趙喜玲, 何 勇

(信陽農(nóng)林學(xué)院 計算機科學(xué)系,河南 信陽 464000)

基于M-GCHMM步態(tài)識別研究*

趙喜玲*, 何 勇

(信陽農(nóng)林學(xué)院 計算機科學(xué)系,河南 信陽 464000)

步態(tài)識別是通過人走路方式來識別人的身份方法.該文采用高斯多元混合輸出模型,改進CHMM在步態(tài)識別中的應(yīng)用.首先，采用背景減除法進行步態(tài)檢測，用邊緣跟蹤法提取出步態(tài)圖像的邊緣輪廓，訓(xùn)練得到的關(guān)鍵幀用多元高斯混合輸出連續(xù)隱馬爾可夫模型來表示,最后用近鄰法進行識別.在不同視角下，利用CASIA數(shù)據(jù)庫對該算法進行驗證，取得了較高的識別率，該算法對視角的變化有一定的魯棒性.

步態(tài)識別；多元高斯混合輸出連續(xù)隱馬爾可夫模型；背景減除；k-均值聚

步態(tài)識別作為一個新的生物識別領(lǐng)域，近年來取得了一系列的研究成果.柴艷妹等提出一種基于區(qū)域特征的識別方法[1]；葉波等提出一種基于小波變換和支持向量機的步態(tài)識別算法[2]；李瀟等提出了一種基于Snake模型的改進算法[3]；賁晛燁等提出了基于線性插值的張量步態(tài)識別算法[4]；本文提出了一種基于M-GCHMM的步態(tài)識別方法，該算法考慮了步態(tài)動態(tài)和靜態(tài)信息特征.在同一實驗條件下與文獻[7]和文獻[8]進行了比對，實驗表明，該算法對視角的變化有一定的魯棒性.

1 步態(tài)圖像檢測及預(yù)處理

對于步態(tài)圖像序列，首先，經(jīng)過圖像的預(yù)處理獲得前景圖像；然后，去除前景圖像中的干擾信息，保留人體運動目標(biāo)信息；最后，對輪廓圖像進行形態(tài)學(xué)處理，為下一步特征提取奠定基礎(chǔ).前景圖像如圖1所示.

2 步態(tài)特征的表示

2.1 步態(tài)特征參數(shù)計算

對步態(tài)圖像序列中的某一幀，經(jīng)過預(yù)處理之后包含一個較為完整的目標(biāo)區(qū)域，利用邊緣跟蹤法找出運動圖像的邊緣輪廓線[5]，再根據(jù)邊緣圖像到重心的距離計算輪廓的特征參數(shù).從輪廓圖像的頂點依次搜索步態(tài)輪廓的特征點(xi,yi),(xi,yi)到重心(xc,yc)的距離為ri.

(1)

輪廓邊緣到重心的距離組成特征矢量R=(r1,r2,…,rN)，對特征矢量進行統(tǒng)一處理

R′=R/max(r1,r2,…,rN).

(2)

圖2顯示了步態(tài)序列中一幀圖像的特征參數(shù)歸一化圖；橫軸表示特征元素標(biāo)號，縱軸表示歸一化后的歐氏距離.

不同的步態(tài)輪廓邊界點的數(shù)量不同，所以特征矢量的維數(shù)不同，為了統(tǒng)一特征矢量的維數(shù)，需要對特征矢量R′進行降維處理，使所有的步態(tài)特征矢量維數(shù)相同.

2.2 步態(tài)的關(guān)鍵幀表示

為了降維處理，采用對步態(tài)序列進行K均值聚類分析，壓縮特征矢量維數(shù).如圖3，取N=5作為最優(yōu)的聚類數(shù)目.

(3)

3 基于M-GCHMM的步態(tài)識別

3.1 M-GCHMM訓(xùn)練

M-GCHMM的參數(shù)為λ={A,B,π}，其中：A為狀態(tài)轉(zhuǎn)移矩陣，B為輸出概率分布集合，π為初始狀態(tài)概率集合.

M-GCHMM的初始化如下：初始狀態(tài)轉(zhuǎn)移概率分布為

(4)

狀態(tài)轉(zhuǎn)移矩陣A的初值定義為

(5)

觀察概率B為

(6)

對于bj(Ot)用高斯混合概率密度函數(shù)表示

(7)

觀察矢量d為

(8)

經(jīng)過M-GCHMM初始化后，為了獲得滿意的模型，使用多個觀測序列進行訓(xùn)練.對于L個觀測值序列O(l)，l=1,…,L,

(9)

(10)

(11)

(12)

(13)

式中的γt(j,k)表示t時刻處于狀態(tài)j的第k個混合高斯元的輸出概率，γt(j,k)為

(14)

3.2 M-GCHMM訓(xùn)練過程

經(jīng)過M-GCHMM初始化后， M-GCHMM參數(shù)初始值為λ0=(π,A,B).M-GCHMM訓(xùn)練如下：

(1) 輸入N、π、A、迭代誤差e，觀測矢量序列O；

(3) 基于λ0，訓(xùn)練λ；

(4) 由前向算法計算輸出概率P(O|λ).若P(O|λ)-P(O|λ0)

M-GCHMM訓(xùn)練流程圖如圖4所示.

3.3 M-GCHMM步態(tài)識別

采用近鄰法識別，計算出被測試人u的步態(tài)圖像特征矢量序列為xu.比對庫中P個人的特征矢量xp各序列之間的歐氏距離，與xu距離最小的序列對應(yīng)的人即為被識別的人.即

D=min||Xp-Xu||，

(15)

D值最小時的Xu對應(yīng)的人即為被識別的人.

4 實驗結(jié)果及分析

利用CASIA Dataset B數(shù)據(jù)庫對本文方法進行了驗證，在不同的實驗條件下驗證本論文算法的性能.實驗結(jié)果見表1、表2和表3.

為了驗證本論文算法可行性，在Dataset B上和其他算法在同一數(shù)據(jù)庫上進行了對比性實驗，本論文算法和文獻[7]、文獻[8]算法是在相同條件下進行的.實驗時，實驗人數(shù)20人，選取狀態(tài)數(shù)N=5，混合高斯元數(shù)M=3，步態(tài)庫中訓(xùn)練序列不參與識別，實驗結(jié)果見表4.

表1 90度視角實驗

表2 45度視角實驗

表3 90度不同衣著實驗

表4 在側(cè)面視角(0度)下不同算法比較實驗

Tab.4 This Paper algorithm and the other algorithms experimental comparison of effects under 0 degree angle

方法人數(shù)識別率/%文獻[7]2075文獻[8]2090．1本文方法2091．5

表1中三個實驗是在90度視角下進行，實驗一，穿著普通衣服，人體輪廓不被遮掩，實驗結(jié)果識別率為98%；實驗二，在普通衣著上加一個背包，識別率為95%； 實驗三，普通衣著上穿一件大衣，識別率為67.7%.從實驗結(jié)果看出，普通情況下和背包情況下識別率高于穿大衣時的情況，是由于穿大衣掩蓋了身體的部分輪廓和一些運動特征，本論文算法在步態(tài)識別時既考慮了輪廓特征又考慮了步態(tài)的運動特征，大衣的遮掩丟失了一部分特征參數(shù).

表2中三個實驗在45度視角下所做實驗，其他實驗條件和表1相同.實驗結(jié)果和表1相比，在衣著相同的條件下，視角的變化對識別率影響不大，說明本論文方法對視角的變化有一定的魯棒性.

表3中三個實驗中，實驗視角相同，測試序列和訓(xùn)練序列外表不同，實驗?zāi)康氖球炞C本論文算法外表變化對識別率的影響，從實驗結(jié)果看出識別率急劇下降，說明人體外表變化對步態(tài)識別率有很大的影響，由于外表變化引起提取出步態(tài)輪廓、重心位置的變化，特征參數(shù)的提取受到一定的影響.

為了驗證本論文算法的性能，在Dataset B側(cè)面視角數(shù)據(jù)庫上和其他算法做一個比較性實驗，文獻[7]、文獻[8]和本論文方法的識別率見表4.從實驗結(jié)果看本文算法識別率高于文獻[7]、文獻[8]，該算法考慮了步態(tài)動態(tài)和靜態(tài)信息特征.

5 結(jié) 論

提出了一種基于M-GCHMM步態(tài)身份識別方法.采用快速有效的背景減除方法進行步態(tài)檢測，用邊緣跟蹤算法提取出步態(tài)圖像的邊緣輪廓，利用5個關(guān)鍵幀和訓(xùn)練得到的連續(xù)隱馬爾可夫模型參數(shù)來表示步態(tài)庫中每個人的步態(tài)序列，利用歐氏距離進行識別.對本論文所提出的算法在不同的實驗條件下進行了驗證，并和其他算法做了分析比較，實驗結(jié)果表明該算法的可行性.

[1] 柴艷妹,趙榮椿. 一種新的基于區(qū)域特征的快速步態(tài)識別方法[J]. 中國圖象圖形學(xué)報, 2006, 11(9):1 260-1 265.

[2] 葉波, 文玉梅. 基于小波變換和支持向量機的步態(tài)識別算法[J]. 中國圖象圖形學(xué)報, 2007, 12(6):1 055-1 063.

[3] 李瀟, 李平, 文玉梅，等. 基于改進蛇模型的步態(tài)輪廓提取[J].計算機應(yīng)用,2007, 27(6):1 468-1 471.

[4] 賁晛燁,安實,王健. 基于線性插值的張量步態(tài)識別算法[J].計算機應(yīng)用研究,2012，28(01):355-358.

[5] MILAN S, VACLAV H,ROGER B. Image Processing, Analysis and Machine Vision[M]. London Chapman & Hall Computing, 1993.

[6] 武士濤.基于HMM理論的身份認證應(yīng)用研究[J].湘潭大學(xué)自然科學(xué)學(xué)報,2013,35(2): 81-85.

[7] LIU L,YANG P. Leg amputees motion pattern recognition based on principal component analysis and BP network[C]// 25th Chinese Control and Decision Conference,2013:3 802-3 804.

[8] HONG S J, LEE H, TOH K A, et al. Gait recognition using multi-bipolarized contour vector[J].International Journal of Control, Automation and Systems,2009,7(5):799-808.

責(zé)任編輯：龍順潮

Gait Recognition Research Based on M-GCHMM

ZHAOXi-ling*，HEYong

(Department of Computer, Xinyang College of Agriculture and Forestry, Xinyang 464000 China)

Gait recognition refers to automatic identification of individual based on his/her style of walking. This paper proposes a gait recognition method based on Continuous Hidden Markov Model with Multivariate Mixture of Gaussians(M-GCHMM). First, the background subtraction is used to gait detection. Boundary tracking algorithm is used to describe gait contour. Therefore, the M-GCHMM is constructed for each person's gait sequence. Finally, the recognition is achieved by Front algorithm. The experiments made on CASIA gait databases obtain comparatively high correction identification ratio and comparatively strong robustness for variety of bodily angle.

gait recognition; M-GCHMM; background subtraction;K-meansalgorithm

2014-04-22

河南省教育廳科技攻關(guān)項目(11326005)

趙喜玲(1972— ),女，河南 太康人，副教授.E-mail:zxl_72@163.com

TP

A

1000-5900(2015)01-0103-04