基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征MATLAB源码介绍
2024-05-11 09:32:50
基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征MATLAB源码介绍
在上一篇博文中“基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征”( https://blog.csdn.net/BinHeon/article/details/94619690 )介绍了如何基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库获得步态周期以及步态宽高比特征、角度特征。这里便给出其对应的MATLAB源码。
我工程里的步态数据是从GaitDatasetB截选的10人，如果有需要我matlab源码工程作参考的，可以点赞并留言，如果是不缺积分的大佬，也可以直接在我的主页下载里面下载：https://download.csdn.net/download/binheon/11289205
一、MATLAB工程说明
首先说明一下我的matlab工程文件夹的结构；一是介绍下主要构成，二是这关系到读取步态图片部分的处理。
图1-1 matlab工程的结构
该文件夹中：
“gaitpic”文件夹：步态图片文件夹，以及仿真过程中保存的轮廓骨骼图等；内部如下图2所示。
“GaitCode.m”：总体程序。
“test_Outlinepixel2Centroid_AngleDistance.m”：获取分区角度等信息的函数。
图1-2 10人步态轮廓图像以及提取出的一个周期内的步态图像
二、MATLAB代码
1、导入步态图片文件部分
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Trainingfilenum = 3; % 训练人数
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第一部分： 从不同文件夹导入图片
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% %%%% %%%% 第一步： 导入二值化步态图片,图片来自中科院CASIA数据库B库% 导入图集为各个行人的步态图像；然后以下以第一次出现步态跨度最小至第三次出现步态最小为一个步态周期。figure('NumberTitle','off','Name','数据库图集');%%%% %%%% 从图集中读取所有图片fileDir = ['gaitpic\Trainingset\cl',num2str(filnum),'\']; % 文件夹路径（这里指的图片文件），filnum为行人XXX的步态filePattern = '*.png'; % 文件格式（图片格式）dis = dir([fileDir,filePattern]); % 利用dir函数，返回fileDir路径下、filePattern% 所有文件（文件名、文件路径、日期、字节等）infilenames = {dis.name}; % 得到文件名infilenums = length(infilenames); % 得到文件个数for i=1:infilenums % 循环读取文件filen = [fileDir infilenames{i}]; % '\gaitpic\Trainingset\cl-filnum\第i个文件'gpic = imread(filen); % imread('gaitpic\Trainingset\cl-filnum\第i个文件')GaitMessage(filnum).GaitPicture(:,:,i) = gpic;imshow(GaitMessage(filnum).GaitPicture(:,:,i));title(['No.1-',num2str(i)]);end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第一部分 导入图片
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
利用结构体数据:GaitMessage(filnum).GaitPicture(:,:,i)，将步态图片数据从cl1、cl2、cl3…文件夹中读取出来，filnum为对应的第filnum个文件夹，其中包含行人xxx的步态图片，i为便是该文件夹中xxx的第i张步态图片。如下图2-1便是读取之后显示出来的效果（截选）：
图2-1 截选显示2人的步态轮廓图像各一张
2、图像预处理部分（形态学、轮廓提取、骨骼提取）
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第二部分： 图像预处理
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% 1、形态学处理figure('NumberTitle','off','Name','图像预处理-形态学处理');% picnums获取第filnum个人的步态图片张数[height,width,picnums] = size( GaitMessage(filnum).GaitPicture); % 选取形态学处理的结构元素 close_se = strel('disk',4); % 边长为4的圆盘结构元素open_se = strel('disk',4); % 边长为4的圆盘结构元素%%%% 进行边长为4的八边形 先闭后开运算for i=1:picnums % 对该人的所有步态图像进行形态学处理clo = imclose( GaitMessage(filnum).GaitPicture(:,:,i) ,close_se); % 闭运算操作ope = imopen(clo,open_se); % 开运算操作GaitMessage(filnum).Morphology(:,:,i) = ope; % 形态学处理后的图片 imshow( GaitMessage(filnum).Morphology(:,:,i) );title(['No.2-',num2str(filnum),'-1-',num2str(i)]);end%%%% %%%% 2、人像轮廓提取(边缘检测) - 骨骼提取(细化函数) - 生成轮廓骨骼图像 figure('NumberTitle','off','Name','图像预处理-边缘检测');for i=1:picnumsGaitMessage(filnum).Edgepic(:,:,i) = edge( GaitMessage(filnum).Morphology(:,:,i),'sobel'); % sobel算子GaitMessage(filnum).Skeletonpic(:,:,i) = bwmorph( GaitMessage(filnum).Morphology(:,:,i),'thin',Inf); % 人体细化GaitMessage(filnum).EdgeandSkeleton(:,:,i) = GaitMessage(filnum).Edgepic(:,:,i) + GaitMessage(filnum).Skeletonpic(:,:,i); % 生成轮廓骨骼图% 保存下来，保存路径为：gaitpic/EdgeandSkeleton/all/filnum-es-i.pngimwrite( GaitMessage(filnum).EdgeandSkeleton(:,:,i) , strcat(['gaitpic/EdgeandSkeleton/all/',num2str(filnum),'es',num2str(i),'.png']));% 画图部分
% imshow( GaitMessage(filnum).Edgepic(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示轮廓图 ;
% imshow( GaitMessage(filnum).Skeletonpic(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示骨骼图 imshow( GaitMessage(filnum).EdgeandSkeleton(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示轮廓骨骼图% 画图结束end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第二部分： 图像预处理
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
图像预处理主要将原始的轮廓图中的缺陷以及多余连接区域进行填充、腐蚀；从而使得人像更加平滑。结构体：GaitMessage(filnum).Morphology(:,:,i)便是用于储存形态学处理后的图片信息的参数，filnum为对应的第filnum个文件夹，其中包含行人xxx的步态图片，i为便是该文件夹中xxx的第i张步态图片；下面2-2便是形态学处理的效果。
图2-2 截选部分人的步态轮廓图经过形态学处理效果
紧接着便是对形态学处理后的步态图片进行轮廓的提取，只保留人像轮廓便足够体现人体步态信息，还能极大的减少计算量。本次调用edge函数，利用sobo算子，计算人像轮廓并保存至结构体：GaitMessage(filnum).Edgepic(:,:,i)中，filnum为对应的第filnum个文件夹，其中包含行人xxx的步态图片，i为便是该文件夹中xxx的第i张步态图片。图2-3便是提取轮廓的效果
图2-3 截选部分人的步态轮廓图提取效果
然后便利用细化函数bwmorph( GaitMessage(filnum).Morphology(:,:,i),‘thin’,Inf)，用人像的二值图提取人像的骨架，并对应保存在结构体：GaitMessage(filnum).Skeletonpic(:,:,i)中，filnum为对应的第filnum个文件夹，其中包含行人xxx的步态图片，i为便是该文件夹中xxx的第i张步态图片。
提取出人像轮廓以及人体骨架之后，将两者进行叠加，进而生成具有骨架的人像轮廓图片，如下图2-4所示：
图2-4 截选人像轮廓以及骨架叠加效果图
3、步态周期检测部分
// An highlighted block
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第三部分： 步态周期检测与提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% picnums获取第filnum个人的步态图片张数[height,width,picnums] = size( GaitMessage(filnum).GaitPicture); %%%% %%%% 获得每个轮廓的最小外接矩形 & 以其矩形的长宽作为人像高宽for i=1:picnums imbiEdgepic = imbinarize( GaitMessage(filnum).Morphology(:,:,i) ); % 步态图二值化%%%% regionprops函数用于返回图片的属性，求各个轮廓的最小外接矩形GaitMessage(filnum).BoundBs(1,i) = regionprops(imbiEdgepic,'BoundingBox'); % 利用函数度量图像区域属性，这里度量最小外接矩形% 返回一个结构数据，其内是有关最小外接矩形的位置% 长、宽信息，调用格式：s.BoundingBox% s.BoundingBox = [x,y,w(△x),h(△y)]%%%% 求各个对应的宽高比rec_width = GaitMessage(filnum).BoundBs(i).BoundingBox(3); % 宽rec_heigh = GaitMessage(filnum).BoundBs(i).BoundingBox(4); % 高GaitFeatures(filnum).Aspectratio(1,i) = rec_width / rec_heigh; % 宽高比特征end% 画图部分：figure('NumberTitle','off','Name','步态周期检测-宽高比');plot(GaitFeatures(filnum).Aspectratio); title(['No.3-',num2str(filnum),'步态集-人像宽高比变化曲线']);% 画出面积走势图% 画图结束%%%% %%%% 取连续三个局部最小值之间为一个周期（也可以取得连续三个局部最大值之间为一个周期）%%%% 利用寻找峰值函数找到局部极值[peas,locs] = findpeaks( -GaitFeatures(filnum).Aspectratio );% 由于想寻找局部极小值，而该函数是寻找局部极大值，所以对其取负peas = - peas; % 将值还原 % 由于本次未使用这个值，所以注释掉了；如果需要使用，则需要将注释去除，不然值是所需值的负数%%%% 取连续三个局部最小值之间为一个周期，第一个极小为起点，第三个极小为终点periodstart = 1;periodend = 3;GaitMessage(filnum).periodlocs = [locs(periodstart) locs(periodend)];%%%% 取宽高比周期GaitMessage(filnum).mPeriod = GaitFeatures(filnum).Aspectratio(GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));% 画图部分：figure('NumberTitle','off','Name','步态周期检测-周期提取');plot(GaitMessage(filnum).mPeriod);title(['No.3-',num2str(filnum),'步态集-步态周期内人像宽高比变化曲线']);% 画出面积走势图% 画图结束%%%% 取周期内的步态图片GaitMessage(filnum).GaitPeriod = GaitMessage(filnum).EdgeandSkeleton(:,:,GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));[height,width,picnums] = size( GaitMessage(filnum).GaitPeriod ); for i = 1:picnums%保存下来，保存路径为：gaitpic/EdgeandSkeleton/period/filnum-es-i.pngimwrite( GaitMessage(filnum).GaitPeriod(:,:,i) , strcat(['gaitpic/EdgeandSkeleton/period/',num2str(filnum),'es',num2str(i),'.png']));end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第三部分： 步态周期检测
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
由于需要获得人像宽高比特征并且我们的图像相对简单、人像与背景差异大，因而这里直接采用了度量函数regionprops(imbiEdgepic,‘BoundingBox’)，利用“BoundingBox”参数，求得图片中人像的最小外接矩形，并以其矩形的长宽作为人像的高宽长度；再进而获取宽高比，并保存在结构体：GaitFeatures(filnum).Aspectratio(1,i)中，filnum与i参数的意义以上相同，不再累述。计算出的不同人员的宽高比如下图2-5，第一次出现低点(两腿并拢)到第三次出现低点之间作为一个步态周期的提取如下图2-6，以及不同人一个周期内的宽高比曲线如图2-7。
图2-5 截选人像宽高比效果图
图2-6 提取周期
图2-7 不同人一个周期内宽高比特征变化曲线
4、角度特征
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第四部分： 角度特征提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% %%%% %%%% 第四步： 步态特征提取sectornums = 2; % 分区数，即将下半身分为两个分区，将人像以垂直轴(y轴)为分界线，左右分别为一个分区%%%% %%%% 整个过程角度特征距离特征 以质心为原点，对下半身采用2分区，提取各个分区信息以及轮廓像素信息，[GaitFeatures(filnum).nthsectorFeatures,Outlinepixelmessage,centroid] = test_Outlinepixel2Centroid_AngleDistance(GaitMessage(filnum).EdgeandSkeleton,sectornums);% 只获取一个步态周期内的角度特征for nths = 1:sectornumsGaitFeatures(filnum).nthsectorPeriodFeatures(nths).PeriodaverageAngle = GaitFeatures(filnum).nthsectorFeatures(nths).averageAngle(GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));end%%%% 画图部分：画出该人步态角度特征figure('NumberTitle','off','Name','同一人整个过程-角度特征');for i = 1:sectornumsplot(GaitFeatures(filnum).nthsectorFeatures(i).averageAngle - 270);title(['No.4-',num2str(filnum),'-1','同一人的1/2分区-角度均值变化曲线']) % 画出角度走势图hold onend% 对应的周期角度特征曲线figure('NumberTitle','off','Name','同一人步态周期内-角度特征');for i = 1:sectornumsplot(GaitFeatures(filnum).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270);title(['No.4-',num2str(filnum),'-2','同一人的1/2分区-周期角度均值变化曲线']) % 画出角度走势图hold onend%%%% 画图结束%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第四部分： 角度特征提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
角度特征的提取，由自建函数：
[nthsector,Outlinepixel,centroid] = test_Outlinepixel2Centroid_AngleDistance(logicalpic,sampletime)完成
它涉及到：①求图片质心；②以质心为中心对人体骨骼轮廓图中的像素点重新建立坐标系；③以新坐标的y轴负半轴视为下半身（即像素位置其高度高于质心高度，注：图片中像素位置是从上至下，从左至右增加）；④将下半身分区，分区数由参入参数sampletime传入；⑤分别计算各个分区内，每一个人像轮廓像素点与质心（现在新坐标的原点）点的夹角；并叠加求均值作为该分区的角度特征。其部分人员角度特征变化曲线以及对应的截取一个周期内的角度特征变化曲线如下图2-8。
注：个人觉得求均值效果不好，但是计算出的角度特征变化曲线也还能够不错的体现出步态的周期性；但是可以考虑如期望之类的其他数学方法，这里就由各位数学大佬来考虑考虑了，我这里暂时采用均值方式。
图2-8 部分人员角度特征变化曲线以及对应的截取一个周期内的角度特征变化曲线
画出两张角度特征图：一是所有被测人员的不同分区角度曲线比较图，二是截取所有被测人员在一个步态周期内不同分区的角度曲线变化图；它们效果如下图2-9所示，其中只选取了三人作为被测的角度曲线图。
图2-9 不同人员的变化曲线比较图
注：1、整个合成好的代码：GaitCode.m
// An highlighted block
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 步态特征提取 宽高比特征以及角度特征
%
% 2019/6/18
% BinHeon
% https://blog.csdn.net/BinHeon
%
% 注意：如果选择测试的人数超过5个人，请注释掉部分显示图片/画图窗口，
% 显示窗口超过30个以上可能出现matlab报错，提示画图低级错误
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
close all;
clear;
clc;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Trainingfilenum = 3; % 训练人数
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第一部分： 从不同文件夹导入图片
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% %%%% %%%% 第一步： 导入二值化步态图片,图片来自中科院CASIA数据库B库% 导入图集为一个步态周期，且以步态跨度最大时为起始时刻figure('NumberTitle','off','Name','数据库图集');%%%% %%%% 从图集中读取所有图片fileDir = ['gaitpic\Trainingset\cl',num2str(filnum),'\']; % 文件夹路径（这里指的图片文件）filePattern = '*.png'; % 文件格式（图片格式）dis = dir([fileDir,filePattern]); % 利用dir函数，返回fileDir路径下、filePattern% 所有文件（文件名、文件路径、日期、字节等）infilenames = {dis.name}; % 得到文件名infilenums = length(infilenames); % 得到文件个数for i=1:infilenums % 循环读取文件filen = [fileDir infilenames{i}]; % '\gaitpic\Trainingset\cl-filnum\第i个文件'gpic = imread(filen); % imread('gaitpic\Trainingset\cl-filnum\第i个文件')GaitMessage(filnum).GaitPicture(:,:,i) = gpic;imshow(GaitMessage(filnum).GaitPicture(:,:,i));title(['No.1-',num2str(i)]);end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第一部分 导入图片
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第二部分： 图像预处理
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% 1、形态学处理figure('NumberTitle','off','Name','图像预处理-形态学处理');% picnums获取第filnum个人的步态图片张数[height,width,picnums] = size( GaitMessage(filnum).GaitPicture); % 选取形态学处理的结构元素 close_se = strel('disk',4); % 边长为4的圆盘结构元素open_se = strel('disk',4); % 边长为4的圆盘结构元素%%%% 进行边长为4的八边形 先闭后开运算for i=1:picnums % 对该人的所有步态图像进行形态学处理clo = imclose( GaitMessage(filnum).GaitPicture(:,:,i) ,close_se); % 闭运算操作ope = imopen(clo,open_se); % 开运算操作GaitMessage(filnum).Morphology(:,:,i) = ope; % 形态学处理后的图片 imshow( GaitMessage(filnum).Morphology(:,:,i) );title(['No.2-',num2str(filnum),'-1-',num2str(i)]);end%%%% %%%% 2、人像轮廓提取(边缘检测) - 骨骼提取(细化函数) - 生成轮廓骨骼图像 figure('NumberTitle','off','Name','图像预处理-边缘检测');for i=1:picnumsGaitMessage(filnum).Edgepic(:,:,i) = edge( GaitMessage(filnum).Morphology(:,:,i),'sobel'); % sobel算子GaitMessage(filnum).Skeletonpic(:,:,i) = bwmorph( GaitMessage(filnum).Morphology(:,:,i),'thin',Inf); % 人体细化GaitMessage(filnum).EdgeandSkeleton(:,:,i) = GaitMessage(filnum).Edgepic(:,:,i) + GaitMessage(filnum).Skeletonpic(:,:,i); % 生成轮廓骨骼图% 保存下来，保存路径为：gaitpic/EdgeandSkeleton/all/filnum-es-i.pngimwrite( GaitMessage(filnum).EdgeandSkeleton(:,:,i) , strcat(['gaitpic/EdgeandSkeleton/all/',num2str(filnum),'es',num2str(i),'.png']));% 画图部分
% imshow( GaitMessage(filnum).Edgepic(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示轮廓图 ;
% imshow( GaitMessage(filnum).Skeletonpic(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示骨骼图 imshow( GaitMessage(filnum).EdgeandSkeleton(:,:,i) );title(['No.2-',num2str(filnum),'-2-',num2str(i)]); % 显示轮廓骨骼图% 画图结束end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第二部分： 图像预处理
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第三部分： 步态周期检测与提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% picnums获取第filnum个人的步态图片张数[height,width,picnums] = size( GaitMessage(filnum).GaitPicture); %%%% %%%% 获得每个轮廓的最小外接矩形 & 以其矩形的长宽作为人像高宽for i=1:picnums imbiEdgepic = imbinarize( GaitMessage(filnum).Morphology(:,:,i) ); % 步态图二值化%%%% regionprops函数用于返回图片的属性，求各个轮廓的最小外接矩形GaitMessage(filnum).BoundBs(1,i) = regionprops(imbiEdgepic,'BoundingBox'); % 利用函数度量图像区域属性，这里度量最小外接矩形% 返回一个结构数据，其内是有关最小外接矩形的位置% 长、宽信息，调用格式：s.BoundingBox% s.BoundingBox = [x,y,w(△x),h(△y)]%%%% 求各个对应的宽高比rec_width = GaitMessage(filnum).BoundBs(i).BoundingBox(3); % 宽rec_heigh = GaitMessage(filnum).BoundBs(i).BoundingBox(4); % 高GaitFeatures(filnum).Aspectratio(1,i) = rec_width / rec_heigh; % 宽高比特征end% 画图部分：figure('NumberTitle','off','Name','步态周期检测-宽高比');plot(GaitFeatures(filnum).Aspectratio); title(['No.3-',num2str(filnum),'步态集-人像宽高比变化曲线']);% 画出面积走势图% 画图结束%%%% %%%% 取连续三个局部最小值之间为一个周期（也可以取得连续三个局部最大值之间为一个周期）%%%% 利用寻找峰值函数找到局部极值[peas,locs] = findpeaks( -GaitFeatures(filnum).Aspectratio );% 由于想寻找局部极小值，而该函数是寻找局部极大值，所以对其取负peas = - peas; % 将值还原 % 由于本次未使用这个值，所以注释掉了；如果需要使用，则需要将注释去除，不然值是所需值的负数%%%% 取连续三个局部最小值之间为一个周期，第一个极小为起点，第三个极小为终点periodstart = 1;periodend = 3;GaitMessage(filnum).periodlocs = [locs(periodstart) locs(periodend)];%%%% 取宽高比周期GaitMessage(filnum).mPeriod = GaitFeatures(filnum).Aspectratio(GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));% 画图部分：figure('NumberTitle','off','Name','步态周期检测-周期提取');plot(GaitMessage(filnum).mPeriod);title(['No.3-',num2str(filnum),'步态集-步态周期内人像宽高比变化曲线']);% 画出面积走势图% 画图结束%%%% 取周期内的步态图片GaitMessage(filnum).GaitPeriod = GaitMessage(filnum).EdgeandSkeleton(:,:,GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));[height,width,picnums] = size( GaitMessage(filnum).GaitPeriod ); for i = 1:picnums%保存下来，保存路径为：gaitpic/EdgeandSkeleton/period/filnum-es-i.pngimwrite( GaitMessage(filnum).GaitPeriod(:,:,i) , strcat(['gaitpic/EdgeandSkeleton/period/',num2str(filnum),'es',num2str(i),'.png']));end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第三部分： 步态周期检测
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 第四部分： 角度特征提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% %%%% %%%% 第四步： 步态特征提取sectornums = 2; % 分区数，即将下半身分为两个分区，将人像以垂直轴(y轴)为分界线，左右分别为一个分区%%%% %%%% 整个过程角度特征距离特征 以质心为原点，对下半身采用2分区，提取各个分区信息以及轮廓像素信息，[GaitFeatures(filnum).nthsectorFeatures,Outlinepixelmessage,centroid] = test_Outlinepixel2Centroid_AngleDistance(GaitMessage(filnum).EdgeandSkeleton,sectornums);% 只获取一个步态周期内的角度特征for nths = 1:sectornumsGaitFeatures(filnum).nthsectorPeriodFeatures(nths).PeriodaverageAngle = GaitFeatures(filnum).nthsectorFeatures(nths).averageAngle(GaitMessage(filnum).periodlocs(1):GaitMessage(filnum).periodlocs(2));end%%%% 画图部分：画出该人步态角度特征figure('NumberTitle','off','Name','同一人整个过程-角度特征');for i = 1:sectornumsplot(GaitFeatures(filnum).nthsectorFeatures(i).averageAngle - 270);title(['No.4-',num2str(filnum),'-1','同一人的1/2分区-角度均值变化曲线']) % 画出角度走势图hold onend% 对应的周期角度特征曲线figure('NumberTitle','off','Name','同一人步态周期内-角度特征');for i = 1:sectornumsplot(GaitFeatures(filnum).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270);title(['No.4-',num2str(filnum),'-2','同一人的1/2分区-周期角度均值变化曲线']) % 画出角度走势图hold onend%%%% 画图结束%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 第四部分： 角度特征提取
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 画图部分-画出当前所有测试人员的角度特征曲线
% 注：这里给出最多画10人不同曲线的代码，由于曲线线条形状、颜色不同，采用switch语句来画
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% 画图部分： 画出当前所有测试人员的角度特征曲线switch filnumcase 1 figure('NumberTitle','off','Name','所有人整个过程-角度特征');title('不同行人左右分区角度特征比较');% 画出走势图for i = 1:sectornumsplot(GaitFeatures(1).nthsectorFeatures(i).averageAngle - 270,'b-o','MarkerFaceColor','b');hold onendcase 2 for i = 1:sectornumsplot(GaitFeatures(2).nthsectorFeatures(i).averageAngle - 270,'g-x','MarkerFaceColor','g');hold onendcase 3 for i = 1:sectornumsplot(GaitFeatures(3).nthsectorFeatures(i).averageAngle - 270,'r-*','MarkerFaceColor','r');hold onendcase 4 for i = 1:sectornumsplot(GaitFeatures(4).nthsectorFeatures(i).averageAngle - 270,'c-p','MarkerFaceColor','c');hold onendcase 5 for i = 1:sectornumstitle('不同行人左右分区角度特征比较');% 画出走势图plot(GaitFeatures(5).nthsectorFeatures(i).averageAngle - 270,'k-s','MarkerFaceColor','k');hold onendcase 6 figure('NumberTitle','off','Name','步态角度特征');title('不同行人左右分区角度特征比较');% 画出走势图for i = 1:sectornumsplot(GaitFeatures(6).nthsectorFeatures(i).averageAngle - 270,'b-o','MarkerFaceColor','b');hold onendcase 7 for i = 1:sectornumsplot(GaitFeatures(7).nthsectorFeatures(i).averageAngle - 270,'g-x','MarkerFaceColor','g');hold onendcase 8 for i = 1:sectornumsplot(GaitFeatures(8).nthsectorFeatures(i).averageAngle - 270,'r-*','MarkerFaceColor','r');hold onendcase 9 for i = 1:sectornumsplot(GaitFeatures(9).nthsectorFeatures(i).averageAngle - 270,'c-p','MarkerFaceColor','c');hold onendcase 10 for i = 1:sectornumstitle('不同行人左右分区角度特征比较');% 画出走势图plot(GaitFeatures(10).nthsectorFeatures(i).averageAngle - 270,'k-s','MarkerFaceColor','k');hold onendend
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 画图部分结束-画出当前所有测试人员的角度特征曲线
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for filnum = 1:Trainingfilenum % 画图部分-画出当前所有测试人员的角度特征曲线
% 注：这里给出最多画10人不同曲线的代码，由于曲线线条形状、颜色不同，采用switch语句来画
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%% %%%% 对应的周期角度特征曲线switch filnumcase 1 figure('NumberTitle','off','Name','不同行人步态周期内角度特征');title('不同行人左右分区角度特征比较');% 画出走势图for i = 1:sectornumsplot(GaitFeatures(1).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'b-o','MarkerFaceColor','b');hold onendcase 2 for i = 1:sectornumsplot(GaitFeatures(2).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'g-x','MarkerFaceColor','g');hold onendcase 3 for i = 1:sectornumsplot(GaitFeatures(3).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'r-*','MarkerFaceColor','r');hold onendcase 4 for i = 1:sectornumsplot(GaitFeatures(4).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'c-p','MarkerFaceColor','c');hold onendcase 5 for i = 1:sectornumstitle('不同行人左右分区角度特征比较');% 画出走势图plot(GaitFeatures(5).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'k-s','MarkerFaceColor','k');hold onendcase 6 figure('NumberTitle','off','Name','步态角度特征');title('不同行人左右分区角度特征比较');% 画出走势图for i = 1:sectornumsplot(GaitFeatures(6).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'b-o','MarkerFaceColor','b');hold onendcase 7 for i = 1:sectornumsplot(GaitFeatures(7).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'g-x','MarkerFaceColor','g');hold onendcase 8 for i = 1:sectornumsplot(GaitFeatures(8).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'r-*','MarkerFaceColor','r');hold onendcase 9 for i = 1:sectornumsplot(GaitFeatures(9).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'c-p','MarkerFaceColor','c');hold onendcase 10 for i = 1:sectornumstitle('不同行人左右分区角度特征比较');% 画出走势图plot(GaitFeatures(10).nthsectorPeriodFeatures(i).PeriodaverageAngle - 270,'k-s','MarkerFaceColor','k');hold onendend %%%% %%%% 画图结束
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end % 画图部分结束-画出当前所有测试人员的角度特征曲线
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%注2、test_Outlinepixel2Centroid_AngleDistance函数代码部分（另存为函数）
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 图像处理函数 测试
%
% 从二值轮廓图像，获取其轮廓的质心位置；并以质心为中心，建立坐标轴，求轮廓
% 从x坐标轴与轮廓边缘相交的交点为起点，逆时针旋转360°，计算每一个像素到
% 质心方向与x坐标轴的夹角以及每个像素到质心的距离% 函数：
% [angle,centroid] = Outlinepixel2Centroid_Angle(logicalpic,sampletime)
% 参数：
% logicalpic —— 二值化轮廓图像 轮廓点为白色，即“1”
% sampletime —— 划分区域个数（采样点数）
% angle —— 轮廓点-质心与水平轴夹角
% distance —— 距离
% centroid —— 质心，数据格式为[行heigh,列weigh]
% nthsector —— 对每张图的第nth个分区数据集合，用于分析步态过程中对应分区的数据变化情况
%
% 注意：
% 该函数应当考虑极限位置，即下肢垂直时的分析！！
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [nthsector,Outlinepixel,centroid] = test_Outlinepixel2Centroid_AngleDistance(logicalpic,sampletime)
%%%% %%%% %%%% %%%% 预处理
[height,width,picnums] = size(logicalpic); % 获取图片大小、张数%%%% %%%% %%%% %%%% 第一步：求得各个质心
center = zeros(picnums,2);
for pn = 1:picnums % 初始化参数sum_x=0;sum_y=0;area=0;for i=1:heightfor j=1:widthif logicalpic(i,j,pn) == 1 % 轮廓像素点sum_x = sum_x + i; % 记录轮廓像素点位置的总和sum_y = sum_y + j; area = area + 1; % 轮廓像素点个数Outlinepixel(pn).position(area,1) = i; % 记录该幅图轮廓像素点位置，用于第二步使用Outlinepixel(pn).position(area,2) = j; % 记录该幅图轮廓像素点位置，用于第二步使用endendend% 记录该幅图的轮廓像素个数Outlinepixel(pn).pixelnums = area;% 质心坐标center(pn,1) = fix(sum_x/area); % heightcenter(pn,2) = fix(sum_y/area); % width
end
%%%% 获得质心位置
centroid = center;%%%% %%%% %%%% %%%% 第二步：以质心为中心，求得下半身轮廓到各个质心与水平轴夹角，以及距离；这里求下半身！！
% 计算下半身分区角度区域
sectorangle = 180 / sampletime; % 下半身180°，总共分为sampletime块区域，每块区域角度范围为sectorangle
% 对每张图片进行处理
for pn = 1:picnumspixeln = Outlinepixel(pn).pixelnums; % 读取当前图片所具有的像素个数 % 第一步：对每个像素进行查询，然后将其质心作为中心，对各个像素点求得新的坐标for i = 1:pixeln % 获取该图片中，第i个轮廓像素点的中心化位置。% 坐标轴垂直向上为正，水平向右为左；但是像素点为从上到下-从左到右为增，所以中心化时，y轴处理特殊Outlinepixel(pn).centralizationposition(i,1) = center(pn,1) - Outlinepixel(pn).position(i,1); % heightOutlinepixel(pn).centralizationposition(i,2) = Outlinepixel(pn).position(i,2) - center(pn,2); % widthend% 第二步-1：划分各个区域，并初始化必要参数；并将像素点分类for secs = 1:sampletime % 划分各个区域的角度范围；总共将人体下半身分为sampletime个分区；下半身以低于中心点的像素点% 建立分区，初始化分区相关参数Outlinepixel(pn).sampsector(secs).anglerange = 180 + secs * sectorangle; % 根据下半身所划分块个数，对下半身像素标记分区Outlinepixel(pn).sampsector(secs).pixelnums = 0; % 该分区的像素个数 end% 第二步-2：将每个像素点分类for i = 1:pixeln% 判断该点是否属于下半身轮廓像素点lowerflog = Outlinepixel(pn).centralizationposition(i,1);if lowerflog <= 0 % 如果该点属于下半身% 以质心为原点，得到该下半身轮廓像素点的夹角pixelheight = Outlinepixel(pn).centralizationposition(i,1); % 该像素的ypixelwidth = Outlinepixel(pn).centralizationposition(i,2); % 该像素的xpixelangle = 2*pi - acos( pixelwidth / (sqrt(pixelheight^2 + pixelwidth^2)) ); % 反余弦获得夹角 Outlinepixel(pn).pixelpiAngle(i,1) = pixelangle;Outlinepixel(pn).pixelAngle(i,1) = 180*pixelangle/pi;% 根据所需采样块数目建立分区,并分类for secs = 1:sampletime % 划分各个区域的角度范围% 当前像素的角度、距离nowangle = Outlinepixel(pn).pixelAngle(i,1);nowdista = norm( Outlinepixel(pn).centralizationposition(i,:) );% 对该像素进行分区，如果该像素角度小于当前的角度范围，将该像素分为该区域if nowangle <= Outlinepixel(pn).sampsector(secs).anglerange % 记录当前分区像素个数Outlinepixel(pn).sampsector(secs).pixelnums = Outlinepixel(pn).sampsector(secs).pixelnums + 1; pnums = Outlinepixel(pn).sampsector(secs).pixelnums;% 以质心为原点，记录该像素角度Outlinepixel(pn).sampsector(secs).samppixelangle(pnums,1) = nowangle; % 将该像素放置对应分区中% 以质心为原点，得到该像素距离Outlinepixel(pn).sampsector(secs).samppixeldistance(pnums,1) = nowdista; break; % 如果该像素已经划分至某个分区中，则中断循环 ！！！ 非常重要，该步骤会避免重复将该像素点进行分区endendendend% 求得各个分区角度、距离均值for secs = 1:sampletimeOutlinepixel(pn).sampsector(secs).pixelAveAngle = mean(Outlinepixel(pn).sampsector(secs).samppixelangle);Outlinepixel(pn).sampsector(secs).pixelAveDistance = mean(Outlinepixel(pn).sampsector(secs).samppixeldistance);% 对整个图集的各个扇区进行集合，用于用于分析步态过程中对应分区的数据变化情况nthsector(secs).averageAngle(pn,1) = Outlinepixel(pn).sampsector(secs).pixelAveAngle; nthsector(secs).averageDistance(pn,1) = Outlinepixel(pn).sampsector(secs).pixelAveDistance;end
end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征MATLAB源码介绍相关推荐
- 基于CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征MATLAB源码
部分核心程序:D197 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 步态特征提取 宽高比 ...
- 基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征
基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征 由于最近研究的需要,开始将万恶的双手伸向了人体下肢步态(如步态周期检测.步态特征提取.步态相的划分 ...
- 【交通标志识别】基于matlab Hog+SVM路标检测与识别【含Matlab源码 1715期】
一.SVM路标检测识别简介 1 路标识别 完整的路标识别系统包括:图像的获取与预处理,图像分割(路标定位),特征提取,模式分类(路标识别)等部分.其中模式分类是系统的关键技术.较常用的模式分类方法是神 ...
- 【图像隐写】DCT文本嵌入+提取【含GUI Matlab源码 1850期】
⛄一.DCT数字水印简介 1 前言 随着网络通信技术的发展,社会节奏的加快,网络通信技术的成熟,需求也开始发生改变,人们对便利的需求也越来越大,通过将媒体信息数字化,使得信息表达的精准和效率得到了明显 ...
- 【水果检测】基于计算机视觉实现柑橘质量检测及分级系统含Matlab源码
1 简介 水果分级技术能够保证水果的质量,提高消费者的满意度,增强水果产业的竞争力和利润水平.农业现代化进程的加快使得农产品品质检测和分级技术显得更加重要.在我国,水果品质检测绝大部分仍停留在靠人工 ...
- 【卡尔曼滤波】基于EKF、UPF、PF、EPF、UPF多种卡尔曼滤波实现航迹滤波跟踪matlab源码
1 模型 本文重点论述了EKF.UPF.PF.EPF.UPF多种卡尔曼滤波的理论基础,以 离散时间系统为主,介绍了各种滤波方法的递推公式,分析 了各种方法的特点,理顺了种种方法之间的区别和联系,阐 述 ...
- 【滤波器】基于FIR+IIR（高通+低通+带通）滤波器实现音频信号去噪含Matlab源码
1 简介 结合数字滤波器的理论基础和设计方法,在MATLAB程序语言环境下,设计出有限长单位脉冲响应(FIR)数字滤波器,同时利用GUI界面设计FIR数字滤波器人机交互平台,该系统平台界面直观.操作简 ...
- 【滤波跟踪】基于EKF、UPF、PF、EPF、UPF多种卡尔曼滤波实现航迹滤波跟踪matlab源码
1. 使用卡尔曼滤波器的目的 我们假设你建造了一个可以在树林里行走的小机器人,为了精准的进行导航,机器人需要每时每刻都知道它自己的位置 我们用符号来表示机器人的状态变量,在此处我们假设状态变量只包含机 ...
- 【信号去噪】 基于小波软阈值+硬阈值+改进阈值实现轴承故障仿真信号去噪含Matlab源码
1 简介 软阈值消噪是信号消噪中的标准算法.故障检测中的信号去噪,要求在降低噪声水平的同时,保留信号中用于故障检测的奇异特征.通过分析信号和噪声的小波系数在小波空间的不同特性,在"" ...
- 【图像修复】基于matlab损坏图像修复【含Matlab源码 731期】
一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[图像修复]基于matlab损坏图像修复[含Matlab源码 731期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: 付费专栏 ...
最新文章
- iOS：MBProgressHUD的基本使用
- mysql主从 1050错误
- 数据中心暖通相关知识与空调规划设计知识
- G - Periodic Strings (周期串)
- PHP icbc工商银行开放平台聚合支付，二维码扫码支付对接步骤
- 前端程序员的焦虑感从何而来？web前端发展如何
- MATLAB与STK互联13：卫星对象操作（4）—三维显示
- Mac系统原生支持NTFS格式硬盘
- MySQL数据库基本管理
- 把握视频剪辑“节奏感”，视频剪辑其实也可以很简单
- JAVA8学习9-自定义收集器（Characteristics 使用说明）
- 华科大计算机系李瑞轩.,李瑞轩-智能与分布计算实验室
- 红米4高配版_标注：2016060_官方线刷包_救砖包_解账户锁
- 聊聊在深圳互联网公司工作一年后，回西安感受到的行业差距
- 算法题之创造新世界（动态规划）
- 流动比率liquidity rate解释
- EPIC 客户端安装提示错误 EOS-ERR-1603
- 《基础微积分教材中译版》上线计划预告
- 2.雅思口语--表达正面评价的词汇
- chariot iperf使用_jperf使用说明