譚建輝

（1.廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州510006；2.陽江職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)科學(xué)系，廣東 陽江529566）

0 引 言

步態(tài)與虹膜、指紋等第一代生物特征不同，具有非侵犯性和遠(yuǎn)距離識(shí)別性等優(yōu)勢，因此，作為一種智能身份鑒別技術(shù)，步態(tài)識(shí)別具有廣闊的發(fā)展前景和經(jīng)濟(jì)社會(huì)效益。而紅外步態(tài)識(shí)別還可以在完全沒有光源的場景全天候工作，可滿足特殊安保的身份識(shí)別需求，成為一個(gè)新的研究熱點(diǎn)。但由于靠溫度成像，得到的模糊、對(duì)比度低的紅外步態(tài)圖像影響了后續(xù)的識(shí)別效果，因此存在急需提高紅外步態(tài)識(shí)別整體識(shí)別率的問題。國外步態(tài)識(shí)別起步于20世紀(jì)70年代，是從早期醫(yī)學(xué)研究中發(fā)展起來的，但直至2000年，內(nèi)含遠(yuǎn)距離步態(tài)識(shí)別任務(wù)的HID （human identification at a distance）計(jì)劃正式實(shí)施，才開始步入快速發(fā)展期。Rezaul K.Begg等［1］利用支持向量機(jī)進(jìn)行步態(tài)識(shí)別研究，Jiwen L.等［2］使用遺傳模糊支持向量機(jī)進(jìn)行步態(tài)識(shí)別，Han J.等［3］則進(jìn)行了基于多分類器組合的針對(duì)不同環(huán)境的步態(tài)識(shí)別研究。而國內(nèi)步態(tài)識(shí)別研究，由于起步較晚，與國外有一定差距。2001年，中國科學(xué)院利用熱紅外步態(tài)技術(shù)，研究并開發(fā)了行人夜間識(shí)別方法及系統(tǒng)，并且申請(qǐng)為國家專利［4］。韓鴻哲等［5］采用線性判別分析和支持向量機(jī)進(jìn)行步態(tài)識(shí)別，薛召軍等［6－7］則提出基于支持向量機(jī)的步態(tài)識(shí)別新方法，葉波等［8］還研究了貝葉斯多分類器信息融合，并在此基礎(chǔ)上，開發(fā)了一種新的步態(tài)識(shí)別技術(shù)。經(jīng)過綜合對(duì)比分析，認(rèn)識(shí)到當(dāng)前的步態(tài)識(shí)別還是小樣本識(shí)別，因此采用支持向量機(jī)仍是一種可行的有效識(shí)別方法。此外，為對(duì)各種模式信息進(jìn)行充分的融合，采用了信息互補(bǔ)技術(shù)開展多分類器融合識(shí)別，進(jìn)一步提高了最終的識(shí)別精度。因此，為了進(jìn)一步提高紅外步態(tài)的正確識(shí)別率，本文提出了一種多分類器融合識(shí)別新模型，分別進(jìn)行基于偽Zernike距特征和基于角度直方圖特征的單分類器識(shí)別，然后利用粗糙集支持向量機(jī)進(jìn)行多分類器融合識(shí)別，實(shí)驗(yàn)結(jié)果表明該模型識(shí)別性能好，識(shí)別率有很大的提高。

1 粗糙集支持向量機(jī)

由Vapnik提出的支持向量機(jī) （SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別新技術(shù)，其模型簡單、理論清晰，在人臉識(shí)別、手寫體輸入識(shí)別等多個(gè)應(yīng)用領(lǐng)域使用廣泛。其核心思想是根據(jù)輸出的最大分類間隔開展模式識(shí)別，而決策函數(shù)則由最優(yōu)分類超平面來決定。圖1是線性可分的支持向量機(jī)的原理圖。其中，兩大樣本分別用小方塊和小圓圈來表示，而它們的區(qū)分線則用直線H來表示。畫一條直線H1，讓它與直線H平行，并且通過距離直線H最近的小方塊；同理，畫一條直線H2，讓它與直線H平行，并且通過距離直線H最近的小圓圈。分類間隔則是H1和H2兩條平行線之間的垂直距離。因此，形成最優(yōu)分類線的過程就是支持向量機(jī)分類。

而訓(xùn)練SVM算法本質(zhì)是對(duì)線性約束的二次凸規(guī)劃問題進(jìn)行求解。支持向量機(jī)可分為近似線性、線性和不可分等3種不同類型，其具體映射關(guān)系由核函數(shù)來決定，式（1）［9－10］是高斯徑向基核函數(shù)，是最為常用的核函數(shù)

圖1 支持向量機(jī)分類原理

Z.Pawlak首創(chuàng)了粗糙集 （RS）概念，利用粗糙集（RS）來分析不確定性，并在此基礎(chǔ)上進(jìn)行模糊知識(shí)的加工。其核心理論是知識(shí)約簡，也就是根據(jù)全體屬性集所得到的分類知識(shí)與根據(jù)最小屬性集所得到的分類知識(shí)是相同的。

粗糙集［11］可表述為：對(duì)于論域U，假設(shè)R是論域U的等價(jià)關(guān)系，則有 X U，假設(shè)（X）≠珚R（X），則集合X可認(rèn)為是U中等價(jià)關(guān)系R的R－粗糙集。并且可以得到X的下近似與上近似，下近似用珚R（X）表述，上近似用R（X）表述。具體如下所示

式中：U——論域，S——U上的等價(jià)關(guān)系簇。

分析粗糙集和支持向量機(jī)兩者的優(yōu)缺點(diǎn)，可以發(fā)現(xiàn)它們的互補(bǔ)性較強(qiáng)，因此融合兩者構(gòu)造的粗糙集支持向量機(jī)，將大大減少訓(xùn)練的時(shí)間，較好地去除冗余的信息，并且具有較佳的容錯(cuò)能力和泛化性能，如圖2所示［12－13］。

圖2 粗糙集支持向量機(jī)分類系統(tǒng)

2 特征提取

2.1 偽Zernike距特征

分析可知，偽Zernike距［14－17］作為一類正交復(fù)數(shù)距，具有優(yōu)良的抗噪性能，分別在 “旋轉(zhuǎn)、平移和尺度”方面擁有較好的不變性，所以分析圖像整體形狀特征的性能較佳，具體如下所示

式中：＊——復(fù)數(shù)共軛，n——自然數(shù)，f（x，y）——圖像，｜l｜≤n。通過使用x＝rcosθ，y＝rsinθ進(jìn)行極坐標(biāo)轉(zhuǎn)換后，可獲得如下所示的基函數(shù)

如果對(duì)圖像進(jìn)行離散化處理，那么式 （3）則轉(zhuǎn)換為

式中，i2＋j2≤1，P （i，j）—— （i，j）點(diǎn)的像素值。

對(duì)紅外步態(tài)序列提取偽Zernike距，應(yīng)先對(duì)其進(jìn)行預(yù)處理，包括二值化和歸一化。通過分析紅外步態(tài)的周期性，可將一個(gè)紅外步態(tài)序列的關(guān)鍵幀確定為下面4種情形相應(yīng)的幀，具體為：右單撐 （兩腿合并、右腳固定），右雙撐（兩腿跨離、右腳靠前），左雙撐 （兩腿跨離、左腳靠前），左單撐 （兩腿合并、左腳固定）［18－19］。因此本文選取步態(tài)序列的上述4個(gè)關(guān)鍵幀當(dāng)n＝6，7，8時(shí)的偽Zernike距構(gòu)成紅外步態(tài)特征向量D。

2.2 角度直方圖特征

分析發(fā)現(xiàn)，角度直方圖［20］表示步態(tài)外形變化的性能較好，可作為一種紅外步態(tài)特征。首先對(duì)紅外步態(tài)序列圖像進(jìn)行 “圖像分割、二值化和形態(tài)學(xué)處理”等一系列的預(yù)處理，即可得到單連通運(yùn)動(dòng)人體。然后，將單連通運(yùn)動(dòng)人體的質(zhì)心作為中心，以過中心點(diǎn)垂直向上的直線作為基線，將360°的圓周角，按照逆時(shí)針方向，平分成10°的銳角。接著，計(jì)算出這36個(gè)銳角所內(nèi)含人體像素的數(shù)目。最后，進(jìn)行 “歸一化處理”，形成一個(gè)角度直方圖向量P，其內(nèi)含36個(gè)向量分量，具體如圖3、圖4所示，其求解辦法如下

式中，k＝1，2，3…，36，P （k）表示角度直方圖向量A的第k個(gè)分量，θ（xi，yi）是經(jīng)過質(zhì)心垂直向上的直線與人體質(zhì)心到運(yùn)動(dòng)人體區(qū)域的像素點(diǎn)的連線的夾角，（xi，yi）則表示運(yùn)動(dòng)人體區(qū)域像素點(diǎn)的坐標(biāo)值。

因此，本文將一個(gè)周期范圍內(nèi)的4個(gè)代表關(guān)鍵幀的角度直方圖向量挑選出來，確定為紅外步態(tài)特征。

3 基于粗糙集支持向量機(jī)的多分類器融合識(shí)別模型

模式識(shí)別就是按照待分模式的本質(zhì)特征，將其劃分為不同的類別。當(dāng)按照式 （7）構(gòu)建模式空間Γ，模式識(shí)別就是將一個(gè)待分的模式x劃分到一個(gè)確定的模式類集合ηi。

如果有L個(gè)分類器ek，（k＝1，2，…，L），則對(duì)每個(gè)待分模式x，將會(huì)有一個(gè)相應(yīng)的分類輸出μk（i），可聯(lián)結(jié)起來構(gòu)建度量向量Ue（k），即

式中：μk（i）——分類器ek判斷待分模式x屬于類ηi的程度［21］。

在單分類器識(shí)別方面，本文同時(shí)使用貝葉斯分類器和模糊分類器，以直接利用它們的輸出值構(gòu)成度量向量Ue（k）。為此，針對(duì)偽Zernike距特征，利用最近鄰模糊分類器對(duì)紅外步態(tài)序列進(jìn)行識(shí)別；并且針對(duì)角度直方圖特征，使用貝葉斯分類器識(shí)別紅外步態(tài)。

基于粗糙集支持向量機(jī)的多分類器融合，首先是把貝葉斯分類器和模糊分類器等多個(gè)單分類器輸出的L個(gè)度量向量Ue（k）逐個(gè)連接為一個(gè)規(guī)格尺寸為L×N的度量特征向量，以作為粗糙集支持向量機(jī)的網(wǎng)絡(luò)輸入；然后利用粗糙集支持向量機(jī)的學(xué)習(xí)和分類功能進(jìn)行多分類器融合識(shí)別，輸出即為待分樣本的類別標(biāo)識(shí)。根據(jù)上述的多分類器融合識(shí)別原理，構(gòu)建了一種新型的基于粗糙集支持向量機(jī)的多分類器融合識(shí)別模型，具體如圖5所示。

圖5 多分類器融合識(shí)別模型

4 實(shí)驗(yàn)與綜合分析

本文使用Intel Core i7 930處理器、8GB內(nèi)存容量的計(jì)算機(jī)，在Matlab V7.5平臺(tái)的基礎(chǔ)上實(shí)現(xiàn)仿真實(shí)驗(yàn)。在實(shí)驗(yàn)過程中，所采用的紅外步態(tài)數(shù)據(jù)庫［22］來源于中國科學(xué)院。該數(shù)據(jù)庫的采集地點(diǎn)是室外，采集時(shí)間是2005年7月份到8月份的晚上，總共拍攝了153個(gè)人的紅外步態(tài)，具體分為 “帶包走、快走、慢走與正常行走”等4種模式，最終成庫的步態(tài)視頻序列總共1530段，幀頻為25fps，分辨率是320×240，如圖6所示。

在步態(tài)數(shù)據(jù)庫的拍攝過程中，每個(gè)測試者分別于 “慢走、快走與帶包走”模式中所拍攝的最終視頻數(shù)為2段，而在 “正常行走”模式所拍攝的最終視頻數(shù)則為4段。所以，在進(jìn)行實(shí)驗(yàn)時(shí)，訓(xùn)練數(shù)據(jù)集可定為測試者在 “正常行走”模式下的2段視頻，而測試數(shù)據(jù)集則為另外的2段視頻；同理，訓(xùn)練數(shù)據(jù)集可定為測試者在 “慢走、快走與帶包走”模式中所拍攝的1段視頻，而測試數(shù)據(jù)集則為另外的1段視頻。

在表1中分別統(tǒng)計(jì)了單分類器識(shí)別和基于粗糙集支持向量機(jī)多分類器融合識(shí)別的正確識(shí)別率。通過分析發(fā)現(xiàn)，使用粗糙集支持向量機(jī)進(jìn)行多分類器融合，正確識(shí)別率比單一分類器高，提高14.38%－20.26%。對(duì)于同一個(gè)待分模式，基于不同識(shí)別理論構(gòu)建的各單分類器，其輸出的識(shí)別信息往往具有互補(bǔ)性，因此，基于粗糙集支持向量機(jī)的多分類器融合識(shí)別模型，由于充分利用了各單分類器的互補(bǔ)信息，從而有效地增強(qiáng)了整體識(shí)別率。而且，采用基于粗糙集支持向量機(jī)多分類器融合的識(shí)別模型，由于充分利用了知識(shí)約簡功能，有效消除了大量的冗余信息，并且由于充分發(fā)揮了強(qiáng)大的容錯(cuò)和抗干擾功能，極大地提高了融合識(shí)別模型的學(xué)習(xí)和分類能力，因此，在正確識(shí)別率等整體識(shí)別效果方面取得了顯著的效果。

圖6 紅外步態(tài)數(shù)據(jù)庫

表1 算法正確識(shí)別率的統(tǒng)計(jì)／%

本文同時(shí)采用累積匹配分值CMS進(jìn)行算法的識(shí)別性能分析［23－24］，如圖7所示，橫軸表示匹配的階次k，垂直軸則是準(zhǔn)確匹配的累加百分比的數(shù)值。綜合分析數(shù)據(jù)，可以發(fā)現(xiàn)：當(dāng)3階時(shí)，正確匹配率已達(dá)100%，從而說明基于粗糙集支持向量機(jī)的多分類器融合的綜合識(shí)別效果理想。這主要是因?yàn)樵诙喾诸惼魅诤献R(shí)別過程中，充分利用了不同特征模式識(shí)別的有效信息。

圖7 算法的累積匹配分值性能度量

5 結(jié)束語

本文根據(jù)多分類器融合識(shí)別原理，構(gòu)建了一種新的紅外步態(tài)多分類器融合識(shí)別模型，在分別應(yīng)用基于角度直方圖特征的貝葉斯分類器和基于偽Zernike距特征的模糊分類器進(jìn)行紅外步態(tài)識(shí)別的基礎(chǔ)上，再利用粗糙集支持向量機(jī)進(jìn)行多分類器融合識(shí)別。通過在CASIA紅外步態(tài)數(shù)據(jù)庫中進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了該模型的有效性，能大幅度提高紅外步態(tài)識(shí)別的正確識(shí)別率。本文下一步的研究方向主要是針對(duì)紅外步態(tài)特征的獨(dú)特性，開發(fā)識(shí)別效率更高的專用分類器。

［1］Rezaul K Begg，Marimuthu Palaniswami，Brendan Owen.Support vector machines for automated gait classification［J］.IEEE Transactions on Bio－Medical Engineering，2005，52 （5）：828－838.

［2］Jiwen L，Erhu Z.Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion［J］.Pattern Recognition Letters，2007，28 （16）：2401－2411.

［3］HAN J，Bhanu B.Gait recognition by combining classifiers based on environmental contexts ［C］.Proceedings of the 5th International Conference on Audio－and Video－Based Biometric Person Authentication，2005：416－425.

［4］TAN Tieniu，HUANG Kaiji，QIN Daoliang.Night identification method and system based on thermal infrared gait ［P］.China：CN 101226597A，2008 （in Chinese）. ［譚鐵牛，黃凱奇，覃道亮.基于熱紅外步態(tài)的夜間行人識(shí)別方法及系統(tǒng)［P］.中國：CN 101226597A，2008.］

［5］HAN Hongzhe，WANG Zhiliang，LIU Jiwei，et al.Gait recognition based on linear discriminant analysis and support vector machine ［J］.Pattern Recognition and Artificial Intelligence，2005，18 （2）：160－164 （in Chinese）.［韓鴻哲，王志良，劉冀偉，等.基于線性判別分析和支持向量機(jī)的步態(tài)識(shí)別［J］.模式識(shí)別與人工智能，2005，18 （2）：160－164.］

［6］XUE Zhaojun.Study on the novel technique of gait recognition based on wavelet transform and support vector machine ［D］.Tianjin：Tianjin Uiversity，2007 （in Chinese）. ［薛召軍.基于小波變換和支持向量機(jī)相結(jié)合的步態(tài)識(shí)別新方法研究 ［D］.天津：天津大學(xué)，2007.］

［7］XUE Zhaojun，ZHAO Pengfei，WAN Baikun，et al.Application of infrared thermal imaging in gait recognition ［J］.Journal of Optoelectronics Laser，2009，20 （3）：402－405 （in Chinese）.［薛召軍，趙鵬飛，萬柏坤，等.紅外熱成像在步態(tài)識(shí)別中的應(yīng)用 ［J］.光電子·激光，2009，20 （3）：402－405.］

［8］YE Bo，WEN Yumei，HE Weihua.Gait recognition based on the fusion of multiple classifiers ［J］.Journal of Image and Graphics，2009，14 （8）：1627－1637 （in Chinese）. ［葉波，文玉梅，何衛(wèi)華.多分類器信息融合的步態(tài)識(shí)別算法 ［J］.中國圖象圖形學(xué)報(bào)，2009，14 （8）：1627－1637.］

［9］DING Shifei，QI Bingjuan，TAN Hongyan.An overview on theory and algorithm of support vector machines ［J］.Journal of University of Electronic Science and Technology of China，2011，40 （1）：2－10 （in Chinese）. ［丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述 ［J］.電子科技大學(xué)學(xué)報(bào)，2011，40 （1）：2－10.］

［10］LI Jingjiao，ZHAO Ligong，WANG Aixia.Pattern recognition ［M］.Beijing：Electronic Industry Press，2010 （in Chinese）.［李晶皎，趙麗紅，王愛俠.模式識(shí)別 ［M］.北京：電子工業(yè)出版社，2010.］

［11］MIAO Duoqian，LI Daoguo.Theory algorithm and application of rough set［M］.Beijing：Tsinghua University Press，2008（in Chinese）.［苗奪謙，李道國.粗糙集理論、算法與應(yīng)用 ［M］.北京：清華大學(xué)出版社，2008.］

［12］SUN Fuzhi，YU Junqi，YANG Liu.Application of RS－SVM model for fire identification ［J］.Computer Engineering and Applications，2010，46 （3）：198－200 （in Chinese）. ［孫福志，于軍琪，楊柳.火災(zāi)識(shí)別中RS－SVM模型的應(yīng)用 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （3）：198－200.］

［13］YANG Zhimin，LIU Guangli.The principle and application of uncertainty support vector machine（SVM） ［M］.Beijing：Science Press，2007（in Chinese）.［楊志民，劉廣利.不確定性支持向量機(jī)原理及應(yīng)用 ［M］.北京：科學(xué)出版社，2007.］

［14］ZHAO Yongwei，ZHANG Erhu，LU Jiwen.Gait recognition via multiple features and views information fusion ［J］.Journal of Image and Graphics，2009，14 （3）：388－393 （in Chinese）.［趙永偉，張二虎，魯繼文，等.多特征和多視角信息融合的步態(tài)識(shí)別 ［J］.中國圖象圖形學(xué)報(bào)，2009，14 （3）：388－393.］

［15］YANG Di，SUN Jinguang，HE Wei，et al.Face feature extraction based on normalization of pseudo－Zernike moment［J］.Computer Engineering and Applications，2010，46（35）：163－165 （in Chinese）.［楊迪，孫勁光，何巍，等.基于偽Zernike矩歸一化的人臉特征提取方法 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （35）：163－165.］

［16］DU Tianjun，HUANG Zili，GAO Shengjiu.Application of pseudo－Zernike moments in target detection for low－SNR infrared images ［J］.Optical Technique，2007，33 （6）：938－945（in Chinese）.［杜天軍，黃自力，高升久.偽Zernike矩在低信噪比紅外目標(biāo)檢測中的應(yīng)用 ［J］.光學(xué)技術(shù)，2007，33（6）：938－945.］

［17］CHEN Ping，LI Lei，REN Yuemei.Trademark image retrieval using region pseudo－zernike moments ［J］.Computer Simulation，2010，27 （8）：270－273 （in Chinese）. ［陳平，李壘，任越美.基于區(qū)域偽Zernike矩的商標(biāo)圖像檢索 ［J］.計(jì)算機(jī)仿真，2010，27 （8）：270－273.］

［18］HAN Hongzhe，LI Bin，WANG Zhiliang，et al.Gait recognition based on Fourier descriptors［J］.Computer Engineering，2005，31 （2）：48－49 （in Chinese）.［韓鴻哲，李彬，王志良，等.基于傅立葉描述子的步態(tài)識(shí)別 ［J］.計(jì)算機(jī)工程，2005，31（2）：48－49.］

［19］JI Yangyang，ZHAO Hui，ZHANG Xiaoli.A feature fusion based gait recognition algorithm ［J］.Journal of Electrical ＆Electronic Engineering Education，2009，31 （5）：67－70 （in Chinese）.［紀(jì)陽陽，趙輝，張曉利.基于多類特征融合的步態(tài)識(shí) 別算 法 ［J］.電氣電 子教 學(xué)學(xué)報(bào)，2009，31 （5）：67－70.］

［20］ZHAO Zijian，WU Xiaojuan，LIU Yuncai.A gait recognition algorithm based on angle histogram ［J］.Computer Engineering ＆Science，2006，28 （6）：73－76 （in Chinese）. ［趙子健，吳曉娟，劉允才.基于角度直方圖的步態(tài)識(shí)別算法 ［J］.計(jì)算機(jī)工程與科學(xué)，2006，28 （6）：73－76.］

［21］LI Bicheng，HUANG Jie，GAO Shihai，et al.Information fusion technology and its application［M］.Beijing：National Defense Industry Press，2010 （in Chinese）.［李弼程，黃潔，高世海，等.信息融合技術(shù)及其應(yīng)用 ［M］.北京：國防工業(yè)出版社，2010.］

［22］ZHENG Shuai.CASIA gait database application instructions［EB／OL］.［2011－03－18］.http：／／www.cbsr.ia.ac.cn／china／Gait%20Databases%20CH.asp（in Chinese）.［鄭帥.CASIA步態(tài)數(shù)據(jù)庫申請(qǐng)說明［EB／OL］.［2011－03－18］.http：／／www.cbsr.ia.ac.cn／china／Gait%20Databases%20CH.asp.］

［23］LIU Lei.Human identification research from a distance based on gait recognition ［D］.Xi’an：Xi’an University of Electronic Science and Technology，2008 （in Chinese）. ［劉磊.基于步態(tài)的遠(yuǎn)距離身份識(shí)別研究 ［D］.西安：西安電子科技大學(xué)，2008.］

［24］SU Yu，SHAN Shiguang，CHEN Xilin，et al.Integration of global and local feature for face recognition ［J］.Journal of Software，2010，21 （8）：1849－1862 （in Chinese）. ［蘇煜，山世光，陳熙霖，等.基于全局和局部特征集成的人臉識(shí)別［J］.軟件學(xué)報(bào)，2010，21 （8）：1849－1862.］