人體行走特征識別研究

杜慧 趙曉東

摘 要：針對運動狀態下人體步態的特征識別，本文采用了一種基于輪廓的方法對步態特征進行提取，先把目標從背景中分離出來，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心點到輪廓邊緣各個像素點之間的距離。然后使用BP神經網絡算法根據步態數據庫進行步態識別。結果表明，本文中的步態識別算法準確率優于其他算法。

關鍵詞：輪廓；特征提?。籅P神經網絡；步態識別

緒論

隨著社會與科學技術的發展，人們希望計算機能夠更智能化，并且完成一些只有人類智能才能做到的復雜工作。計算機信息處理過程在一定程度上模擬了人腦信息處理過程，都經過了輸入、處理和輸出三個階段。人體步行特征識別是生物識別技術中一個新的領域，它對于身份的識別主要是依據人行走時的步行姿態以及腿部特征。人體的步行特征識別具有非侵犯性并且很難偽裝，它是不需要物理接觸的，但是指紋識別、人臉的面部識別以及虹膜識別需要近距離接觸才能提取想要的特征。近年來，人體行走特征識別使廣大研究人員產生很大的興趣。一些傳統的人體步行特征識別方法提取到的都是二維特征和信息，由攝像機拍攝到的人們走路的圖片，提取圖片中人們走路時的一些腿部特征，如步間距、步行周期等。這些都是屬于二維的步態特征，人在走路或者運動的時候這些信息都被忽略，這樣無法體現人的狀態過程。對于這些問題，本文通過輪廓圖提取了三維特征參數。利用攝像機采取單幀步態圖像序列，根據人身體的結構知識和攝像機標定的知識通過人體的整體輪廓圖提取人走路時的三維特征數據，然后進行分析，進而達到步態識別的目的。[2]

步態特征提取

人體步態特征信息是人的整體輪廓周期變化的一個過程，包括動態特征和靜態特征。輪廓的距離特征具有旋轉、平移不變[3]等特性。人的行走過程是時空運動，空間方面體現在每幀圖片中的運動輪廓，時間方面體現在靜態特征隨著時間的變化過程。人的行走過程是周期變化的，所以人的整體輪廓隨著時間的變化也是周期性的，對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動過程中的變化特性。

2. 步態檢測及分割

運動目標檢測及分割是從同時含有前景和背景的視頻圖像中，提取出運動目標，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行檢測，本文中用的是背景差分法。步態分割是步態識別中的重要一步，也是攝像機采集到步態圖像系列后的第一步，通過步態分割可以估計出人體的步態輪廓。[4]人體步行檢測方法如下：

先檢測運動目標，通過視頻進行檢測。然后對目標的運動圖像進行整體的輪廓提取。本文采用中值法恢復背景，利用背景差分法對目標的幀圖像和背景進行分離，對差分圖像直方圖進行均衡，利用迭代閾值法進行二值化，最后分割出當前圖像中運動的像素。結果如圖1所示。

2. 基于輪廓的特征提取

上面對獲取到的實驗者的圖像進行了步行檢測和分離，然后選取特征信息清晰易提取的圖像進行動態步行特征提取。不同的人體行走過程的特征都是有明顯差異的，本文選取實驗者腿部的特征作為運動過程中步態識別的關鍵特征。

一般來說，人體行走過程識別只需在一個步行的周期內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上提取的人體輪廓邊緣圖并找出質心。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個像素點的信息來表達人體的每個輪廓。為了方便計算，可以將二維的步態剪影特征用一維特征向量[5]來表示。具體來說就是，依據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的坐標值，人體輪廓圖像的質心坐標（Xo，Yo）可用下式計算：

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

將距離特征向量用N個bins的直方圖顯示，形成N維距離向量，利用直方圖統計出不同人的輪廓距離特征的分布，這樣就解決了特征維數帶來的麻煩，同時對數據的處理提供了方便。由于人的行走過程具有周期性，所以一個步態序列就會含有多個步行周期，假設第k個周期內得到的特征向量為Vk，k=l，2，...，n，那么一個序列中的步行特征如下式所示：

根據中科院自動化所提供的人體步行數據庫，提取出人在行走過程中的步行序列輪廓，再通過直方圖對輪廓的距離信號進行了深入研究，如圖3、圖4、圖5所示，從下面的直方圖可以得出一個結論，同一個人的不同步行序列直方圖幾乎是一樣的，不同的實驗者行走過程序列的直方圖明顯不同，所以根據這個特征我們可以對人體行走過程進行識別。

2.3 分類識別

對所提取的特征進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、K—近鄰分類器以及神經網絡分類法。文中采用的是BP神經網絡算法，BP神經網絡步態識別算法就是把通過直方圖提取到的特征數據輸入到神經網絡中，然后進行模擬仿真。再把測試樣本的步行序列數據導入到之前模擬好的神經網絡的模型里，估算模擬好的網絡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，這個特定目標就是測試樣本類別的ID號。文中基于BP神經網絡的步態識別流程如圖6所示：

用軟件Matlab進行整個人體行走特征程序的編寫和仿真，按照上面的方法來進行步態識別。本文實驗中的數據是采用中科院步態數據庫中的數據。為了保證人體行走特征識別的準確性，需要反復進行實驗，文中利用分類正確率CCR作為步行識別的評價表準：

從識別算法來看，本文識別算法在識別率上要優于基于角度直方圖[7]的步態識別算法，證明了本文的神經網絡算法跟其他步態識別算法相比具有很大的優越性。

3 結語

本文主要從步態的分離檢測、人體行走特征的提取以及分類識別來進行深入研究。其中行走過程中的特征提取是關鍵問題。在步態分離檢測方面使用了背景差分算法檢測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序列的距離特征信息，用BP神經網絡算法結合現有的步態數據庫對步行數據進行分類識別，進而達到人體行走識別的效果，并在準確率方面明顯優越于其他步態識別算法。

參考文獻：

[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.基于三維步態特征的步態識別方法[J].計算機仿真，2011，（4）.

[3]張恒.基于輪廓的步態識別[D].南京信息工程大學，2011.

[4]趙欽佩，等.一種新的基于背景的紅外圖像分割方法[J].計算機仿真，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（導師：阮秋琦）.基于步態識別的人體目標檢測與跟蹤.北京交通大學碩士論文，2017，（5）.

[7]趙子健，吳曉娟，劉允才.基于角度直方圖的步態識別算法.計算機工程與科學，2006-06-30.