王鵬

摘 要：本文基于筆者的研究和交流，首先對本次研究的兩種前置技術(shù)：步態(tài)特征提取算法、步態(tài)特征分類識別進行了介紹和分析，然后從具體的融合角度出發(fā)，完成了基于特征融合的步態(tài)識別算法理論研究。

關鍵詞：特征融合;步態(tài)識別;信息融合

一、序言

伴隨著信息技術(shù)的進一步深入，公民安全也在得到進一步的保障。生物特征識別技術(shù)是其中的一項代表性技術(shù)，能夠適用于各種場合的安檢需求，所以受到了社會各界的關注，希望能在視頻監(jiān)控方面得到深入的應用。本文對生物特征識別技術(shù)中的步態(tài)識別進行研究，基于國內(nèi)外的研究成果基礎上引入特征融合概念，為步態(tài)識別算法的推廣應用提供依據(jù)和借鑒。

二、重要技術(shù)概述

1.步態(tài)特征提取算法

步態(tài)特征提取算法可以分為骨架特征、步態(tài)能量圖、Hu矩三個特征的提取。骨架特征主要是對步態(tài)圖像的形狀進行了準確的反應，因為人體的肢體結(jié)構(gòu)是由多種因素決定的，所以基于肢體結(jié)構(gòu)的骨架特征的提取是步態(tài)特征提取算法的基礎，提取骨架特征的步驟是先對骨架進行分析，獲得相應的序列圖，基于序列圖得出肢體運動的準確特征;步態(tài)能量圖則是從周期性的角度對步態(tài)序列進行了總結(jié)，反映了運動形態(tài)的變化、人體輪廓和行走頻率，提取步態(tài)能量的方法是首先對步態(tài)序列進行降維，在完成步態(tài)能量圖的特征提取;Hu矩則是反映出了目標圖像平移、旋轉(zhuǎn)、尺度變化和鏡像的不變矩，首先需要對圖像離散的Hu矩進行計算，進而在完成相應的特征提取。

2.步態(tài)特征的分類識別

在完成骨架特征、步態(tài)能量圖、Hu矩三個特征的提取之后就可以進行步態(tài)特征的分類識別。分類識別首先需要建立訓練樣本對不同種類的分類器進行訓練，在樣本數(shù)量龐大的情況下可以選擇貝葉斯和神經(jīng)網(wǎng)絡分類器，在樣本數(shù)量較少的情況下可以選擇支持向量機和盡量發(fā)作為分類器，在完成分類器的訓練之后就需要用分類器進行識別實驗，基于骨架特征、步態(tài)能量圖、Hu矩三個特征的提取之后對每一個樣本構(gòu)造出對應的特征向量，最終完成三種步態(tài)特征的分類識別，進而獲得相應的實驗結(jié)果和三種單一特征的識別率。

三、基于特征融合的步態(tài)識別算法研究

1.信息融合

信息融合技術(shù)能夠?qū)ι衔闹械娜齻€特征進行融合和互補，進而使得結(jié)果更加的科學完備。信息融合是一種特殊的處理過程，能夠通過多方面多層次的檢測和組合，對各項單一特征進行互補和精簡，減少多項特征數(shù)據(jù)中的不確定性，將結(jié)果進行統(tǒng)一，能夠更好地反映出不同特征的內(nèi)在聯(lián)系。

2.特征融合具體算法

本次研究是基于骨架特征、步態(tài)能量圖、Hu矩的特征提取，從宏觀層面上來講，骨架特征主要反映了目標的肢體運動特征，步態(tài)能量圖主要反映了步態(tài)序列的周期性分步，Hu矩則是反映了肢體的形狀特征，對以上三種特征進行融合后利用支持向量機進行相應的識別工作就可以對目標的身份進行確定。

不同特征在融合時，首先要獲取單一特征向量，然后將不同特征向量采用融合方法，構(gòu)造出一個新的特征向量。將每個樣本的骨架特征，步態(tài)能量圖、五個Hu矩特征分別表述為一個多維行向量，將所有單一特征通過簡單的首尾相連，直接串聯(lián)成一個高維的聯(lián)合特征向量。對不同類型的特征設定權(quán)重，同時根據(jù)權(quán)重將單一特征的聯(lián)合向量重組，構(gòu)造融合向量。不同特征進行加權(quán)特征融合時，權(quán)重的選擇通常依據(jù)單一特征在分類識別時的識別率，單一特征的識別率越高，其對應特征對步態(tài)識別的識別能力越強，在加權(quán)融合時的權(quán)重越大。

對骨架特征分類識別，結(jié)果表明了相比于基于輪廓、基于骨架的關鍵點定位方法，可以基于此提出的基于輪廓與骨架的關鍵點定位方法提取的骨架特征識別率最高。對Hu矩特征分類識別，結(jié)果表明構(gòu)造的離散情況下尺度不變的五個Hu矩的識別率比原始的七個Hu矩的識別率更高。

從上述過程我們可以了解到，進行特征融合必須利用三種單一特征分別進行特征識別，并對三種特征進行加權(quán)特征融合。說明目標在正常行走狀態(tài)下步態(tài)序列進行加權(quán)特征融合實驗，特征融合后提高了步態(tài)識別率。而目標如果在背包狀態(tài)下和穿大衣狀態(tài)下的步態(tài)序列進行加權(quán)特征融合分析，融合后提高了識別率，說明本次研究的特征融合算法對于攜帶物和穿著具有魯棒性。

四、總結(jié)

總而言之，步態(tài)識別技術(shù)作為生物特征識別技術(shù)在安全方面的代表性技術(shù)，在可預見的未來必將得到廣泛的應用。因為步態(tài)偽裝和隱藏的難度非常大，同時易于采集，通過步態(tài)識別技術(shù)能夠有效的對目標的身份進行確定。本文基于特征融合對步態(tài)識別技術(shù)進行了調(diào)整和優(yōu)化，但是因為復雜性等原因沒有進行更為細致的研究，僅從三個方面進行了特征的提取和融合，希望未來能有機會從更多的角度完成步態(tài)特征識別的研究。

參考文獻：

[1]王浩倫，朱業(yè)安，徐唯祎，徐苒，黃月姑，盧巍.步態(tài)識別特征的提取和重要性排序[J].中國醫(yī)學物理學雜志，2019，36（07）：811-817.

[2]李洪安，杜卓明，李占利，惠巧娟，白佳豪.基于雙特征匹配層融合的步態(tài)識別方法[J].圖學學報，2019，40（03）：441-446.