杜慧 趙曉東

摘 要：針對(duì)運(yùn)動(dòng)狀態(tài)下人體步態(tài)的特征識(shí)別，本文采用了一種基于輪廓的方法對(duì)步態(tài)特征進(jìn)行提取，先把目標(biāo)從背景中分離出來，再提取人的整體輪廓，本文中所提取的人在行走過程中的特征就是人的質(zhì)心點(diǎn)到輪廓邊緣各個(gè)像素點(diǎn)之間的距離。然后使用BP神經(jīng)網(wǎng)絡(luò)算法根據(jù)步態(tài)數(shù)據(jù)庫進(jìn)行步態(tài)識(shí)別。結(jié)果表明，本文中的步態(tài)識(shí)別算法準(zhǔn)確率優(yōu)于其他算法。

關(guān)鍵詞：輪廓；特征提??；BP神經(jīng)網(wǎng)絡(luò)；步態(tài)識(shí)別

緒論

隨著社會(huì)與科學(xué)技術(shù)的發(fā)展，人們希望計(jì)算機(jī)能夠更智能化，并且完成一些只有人類智能才能做到的復(fù)雜工作。計(jì)算機(jī)信息處理過程在一定程度上模擬了人腦信息處理過程，都經(jīng)過了輸入、處理和輸出三個(gè)階段。人體步行特征識(shí)別是生物識(shí)別技術(shù)中一個(gè)新的領(lǐng)域，它對(duì)于身份的識(shí)別主要是依據(jù)人行走時(shí)的步行姿態(tài)以及腿部特征。人體的步行特征識(shí)別具有非侵犯性并且很難偽裝，它是不需要物理接觸的，但是指紋識(shí)別、人臉的面部識(shí)別以及虹膜識(shí)別需要近距離接觸才能提取想要的特征。近年來，人體行走特征識(shí)別使廣大研究人員產(chǎn)生很大的興趣。一些傳統(tǒng)的人體步行特征識(shí)別方法提取到的都是二維特征和信息，由攝像機(jī)拍攝到的人們走路的圖片，提取圖片中人們走路時(shí)的一些腿部特征，如步間距、步行周期等。這些都是屬于二維的步態(tài)特征，人在走路或者運(yùn)動(dòng)的時(shí)候這些信息都被忽略，這樣無法體現(xiàn)人的狀態(tài)過程。對(duì)于這些問題，本文通過輪廓圖提取了三維特征參數(shù)。利用攝像機(jī)采取單幀步態(tài)圖像序列，根據(jù)人身體的結(jié)構(gòu)知識(shí)和攝像機(jī)標(biāo)定的知識(shí)通過人體的整體輪廓圖提取人走路時(shí)的三維特征數(shù)據(jù)，然后進(jìn)行分析，進(jìn)而達(dá)到步態(tài)識(shí)別的目的。[2]

步態(tài)特征提取

人體步態(tài)特征信息是人的整體輪廓周期變化的一個(gè)過程，包括動(dòng)態(tài)特征和靜態(tài)特征。輪廓的距離特征具有旋轉(zhuǎn)、平移不變[3]等特性。人的行走過程是時(shí)空運(yùn)動(dòng)，空間方面體現(xiàn)在每幀圖片中的運(yùn)動(dòng)輪廓，時(shí)間方面體現(xiàn)在靜態(tài)特征隨著時(shí)間的變化過程。人的行走過程是周期變化的，所以人的整體輪廓隨著時(shí)間的變化也是周期性的，對(duì)于不同的人輪廓也有所不同，通過輪廓特征能夠較充分的得到人在運(yùn)動(dòng)過程中的變化特性。

2. 步態(tài)檢測(cè)及分割

運(yùn)動(dòng)目標(biāo)檢測(cè)及分割是從同時(shí)含有前景和背景的視頻圖像中，提取出運(yùn)動(dòng)目標(biāo)，一般使用背景差分法、幀間差分法、光流法和能量最小化法來進(jìn)行檢測(cè)，本文中用的是背景差分法。步態(tài)分割是步態(tài)識(shí)別中的重要一步，也是攝像機(jī)采集到步態(tài)圖像系列后的第一步，通過步態(tài)分割可以估計(jì)出人體的步態(tài)輪廓。[4]人體步行檢測(cè)方法如下：

先檢測(cè)運(yùn)動(dòng)目標(biāo)，通過視頻進(jìn)行檢測(cè)。然后對(duì)目標(biāo)的運(yùn)動(dòng)圖像進(jìn)行整體的輪廓提取。本文采用中值法恢復(fù)背景，利用背景差分法對(duì)目標(biāo)的幀圖像和背景進(jìn)行分離，對(duì)差分圖像直方圖進(jìn)行均衡，利用迭代閾值法進(jìn)行二值化，最后分割出當(dāng)前圖像中運(yùn)動(dòng)的像素。結(jié)果如圖1所示。

2. 基于輪廓的特征提取

上面對(duì)獲取到的實(shí)驗(yàn)者的圖像進(jìn)行了步行檢測(cè)和分離，然后選取特征信息清晰易提取的圖像進(jìn)行動(dòng)態(tài)步行特征提取。不同的人體行走過程的特征都是有明顯差異的，本文選取實(shí)驗(yàn)者腿部的特征作為運(yùn)動(dòng)過程中步態(tài)識(shí)別的關(guān)鍵特征。

一般來說，人體行走過程識(shí)別只需在一個(gè)步行的周期內(nèi)獲取步行序列的行走特征。在上面人體下邊沿輪廓圖的基礎(chǔ)上提取的人體輪廓邊緣圖并找出質(zhì)心。如圖2所示：

人體輪廓的邊緣圖是二維特征信息，邊緣輪廓線可以用下式表示：

可以用Ns個(gè)像素點(diǎn)的信息來表達(dá)人體的每個(gè)輪廓。為了方便計(jì)算，可以將二維的步態(tài)剪影特征用一維特征向量[5]來表示。具體來說就是，依據(jù)前面的方法得到人的輪廓邊緣圖，列出輪廓邊界上所有像素點(diǎn)的坐標(biāo)值，人體輪廓圖像的質(zhì)心坐標(biāo)（Xo，Yo）可用下式計(jì)算：

圖2中，中間標(biāo)注的點(diǎn)是人體質(zhì)心，箭頭指向是質(zhì)心到人體邊沿像素點(diǎn)的距離信號(hào)，輪廓中心距的大小就是人的輪廓質(zhì)心到邊緣像素點(diǎn)的距離大小。

將距離特征向量用N個(gè)bins的直方圖顯示，形成N維距離向量，利用直方圖統(tǒng)計(jì)出不同人的輪廓距離特征的分布，這樣就解決了特征維數(shù)帶來的麻煩，同時(shí)對(duì)數(shù)據(jù)的處理提供了方便。由于人的行走過程具有周期性，所以一個(gè)步態(tài)序列就會(huì)含有多個(gè)步行周期，假設(shè)第k個(gè)周期內(nèi)得到的特征向量為Vk，k=l，2，...，n，那么一個(gè)序列中的步行特征如下式所示：

根據(jù)中科院自動(dòng)化所提供的人體步行數(shù)據(jù)庫，提取出人在行走過程中的步行序列輪廓，再通過直方圖對(duì)輪廓的距離信號(hào)進(jìn)行了深入研究，如圖3、圖4、圖5所示，從下面的直方圖可以得出一個(gè)結(jié)論，同一個(gè)人的不同步行序列直方圖幾乎是一樣的，不同的實(shí)驗(yàn)者行走過程序列的直方圖明顯不同，所以根據(jù)這個(gè)特征我們可以對(duì)人體行走過程進(jìn)行識(shí)別。

2.3 分類識(shí)別

對(duì)所提取的特征進(jìn)行分類的方法十分多，一般常見的包括以下幾種：支持向量機(jī)、K—近鄰分類器以及神經(jīng)網(wǎng)絡(luò)分類法。文中采用的是BP神經(jīng)網(wǎng)絡(luò)算法，BP神經(jīng)網(wǎng)絡(luò)步態(tài)識(shí)別算法就是把通過直方圖提取到的特征數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，然后進(jìn)行模擬仿真。再把測(cè)試樣本的步行序列數(shù)據(jù)導(dǎo)入到之前模擬好的神經(jīng)網(wǎng)絡(luò)的模型里，估算模擬好的網(wǎng)絡(luò)模型跟輸入模型之間的相似程度，找出兩者相似程度最大的特定目標(biāo)，這個(gè)特定目標(biāo)就是測(cè)試樣本類別的ID號(hào)。文中基于BP神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別流程如圖6所示：

用軟件Matlab進(jìn)行整個(gè)人體行走特征程序的編寫和仿真，按照上面的方法來進(jìn)行步態(tài)識(shí)別。本文實(shí)驗(yàn)中的數(shù)據(jù)是采用中科院步態(tài)數(shù)據(jù)庫中的數(shù)據(jù)。為了保證人體行走特征識(shí)別的準(zhǔn)確性，需要反復(fù)進(jìn)行實(shí)驗(yàn)，文中利用分類正確率CCR作為步行識(shí)別的評(píng)價(jià)表準(zhǔn)：

從識(shí)別算法來看，本文識(shí)別算法在識(shí)別率上要優(yōu)于基于角度直方圖[7]的步態(tài)識(shí)別算法，證明了本文的神經(jīng)網(wǎng)絡(luò)算法跟其他步態(tài)識(shí)別算法相比具有很大的優(yōu)越性。

3 結(jié)語

本文主要從步態(tài)的分離檢測(cè)、人體行走特征的提取以及分類識(shí)別來進(jìn)行深入研究。其中行走過程中的特征提取是關(guān)鍵問題。在步態(tài)分離檢測(cè)方面使用了背景差分算法檢測(cè)出視頻圖像序列中的所需要的部分，然后提取出人在行走過程中的相對(duì)完整的輪廓圖。再從人行走過程中的完整的輪廓圖中提取步態(tài)序列的距離特征信息，用BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合現(xiàn)有的步態(tài)數(shù)據(jù)庫對(duì)步行數(shù)據(jù)進(jìn)行分類識(shí)別，進(jìn)而達(dá)到人體行走識(shí)別的效果，并在準(zhǔn)確率方面明顯優(yōu)越于其他步態(tài)識(shí)別算法。

參考文獻(xiàn)：

[1]Lily Lee Gait Analys is for Classification[R].AI Technical Report Massachusetts Institute of Technology-Artificial Intelligence Laboratory，June 2003.

[2]鄧秀春，王仁芳.基于三維步態(tài)特征的步態(tài)識(shí)別方法[J].計(jì)算機(jī)仿真，2011，（4）.

[3]張恒.基于輪廓的步態(tài)識(shí)別[D].南京信息工程大學(xué)，2011.

[4]趙欽佩，等.一種新的基于背景的紅外圖像分割方法[J].計(jì)算機(jī)仿真，2007，（5）.

[5]Wang L，Tan T， Ning H， et al. Silhouette Analysis-Based Gait Recognition for HumanIdentification[J].Pattern Analysis & Machine Intelligence I-EEE Transactions on，2003，25（12）：1505-1518.

[6]丁冉冉（導(dǎo)師：阮秋琦）.基于步態(tài)識(shí)別的人體目標(biāo)檢測(cè)與跟蹤.北京交通大學(xué)碩士論文，2017，（5）.

[7]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.計(jì)算機(jī)工程與科學(xué)，2006-06-30.