1引言

步態(tài)識(shí)別技術(shù)是一種新興的生物特征測(cè)量技術(shù)。

指出，步態(tài)特征具有*性，可以利用人體步態(tài)特征進(jìn)行身份識(shí)別?；谌梭w的步態(tài)行為特征進(jìn)行識(shí)別，可以在一定程度上克服傳統(tǒng)識(shí)別技術(shù)的不足，近年來(lái)逐漸被廣泛關(guān)注。

步態(tài)識(shí)別方法可分為基于統(tǒng)計(jì)特征和基于模型兩類(lèi)?；诮y(tǒng)計(jì)的方法直接從圖像序列中提取相應(yīng)統(tǒng)計(jì)參數(shù)，作為對(duì)象分類(lèi)識(shí)別的特征指標(biāo)，如Huang等人[2]基于光流特征提出的主元分析法和線性判決方法混合變換，以及Wang等人[3]提出的基于輪廓的解卷繞識(shí)別方法等;而基于模型的方法則重點(diǎn)關(guān)注人的運(yùn)動(dòng)信息,預(yù)先建立人體模型,通過(guò)模型和圖像序列的匹配獲得模型參數(shù),再利用這些參數(shù)作為步態(tài)特征進(jìn)行分類(lèi)，Lee等人[4]采用7個(gè)橢圓來(lái)匹配運(yùn)動(dòng)人體的二值化輪廓的不同的身體部位,然后提取橢圓的29個(gè)矩特征來(lái)分析、Yoo等人[5]根據(jù)解剖學(xué)的知識(shí),進(jìn)行軀體的拓?fù)浞治?將人體的運(yùn)動(dòng)外輪廓簡(jiǎn)化為一種2D的stick模型。

目前，兩類(lèi)方法各自存在著一些缺點(diǎn)：基于統(tǒng)計(jì)的步態(tài)識(shí)別方法對(duì)背景和光照信號(hào)的變化敏感，且難以回避運(yùn)動(dòng)場(chǎng)景中的遮擋現(xiàn)象對(duì)識(shí)別能力所造成的嚴(yán)重影響;而基于模型的步態(tài)識(shí)別方法將整個(gè)步態(tài)序列的每幀單獨(dú)看待，損失了步態(tài)周期的有機(jī)整體性。文獻(xiàn)[6]指出身體的動(dòng)態(tài)信息主要表現(xiàn)為大腿和小腿的擺動(dòng)規(guī)律，因此可以在建立人體模型時(shí)作一些簡(jiǎn)化。

針對(duì)上述問(wèn)題，本文提出了一種基于關(guān)節(jié)角度信息的步態(tài)識(shí)別算法：將腿部輪廓邊界采用線段模型近似，并用zui小二乘法擬合，計(jì)算出大腿和小腿的關(guān)節(jié)角度;考慮到步態(tài)運(yùn)動(dòng)的準(zhǔn)周期性，將關(guān)節(jié)角度時(shí)序信息按傅利葉級(jí)數(shù)形式展開(kāi)，利用遺傳算法搜索出各次諧波的系數(shù)，對(duì)各次諧波的幅度值進(jìn)行尺度標(biāo)準(zhǔn)化，由此構(gòu)成特征向量進(jìn)行步態(tài)的分類(lèi)識(shí)別。

2腿部關(guān)節(jié)角度信息提取

2.1運(yùn)動(dòng)人體輪廓提取

采用背景消減法來(lái)提取運(yùn)動(dòng)目標(biāo)。先計(jì)算出背景圖像和當(dāng)前圖像的差值，再對(duì)差值圖像進(jìn)行二值化,得到二值圖像，如圖1（a）,（b）,（c）所示。對(duì)上述二值圖像做進(jìn)一步的后處理。zui終提取出來(lái)的人體輪廓如圖1（d）所示。由于采用背景消減法是運(yùn)動(dòng)目標(biāo)檢測(cè)的常用方法，限于篇幅，在此我們就不贅述了。

2.2運(yùn)動(dòng)人體腿部建模

文獻(xiàn)[5]中的Stick模型把人體看成是由若干剛體構(gòu)件組成的機(jī)構(gòu)，并在該假設(shè)下將運(yùn)動(dòng)人體骨骼化為一組服從特定連接順序的線段，且每條線段都具有一定的轉(zhuǎn)動(dòng)靈活性?；谶\(yùn)動(dòng)學(xué)分析的步態(tài)識(shí)別研究，采用各關(guān)節(jié)角度的時(shí)序變化來(lái)描述人體步態(tài)行為。在Stick模型中關(guān)節(jié)角度可定義為相應(yīng)線段與給定軸線之間的夾角?？紤]到腿部運(yùn)動(dòng)是步態(tài)的主要組成部分，本文對(duì)Stick模型進(jìn)行簡(jiǎn)化，僅對(duì)運(yùn)動(dòng)人體的大腿和小腿進(jìn)行局部建模分析。即由輪廓圖像生成腿部線段，獲得大腿和小腿的關(guān)節(jié)角度信息。

2.3腿部關(guān)節(jié)角度提取

運(yùn)用邊界搜索檢測(cè)出輪廓圖像中的大腿（或小腿）邊界。采用線性zui小二乘法對(duì)人體輪廓圖像中的大腿（或小腿）邊界進(jìn)行線段擬合，將擬合結(jié)果作為本文模型中大腿（或小腿）的對(duì)應(yīng)線段。設(shè)擬合出來(lái)的線段所在直線為：

則大腿（或小腿）對(duì)應(yīng)關(guān)節(jié)角度

為：

對(duì)序列輪廓圖像依次進(jìn)行上述處理，即提取出了大腿和小腿關(guān)節(jié)角度的時(shí)序信息。

3腿部特征信號(hào)提取

3.1步態(tài)信號(hào)周期性

Murray[1]的步態(tài)研究表明步態(tài)運(yùn)動(dòng)具有準(zhǔn)周期性的特點(diǎn)。文獻(xiàn)[7]使用自相似圖表確定步態(tài)周期，本文則將zui大輪廓寬度取得極大值時(shí)對(duì)應(yīng)的圖像幀確定為步態(tài)周期的起始點(diǎn)。由于單個(gè)周期包含了周期信號(hào)的全部信息，本文算法選取步態(tài)序列中任意一個(gè)步態(tài)周期參與步態(tài)識(shí)別過(guò)程。

3.2遺傳算法搜索傅利葉級(jí)數(shù)系數(shù)

根據(jù)傅利葉理論，周期性連續(xù)信號(hào)可按傅利葉級(jí)數(shù)形式進(jìn)行展開(kāi)。例如，周期為的連續(xù)信號(hào)，可展開(kāi)成下式：

式中，

為信號(hào)的直流分量，

對(duì)應(yīng)信號(hào)各次諧波的系數(shù)，是zui大諧波次數(shù)。對(duì)于步態(tài)信號(hào)而言，C.Angeloni等人[8]的研究表明，正常步態(tài)的zui大頻率成分不超過(guò)5Hz，而正常步態(tài)單個(gè)周期的持續(xù)時(shí)間大約為1s，即正常步態(tài)的基波頻率為1Hz。鑒于此，本文對(duì)大腿和小腿關(guān)節(jié)角度的時(shí)序信息進(jìn)行傅利葉級(jí)數(shù)展開(kāi)時(shí)，均取=5。由于人體行進(jìn)過(guò)程中的遮擋問(wèn)題以及其它干擾因素的存在，總會(huì)出現(xiàn)某些幀的關(guān)節(jié)角度信息難以提取的情況，因此無(wú)法直接求解出各次諧波系數(shù)。

遺傳算法是模仿自然界生物進(jìn)化機(jī)制發(fā)展起來(lái)的隨機(jī)全局搜索和優(yōu)化方法，它能在搜索過(guò)程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí)，并自適應(yīng)地控制搜索過(guò)程以求得zui優(yōu)（或近似zui優(yōu)）解。本文采用遺傳算法來(lái)搜索各次諧波的系數(shù)，本質(zhì)上是根據(jù)提取出來(lái)的有限幀關(guān)節(jié)角度，對(duì)一個(gè)步態(tài)周期內(nèi)關(guān)節(jié)角度的連續(xù)變化規(guī)律進(jìn)行估計(jì)。本文選定的待優(yōu)化目標(biāo)函數(shù)為:

進(jìn)行多次搜索，選擇當(dāng)取得zui小值時(shí)的那組系數(shù)值作為步態(tài)周期的各次諧波系數(shù)。其中N為一個(gè)步態(tài)周期內(nèi)的總圖像幀數(shù)，z（t）表示由第t幀圖像得到的大腿（或小腿）關(guān)節(jié)角度值，則根據(jù)遺傳算法搜索得到的系數(shù)帶入（4）式計(jì)算得到。圖2給出了根據(jù)已知關(guān)節(jié)角度信息，采用遺傳算法估計(jì)出來(lái)的某步態(tài)周期內(nèi)大腿和小腿關(guān)節(jié)角度值的連續(xù)性時(shí)序變化過(guò)程。可以看出，在關(guān)節(jié)角度值已知處，估計(jì)值具有較高的估計(jì)精度。

實(shí)驗(yàn)發(fā)現(xiàn)，同一個(gè)人在不同步態(tài)周期中，對(duì)應(yīng)的大腿（和小腿）關(guān)節(jié)角度時(shí)序變化的估計(jì)曲線頗為相似，而不同人對(duì)應(yīng)的估計(jì)曲線之間則存在一定的差異。圖3給出了不同人的大腿關(guān)節(jié)角度時(shí)序變化的估計(jì)曲線。

3.4生成步態(tài)特征向量

不同人正常步下步態(tài)周期的持續(xù)時(shí)間有一定差異，即便是同一個(gè)人，在不同步態(tài)模式下（如快步走與慢步走）對(duì)應(yīng)的步態(tài)周期也是不一致的。顯然，必須對(duì)遺傳算法搜索出的各次諧波系數(shù)進(jìn)行尺度變換，方能實(shí)現(xiàn)準(zhǔn)確的步態(tài)識(shí)別。本文利用傅利葉變換的尺度縮放性質(zhì)，對(duì)各次諧波系數(shù)所對(duì)應(yīng)的頻率進(jìn)行規(guī)一化，并將變換后所得各次諧波系數(shù)的幅度值

所組成的矢量，作為步態(tài)特征向量，用來(lái)進(jìn)行步態(tài)的分類(lèi)識(shí)別。

4實(shí)驗(yàn)及分析

4.1步態(tài)數(shù)據(jù)庫(kù)

本文采用CarnegieMellon大學(xué)CMU步態(tài)數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。該數(shù)據(jù)庫(kù)共含25個(gè)人，每個(gè)人包含4種不同的步態(tài)模式:慢步走、傾斜走、快步走和抱球走，如圖4所示。每種步態(tài)模式有六個(gè)視角，則每個(gè)人對(duì)應(yīng)有24個(gè)步態(tài)視頻序列。每一個(gè)視頻序列約11秒長(zhǎng),幀頻率30幀/秒，圖像分辨率為640 480。

4.2實(shí)驗(yàn)結(jié)果及分析

本文從CMU庫(kù)中隨機(jī)選擇了單一視角下9個(gè)人的視頻序列進(jìn)行步態(tài)識(shí)別（每人有4種不同的步態(tài)模式，共計(jì)36個(gè)序列）。

實(shí)驗(yàn)選擇了zui近鄰分類(lèi)器和K-近鄰分類(lèi)器兩種模式分類(lèi)方法，使用留一校驗(yàn)法對(duì)本文方法的識(shí)別率進(jìn)行無(wú)偏估計(jì)。每次留出一個(gè)樣本，然后訓(xùn)練所有余下樣本。zui后，根據(jù)留出樣本與余下樣本的相似性來(lái)對(duì)被留出的樣本進(jìn)行分類(lèi)。表1給出了分別采用NN和3NN分類(lèi)器的正確識(shí)別率。

從表1可以看出，將特征向量采用級(jí)聯(lián)方式的融合，并選用3NN分類(lèi)器進(jìn)行分類(lèi)，可以獲得更高的識(shí)別率。特征向量級(jí)聯(lián)在一定程度上避免了由于單個(gè)關(guān)節(jié)特征數(shù)據(jù)誤差所導(dǎo)致的誤判。采用NN分類(lèi)器時(shí)，對(duì)慢步走和抱球走兩種步行狀態(tài)，級(jí)聯(lián)識(shí)別率相對(duì)于小腿關(guān)節(jié)識(shí)別率并沒(méi)有明顯的提高，這可能跟樣本數(shù)量有限有關(guān)。

4.3算法比較

表2列出和本文采用相同或類(lèi)似規(guī)模數(shù)據(jù)庫(kù)的文獻(xiàn)相關(guān)算法的識(shí)別結(jié)果,具有一定的可比性,從統(tǒng)計(jì)的結(jié)果可以看出本文算法具有較高的識(shí)別率。

5結(jié)語(yǔ)

本文提出了一種基于關(guān)節(jié)角度信息的步態(tài)識(shí)別算法，克服了通常情況下因遮擋而無(wú)法識(shí)別的難題。并在CMU庫(kù)上對(duì)該方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，獲得了令人滿(mǎn)意的識(shí)別效果。本文僅考慮了單一視角（攝像機(jī)鏡頭的主軸與人的行走方向垂直）的情況。

進(jìn)一步的研究包括：提高算法的實(shí)時(shí)性和魯棒性，在更大規(guī)模的數(shù)據(jù)庫(kù)中對(duì)本文方法進(jìn)行識(shí)別性能測(cè)試，并分析特征提取對(duì)視角變化的敏感性，提取對(duì)于視角與人的行走速度不敏感的步態(tài)特征。

關(guān)注本網(wǎng)官方微信 隨時(shí)閱讀專(zhuān)業(yè)資訊