一種快速步態識別方法

摘要：提出了一種快速有效的針對人物側面運動形態的步態識別算法：利用改進的自適應背景差分法取得動態目標側影；同時提取面積、身高、步幅、質心等若干種變化特征，復合成目標的步態特征序列；最后采用支持向量機進行最終學習和識別。實驗結果表明，該算法有較高的識別率，并且能很好地滿足實時需求。

關鍵詞：步態識別；支持向量機；背景差分；特征提??；計算機視覺

0 引言

對步態識別進行的研究開始于20世紀60年代?！?·11事件”以后，人們對監視和認定技術的需求進一步提升，使步態識別技術得到了廣泛關注和快速發展。和其他生物特征識別方法相比，由于步態識別具有非侵犯性、遠距離識別性、清晰度要求低和識別對象難以隱藏等優點，因此從安全監控的角度來看，步態識別是在遠距離情況下最具潛力的生物特征識別方法。

近年來大量步態特征提取的方法被提出，Amit Kaletll等人利用人的二值化圖像的側面輪廓作為圖像的特征。Lee采用七個橢圓表達人的側面不同部分的圖像，每一個橢圓用質心等四個特征表示，加上整個身體圖像的質心高度共29個特征表示整個人體側面圖像，通過模板匹配方法進行步態識別。速度矩、隱馬爾科夫模型、Procrustes形狀分析、主成分分析(principalcomponent analysis，PCA)、正則分析(canonical analysis，CA)、對稱性分析以及各種基于運動學和動力學的模型等都在步態識別中得到運用。但這些方法要么過于復雜，要么識別率不高，難以滿足實時自動步態識別的需求。

針對以上不足，本文提出了一種將部分簡單的步態特征復合成新特征向量，利用支持向量機在高維空間良好的分類能力進行步態識別的方法。由于該方法利用的是目標側影的基本形態特征，因此算法非常簡單，有很強的實時性，而復合的特征向量也使系統的識別效率有了進一步的提高。該方法基本流程如圖1所示。

1 實現方法

1.1動態目標獲取及初判

動態目標獲取是步態識別系統的首要任務，快速穩定地將進入監控范圍的動態目標提取出來是進行后期處理和識別的關鍵。利用Colombari在文獻中的方法進行運動補償，可以比較完整地實現背景區域建模，文獻利用背景差分方式將移動物體提取出來，再利用文獻中的散列度及極大似然分類方式即可完成前期的運動目標初判，同時可得到人物的運動序列。獲取動態目標序列并完成初判的方式很多，限于篇幅，在此不做詳細的討論。

1.2前期處理及各形態特征提取

初判認定為人物的圖像序列還需要進行相關的前期處理，包括無效序列剔除、步態周期獲取、方向判別及統一這三個主要過程。無效序列剔除是指人物位于視頻邊緣、突然轉身、停止不前、出現大面積遮擋(且無法修復)等特殊情況下得到的視頻序列，這些序列如果混入正常的步態序列，將會給后期判別帶來巨大的誤差。步態周期獲取是為了規劃定義行走序列，一般可以將人物雙腳距離最近(t0)到最遠(t1)再回到最近作為一個周期。得到單個人體的行走周期后，需要統一行走方向，本文采用統一的從左到右的行走，將所有反方向的行走序列圖像左右反轉即可完成統一過程。結果如圖2所示。

人體的形態特征有很多種，比如：高度，步幅，質心位置，頭、軀干與下肢比例，以及外部輪廓特性等，單個個體的這些特性雖然無法直接用于步態識別，但是卻可以反映人的部分特征，幫助進行分類。如t0時刻步幅和高度的比例可以反映個體高度，頭、軀干與下肢比例可以反映個體的年齡特征，t1時刻的質心偏移可以反映個體行走時的身體傾斜程度，外部輪廓可以反映個體的胖瘦程度等。如果將這些特征序列提取出來就能在一定程度上表現出個體的行走特征了。

本文提取了單個個體的如下特征：

(1)步幅與高度比a。a=w／h(w為步幅，h為高度) (2)質心偏移比b。b=(x₀-x₁)(y₀-y₁)(x₀為當前個體中心點橫坐標，x₁為當前個體質心橫坐標，y₀為當前個體中心點縱坐標，y₁為當前個體質心縱坐標)

(3)質心處外輪廓偏角β₁，β₂(如圖3所示)。

1.3組合各幀形態特征形成序列特征

將以上獲取的特征值按照圖片序列形成波形圖，如圖4、圖5所示。

這些特征曲線可以比較完備的表示出當前個體的行走特征。特別是某些變化部位，更能描述出其個體特有的性質，比如，同樣高度的人日常行走時步幅雖然可能一樣，但是抬腳時的姿勢，身體傾斜的方位很難相同。

1.4重新采樣并復合成特征序列

提取到的特征序列由于個體步伐速度不一致，所以序列中的特征個數也不相同，需要對其進行重新采樣。根據系統速度，本文對每個周期序列采樣15個值，這樣每個周期共生成60個特征向量值。

1.5學習或識別

在獲得有效的步態特征后，設計一個好的分類器就是解決問題的關鍵。常用的識別分類器有最近鄰距離分類器、人工神經網絡分類器等。本文采用了SVM(支持向量機)。SVM是一種泛化能力很強的分類器，它在解決小樣本問題方面表現出了許多特有的優勢，已成為國際上模式識別領域的研究熱點。

SVM的基本思想是對于非線性可分樣本，將其輸入向量經非線性變換映射到另一個高維空間z中，在變換后的空間中尋找一個最優的分界面(超平面)，使其推廣能力最好。

假設待識別的步態有c類，記為S1，S2，…，Sc。設計c個SVM分類器f₁(i=1，2，…，c)，每一個f_i用其中的一類樣本S_i作為正樣本訓練，而其他所有樣本S_i(j≠i)作為負樣本訓練。對于正、負樣本，系統輸出分別為+1和-1。測試階段，將每個'測試樣本輸入到c個分類器中，如果只有一個輸出是+1，則將該樣本判別為第i類。若有P(P>1)個分類器輸出是+1，則再利用最近鄰距離分類技術，即計算測試樣本與這P個分類器所代表的訓練樣本之間的距離，將測試樣本判別為最小值對應的那個步態類別。如果所有分類器輸出都是-1，則判定本次識別錯誤。

2 實驗及其結果

我們采用Carnegie Mellon大學提供的CMU步態數據庫進行了實驗。實驗使用留一法則進行，即從N個樣本中依序取出一個樣本，用剩下的N-1個樣本作為訓練集設計分類器，然后再用取出的樣本去校驗。重復設計N次，同時檢驗N次，并統計被錯誤分類的樣本總數K，用KYN作為錯誤率的估計值。因不能假設樣本服從正態分布，因此必須進行N次分類器設計，計算量相對較大。為了驗證算法的性能，我們將其與文獻中的兩種步態識別方法進行了對比。實驗結果表明，此方法有較好的識別效果和較高的識別速度(見表1)。

3 結束語

本文介紹了一種比較實用的步態識別方法，通過前期處理，使個體目標具有方向一致等特征，然后獲取個體目標的簡單特性，將其重新采樣復合為統一的特征向量。由于特征向量獲取方式比較簡單，得到的數據足夠豐富，因此該方法有很好的識別速度和識別率。