薛傲

摘要：該文提取步態(tài)能量圖特征進(jìn)行身份識(shí)別，首先通過(guò)提取人行走過(guò)程中單周期內(nèi)側(cè)影圖像，進(jìn)行背景減除和歸一化處理后，提取其能量圖。其次運(yùn)用主成分分析（PCA）進(jìn)行數(shù)據(jù)降維，用低維數(shù)據(jù)表達(dá)原始數(shù)據(jù)，提升算法運(yùn)行效率。最后采用多分類支持向量機(jī)（SVM）進(jìn)行分類識(shí)別。采集20人的自然行走步態(tài)數(shù)據(jù)進(jìn)行處理，構(gòu)建數(shù)據(jù)庫(kù)進(jìn)行試驗(yàn)，實(shí)驗(yàn)效果良好。

關(guān)鍵詞：步態(tài)能量圖；PCA 支持向量機(jī)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）05-0160-02

隨著生物識(shí)別技術(shù)的發(fā)展，針對(duì)傳統(tǒng)識(shí)別方法的局限性，如人臉識(shí)別、虹膜識(shí)別，步態(tài)識(shí)別主要從視頻數(shù)據(jù)中檢測(cè)不同個(gè)體行走姿態(tài)的不同進(jìn)行自動(dòng)的身份識(shí)別，以其可遠(yuǎn)距離感知、無(wú)需客體配合、不易察覺等特性受到人們的廣泛關(guān)注，步態(tài)研究在醫(yī)學(xué)、信息安全和公安視頻偵察領(lǐng)域都有著廣泛的應(yīng)用。近些年步態(tài)識(shí)別的優(yōu)勢(shì)與應(yīng)用前景巨大，越來(lái)越多的學(xué)者投入到研究行列中。目前有兩類方法。

一種是基于模型，王等人利用普氏分析對(duì)步態(tài)輪廓形狀進(jìn)行建模[1]。Bouchrika和Nixon利用橢圓傅里葉描述子建立一種運(yùn)動(dòng)基礎(chǔ)模型，該模型是從人體關(guān)節(jié)提取關(guān)鍵特征[2]。然而，該方法的性能受人體定位的影響，并且從步態(tài)序列中提取特征比較困難。

另外一種是非模型的方法。一是首先將臨時(shí)的識(shí)別和訓(xùn)練狀態(tài)信息保存，識(shí)別的過(guò)程運(yùn)用隱馬爾可夫模型[3]。主成分分析（PCA）被用于提取步態(tài)的統(tǒng)計(jì)學(xué)空間特征描述子[4]。使用這種方法，為了達(dá)到好的效果，臨時(shí)概率模型方法需要大量的訓(xùn)練樣本。因此，該方法運(yùn)行計(jì)算較為復(fù)雜，需大量?jī)?chǔ)存空間。其他的非模型方法是將圖像序列轉(zhuǎn)換成一個(gè)簡(jiǎn)單的模板。劉等人提出對(duì)人體輪廓進(jìn)行均衡化來(lái)進(jìn)行步態(tài)識(shí)別[5]。韓提出步態(tài)能量圖（GET）來(lái)構(gòu)建真實(shí)和合成步態(tài)模板[6]。王等人提出一種稱為時(shí)空步態(tài)圖像（CGI）的空間臨時(shí)步態(tài)模板，通過(guò)顏色的不同對(duì)時(shí)間信息進(jìn)行編碼來(lái)提高識(shí)別效率[7]。本文從視頻數(shù)據(jù)中獲取人行走過(guò)程中的步態(tài)圖像信息，提取人的步態(tài)能量圖的特征，運(yùn)用PCA將高維的步態(tài)能量圖降到低維進(jìn)行分類識(shí)別。

1 預(yù)處理

輪廓提取與歸一化。

人行走步態(tài)側(cè)影輪廓的提取采用比較常用的背景減除法，先獲取采集數(shù)據(jù)時(shí)所在環(huán)境的圖像，即為背景圖像。再將人在該環(huán)境中行走的步態(tài)圖像從背景中獲取出來(lái)。

輪廓提取完成之后需要對(duì)圖像進(jìn)行歸一化，將步態(tài)圖像寬度和高度統(tǒng)一到一定的維度，以便于后期的樣本訓(xùn)練和分類識(shí)別，如圖1。

本文運(yùn)用完整步態(tài)周期提取步態(tài)能量圖，如圖3。步態(tài)能量圖反映的是整個(gè)行走過(guò)程中所有能量的累積，每一幀圖像就是某一時(shí)刻步態(tài)能量的反映，如圖中所示灰度值較高的表示該像素點(diǎn)在步態(tài)周期出現(xiàn)的次數(shù)較多。文中即通過(guò)該方法表達(dá)步態(tài)特征。

上步提取步態(tài)能量圖后，圖像數(shù)據(jù)的尺寸大小為85×50，圖像數(shù)據(jù)維度較大，故對(duì)其進(jìn)行PCA降維。首先將圖像數(shù)據(jù)展開成行向量，即原始數(shù)據(jù)變?yōu)?×4250的向量，總共選取20個(gè)人進(jìn)行測(cè)試，每個(gè)人選取4個(gè)步態(tài)周期作為實(shí)驗(yàn)數(shù)據(jù)，因此樣本即為80×4250的矩陣，該數(shù)據(jù)樣本維度非常大，需進(jìn)行PCA降維。

2.2 PCA算法

主成分分析（PCA）是一種將符合高斯分布的高維數(shù)據(jù)降到低維的方法，獲得投影系數(shù)，然后作為分類識(shí)別特征[9]。該方法首先假設(shè)有M個(gè)人的樣本數(shù)據(jù)，每個(gè)人包含N組，每組數(shù)據(jù)維度為m×n，將所有樣本數(shù)據(jù)展開成行向量組成一個(gè)矩陣數(shù)據(jù)，計(jì)算平均向量、差值向量、協(xié)方差矩陣，將所獲得的矩陣投影在變換空間的系數(shù)作為分類識(shí)別的特征。

3 分類識(shí)別

在提取行走步態(tài)能量圖后，接下來(lái)運(yùn)用該步態(tài)特征進(jìn)行分類識(shí)別，支持向量機(jī)分類器在泛化能力方面具有較強(qiáng)的能力，處理樣本較小的數(shù)據(jù)也有很大的優(yōu)[10]通常SVM是基于二分類問(wèn)題的，而實(shí)際應(yīng)用中大多是多分類問(wèn)題，本文基于能量圖的步態(tài)識(shí)別也屬多分類問(wèn)題，故選取一對(duì)多分類法。其基本過(guò)程為：1）構(gòu)造多個(gè)兩分類器，樣本類別數(shù)決定分類器數(shù)；2）開始訓(xùn)練時(shí)每個(gè)分類器將對(duì)應(yīng)訓(xùn)練集中的對(duì)應(yīng)類數(shù)據(jù)標(biāo)記為正類，標(biāo)記為+1，其余則劃分為負(fù)類，標(biāo)記為-1；3）在進(jìn)行分類識(shí)別時(shí)，二分類器中輸入樣本數(shù)據(jù)，分別得到每個(gè)類別的輸出值[fi=sgn（gi（x））]，如果獲得的數(shù)值只有一個(gè)是+1，這樣便可以將輸入樣本數(shù)據(jù)化為某一類別，如果獲得不止一個(gè)+1，這種情況下就對(duì)每個(gè)輸出值[gi（x）]進(jìn)行比較，如果輸出值最終沒(méi)有一個(gè)+1，那么分類就不正確。

運(yùn)用支持向量機(jī)來(lái)分類識(shí)別，是否能夠很好地進(jìn)行分類受核函數(shù)的影響很大，本文選擇徑向基核函數(shù)[K（ai，aj）=exp{-ai-aj2σ2}]，分類器泛化性能受函數(shù)參數(shù)的影響，這樣參數(shù)的優(yōu)化選取就顯得非常重要，以獲取最優(yōu)的分類器參數(shù)。鑒于上述參數(shù)選擇，本文的參數(shù)優(yōu)化選取網(wǎng)格參數(shù)尋優(yōu)方法。

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)數(shù)據(jù)采集20人自然行走步態(tài)，步態(tài)圖像均為攝像機(jī)側(cè)面拍攝，即與圖像平面呈90度，每個(gè)人采集4個(gè)步態(tài)周期作為樣本數(shù)據(jù)，原始步態(tài)圖像數(shù)據(jù)在提取運(yùn)動(dòng)輪廓后、再進(jìn)行歸一化處理，最終獲得尺寸大小為85×50的步態(tài)圖像序列。本實(shí)驗(yàn)在MATLAB2013a環(huán)境下進(jìn)行運(yùn)行測(cè)試。

通過(guò)20人的視頻數(shù)據(jù)提取每個(gè)人的步態(tài)數(shù)據(jù)，每個(gè)人包含四組步態(tài)數(shù)據(jù)，每組即為一個(gè)步態(tài)周期，在對(duì)每組步態(tài)數(shù)據(jù)進(jìn)行步態(tài)能量圖的提取，從而作為特征數(shù)。鑒于能量圖數(shù)據(jù)維度稍大，在進(jìn)行分類之前需要進(jìn)行數(shù)據(jù)降維，本文運(yùn)用PCA將數(shù)據(jù)維度降下來(lái)，在獲取低維的特征數(shù)據(jù)后隨機(jī)選取三組作為訓(xùn)練數(shù)據(jù)，最后一組作為測(cè)試數(shù)據(jù)。本文采留一校驗(yàn)的方法來(lái)自動(dòng)獲得分類識(shí)別率，即每個(gè)人包含四張步態(tài)能量圖，然后該方法將自動(dòng)選擇其中三張步態(tài)能量圖來(lái)進(jìn)行訓(xùn)練，剩下的則用來(lái)進(jìn)行測(cè)試，多次分類識(shí)別結(jié)果取平均值。實(shí)驗(yàn)的最終識(shí)別率為80%。

5結(jié)束語(yǔ)

文中在20人的步態(tài)視頻數(shù)據(jù)中獲取步態(tài)圖像信息，首先提取步態(tài)輪廓信息、然后進(jìn)行歸一化等預(yù)處理過(guò)程，本文只選取了90度視角下的人體步態(tài)數(shù)據(jù)，運(yùn)用一個(gè)步態(tài)周期的步態(tài)數(shù)據(jù)獲取能量圖特征，通常圖像數(shù)據(jù)的維度非常大，不能直接作為輸入值，需經(jīng)PCA進(jìn)行降維處理，再進(jìn)運(yùn)用SVM進(jìn)行分類，識(shí)別率達(dá)80%，效果良好?；诓綉B(tài)識(shí)別在商業(yè)、公安視頻偵察領(lǐng)域具有廣泛的應(yīng)用，本文下一步將就特征提取進(jìn)行深入研究，以獲得更好的分類識(shí)別效果。

參考文獻(xiàn)：

[1] L. Wang， H. Ning， W. Hu， T. Tan， Gait recognition based on procrustesshapemanalysis， in： International Conference on Image Process， 2002， pp. 433-436.

[2] l. Bouchrika， M. Nixon， Model-based feature extraction for gait analysis and recognition， in： International Conference on Computer Vision/Computer Graphics Collaboration Techniques， 2007， pp. 150-160.

[3] C. Chen，J. Liang， H. Zhao， H. Hu， Gait recognition using hidden Markov model in： Advanced in Natural Computation， 2004， pp. 399-407.

[4] L. Wang， T. Tan， H. Ning， W. Hu， Silhouette analysis-based gait recognition for human identification， IEEE Transactions on Pattern Analysis and Machine Intelligence 25 （2003） 1505-1518.

[5] Z. Liu， S. Sarkar， Simplest representation yet for gait recognition： averaged silhouette， in： International Conference Pattern Recognition， 2004， pp. 211-214.

[6] J. Han， B. Bhanu， Individual recognition using gait energy image， IEEE Transactions on Pattern Analysis and Machine Learning 28 （2006） 316-322.

[7] C. Wang， J. Zhang， J. Pu， X. Yuan， L. Wang， Chrono-gait image： a noveltemporal template for gait recognition， in： European Conference on Computer Vision， 2010， pp. 257-270.

[8] 任勝兵，李興超，陸赤彰，等.基于人體靜態(tài)特征融合的步態(tài)識(shí)別算法研究[J].計(jì)算機(jī)應(yīng)用與軟件，2012，29（12）.

[9] 趙鑫，汪維家，曾雅云，等.改進(jìn)的模塊PCA人臉識(shí)別新算法[J].計(jì)算機(jī)工程與應(yīng)用，2015，5（2）

[10] 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.