刻之间的间隔很小(一般为几十ms)，从而相邻时刻的图像差异也比较小。
2．2．1 光流的基本等式
    光流亮度不变性描述的是图像上某个象素点的灰度值随时间的变化率为零，即,展开为
   

    若记其中u和v是该点的光流的x分量和y分量，则式(1)为
    
    式(2)就为光流计算的基本等式。
2．2．2 光流有关的计算
    对于图像上的每一点(xi,yi)，求解光流场方程(2)，得到由迭代形式表示的解为：
   
2．3 光流场中运动特征的提取
    从光流中提取的特征包括运动点T，加权的运动点|(u,v)|，|u|，|v|，以及光流分布的质心特征等。通过光流场，利用T(u，v)将运动点(白色)和非运动点(黑色)区分开来，由下式表示：
   
    在本实验中，选取|(u，v)|加权横坐标作为从光流场中提取的步态特征。
2．4 步态特征的数据融合
    对于所提取的步态特征xuc和yuc，由数据融合算法D-S合成公式：

    其中m1和m2是特征空间上的两个mass函数，N为矛盾引子，
2．5 识别
    将由数据融合得出的特征进行基于PCA的特征空问变换。假设初始的训练样本集为T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i个人第j个步态样本向量为Xij，而样本总数为NT=N1+N2+…+Nc。
    求样本集的总体均值向量μ和协方差矩阵∑，

   
    如果协方差矩阵∑的秩为N，由det|λI-∑|=0求得矩阵∑的N个特征值λ1，λ2，λ3，…，λN，并由矩阵方程λiI-∑=0，i=0,1,2，…，N;求得对应于N个特征值λ1，λ2，λ3，…，λN的N个特征向量e1，e2，e3，…，eN。选取与前K个最大特征值对应的前K个特征向量，并使其中α表示样本集在前K个轴上的能量占整个能量的百分比。通常取α值接近于1，以使得样本集在前K个轴上的能量几乎接近于整个能量。
    用式(2)中所求得K个特征向量重建初始样本集中的每个样本。算法如下：

这样就得到一个K维的权向量Ωi，j用于进行识别。
    选取最近邻分类法进行步态模式分类。设经过特征提取并向特征空间投影，所得到的特征向量为Ω，求得Ω与每个每个模式类的平均向量Ω i，j之间的欧几立德距离。

   

    其中
    由最近邻分类法的判决准则可知，当εi(x)的值最小时，则x∈εi；否则x∈εi。