李孟歆+姜佳楠+賈燕雯

摘 要：為了更好地提取步態(tài)特征，實現(xiàn)更好的分類識別效果，提出了基于帶關(guān)節(jié)點的步態(tài)能量圖（PGEI），以便表達完整的步態(tài)特征，再運用LBP局部二值模式特征提取方法提取圖像的特征，最后使用SVM支持向量機進行最后的步態(tài)識別。使用中科院自動化所CASIA B步態(tài)數(shù)據(jù)庫進行實驗，以SVM支持向量機的算法進行識別，分別識別步態(tài)能量圖GEI和帶有關(guān)節(jié)點的步態(tài)能量圖PGEI圖像，正確率分別為52.17%～56.52%和83.33%～95.83%. 這說明，這種特征提取方法具有較好的識別性。

關(guān)鍵詞：步態(tài)識別；步態(tài)能量圖；支持向量機；特征提取

中圖分類號：TP391.414 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.22.075

1 步態(tài)識別特征的提取方法

特征提取方法主要分為基于模型的特征提取方法和基于非模型的特征提取方法。

基于模型的特征提取方法就是利用數(shù)學(xué)建模的思想建立圖像模型，再根據(jù)分析圖像模型參數(shù)的變化情況提取步態(tài)特征。Yam等人改進和擴展了鐘擺模型，采用耦合的鐘擺模型來刻畫大腿和腳踝的旋轉(zhuǎn)運動，得到步態(tài)特征；Lee等人將人體表示成7個橢圓區(qū)域，提取出各橢圓區(qū)域的質(zhì)心橫縱坐標、長短軸的長度等7個橢圓區(qū)域的特征來表示步態(tài)特征。

基于非模型的特征提取方法是直接利用人體運動特征，不必考慮人體的結(jié)構(gòu)，利用數(shù)學(xué)描述步態(tài)作為識別的特征依據(jù)。Bobick等人直接在步態(tài)側(cè)影圖像序列中提取出動能量圖（MEI）來表示步態(tài)特征，并且提出運動經(jīng)歷圖（MHI）來描述運動的變化；Han等人在總結(jié)前人做法的基礎(chǔ)上，提出構(gòu)造步態(tài)能量圖（GEI）的思想，將一個步態(tài)周期內(nèi)的全部步態(tài)二值化輪廓圖像，均值化處理得到一幅平均步態(tài)輪廓圖像，以此作為步態(tài)特征進行步態(tài)識別。

2 帶關(guān)節(jié)點的步態(tài)能量圖

2.1 圖像輪廓和關(guān)節(jié)點提取

對步態(tài)視頻序列進行幀分割，得到幀圖像后，運用背景減除法提取運動目標，而后采用形態(tài)學(xué)處理和連通域分析得到處理后的圖像。圖像輪廓和關(guān)節(jié)點提取如圖1所示。

對處理后的圖像進行標準化處理、圖像剪裁和周期性分析，得到在一個周期中所有的步態(tài)序列圖像，以此作為之后帶有關(guān)節(jié)點步態(tài)能量圖的基礎(chǔ)。

由于絕大部分的步態(tài)特征會集中在每幀圖像中步態(tài)輪廓上邊，而且在人體視覺識別中，也會依賴人體的形狀識別出行人的身份。因此，我們在步態(tài)輪廓圖像之上提取關(guān)節(jié)點。

在圖像輪廓圖上，按照人體各部分的比例選擇關(guān)節(jié)點在人體輪廓圖上的位置。髖關(guān)節(jié)為身高比例的0.543，膝關(guān)節(jié)為身高的0.263，踝關(guān)節(jié)為身高的0.043.提取的帶關(guān)節(jié)點的步態(tài)輪廓如圖2所示。

2.2 形成帶關(guān)節(jié)點的步態(tài)能量圖

在基于非模型的特征提取方法中，步態(tài)能量圖是魯棒性能和提取特征較好的方法，能夠反映步態(tài)的主要輪廓及其主要變化特性。步態(tài)能量圖的每一幅輪廓圖像都是空間歸一化和標準化的圖像。

設(shè)Ii（x，y）為第i幅提取出來的標準化了的人體運動步態(tài)圖像，則步態(tài)能量圖像（GEI）可用式（1）表示，即：

步態(tài)作為一種行為特征，最突出的變化在于運動過程中身體各部分的動態(tài)變化。因此，本文在步態(tài)能量圖的基礎(chǔ)之上提出了基于帶有關(guān)節(jié)點的步態(tài)能量圖（PGEI）的構(gòu)想，將一個周期的步態(tài)變化完全體現(xiàn)在一張圖上，以像素值的不同來表達人體各部分關(guān)節(jié)點在一個周期中發(fā)生的變化。這類圖像既能夠表示時間上標準化的能量積累，又可以表示步態(tài)的速度，也能夠表達形態(tài)等特征。

提取關(guān)節(jié)點的步態(tài)輪廓以步態(tài)能量圖的表達方式形成帶關(guān)節(jié)點的步態(tài)能量圖，如圖3所示。從圖3中可以看出各個關(guān)節(jié)點在一個運動周期內(nèi)的運動軌跡，從而更好地表達一個周期中的步態(tài)特征。

得到帶關(guān)節(jié)點的步態(tài)能量圖后，采用LBP局部二值模式提取圖像的紋理特征，取圖像的直方圖作為提取的紋理特征進行接下來的識別工作，并采用SVM支持向量機識別步態(tài)特征。

3 實驗結(jié)果與分析

本文所選用的步態(tài)視頻序列都來自中科院自動化研究所CASIA B數(shù)據(jù)庫，共選用其中19個人共76個視頻序列進行訓(xùn)練和測試，這些視頻序列都是在被測者側(cè)面90°視角拍攝的。對視頻序列進行預(yù)處理，得到步態(tài)能量圖和帶有關(guān)節(jié)點的步態(tài)能量圖，并采用LBP算法提取圖像紋理特征，得到紋理特征的直方圖。從每位被測者的4個紋理特征直方圖中選取3個作為訓(xùn)練樣本，另外一個用作測試。

在SVM算法中，核函數(shù)的類別決定訓(xùn)練樣本進行模式識別的空間結(jié)構(gòu)。不同核函數(shù)會產(chǎn)生不同的分類效果，本文采用是多項式核函數(shù)和徑向核函數(shù)進行對比試驗。

在這里，我們用正確率來表示識別的評價指標，預(yù)測的標簽和實際訓(xùn)練標簽相同，則判定為本樣本識別正確。正確率的定義為：

分別采用上述2種內(nèi)核函數(shù)的SVM向量機識別2種不同能量圖下提取的步態(tài)特征，識別率如表1所示。從表1中可以看出，步態(tài)能量圖在SVM向量機下分類，識別率分別為52.17%和56.52%.而帶有關(guān)節(jié)點的步態(tài)能量圖識別率比較高，達到83.33%和95.83%.由此可以看出，本文提出的帶有關(guān)節(jié)點的步態(tài)能量圖比之前的步態(tài)能量圖在特征提取上有更大的優(yōu)勢，并且識別效果好。4 結(jié)束語

本文提出采用帶有關(guān)節(jié)點的步態(tài)能量圖提取特征，在同一張圖中體現(xiàn)一個步態(tài)周期中步態(tài)輪廓的運動趨勢和重要關(guān)節(jié)點的運動軌跡，從而為接下來提取特征奠定良好的基礎(chǔ)。在得到帶關(guān)節(jié)點的步態(tài)能量圖后，采用LBP局部二值模式提取特征，得到的特征直方圖用SVM算法識別分類，并與步態(tài)能量圖進行特征提取的分類識別率進行比較。本文的方法識別率高達95.83%，優(yōu)于步態(tài)能量圖提取的特征識別。

參考文獻

[1]CY Yam，MS Nixon，JN Carter. Automated person recognition by walking and running via model-based approaches . Pattern Recognition，2004，37（5）：1057-1072.

[2]L Lee，WEL Grimson.Gait analysis for recognition and classification.Fifth IEEE International Conference on Automatic Face and Gesture Recognition，2002：148-155.

[3]AF Bobick，JW Davis.The Recognition of Human Movement Using Temporal Templates.IEEE Transactions on Pattern Analysis & Machine Intelligence，2001，23（3）：257-267.

[4]H Ju，B Bir.Individual recognition using gait energy image.IEEE Transactions on Pattern Analysis & Machine Intelligence，2006，28（2）：316-322.

[5]李林杰，王成儒.基于特征子空間的步態(tài)識別研究[D].秦皇島：燕山大學(xué)，2014.

[6]丁世飛，齊炳娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學(xué)學(xué)報，2011，40（1）：2-10.

〔編輯：白潔〕