基于SWA—Gabor特征的步態識別

鄭慧平 李旭健 張陽

摘要：針對背包、外套等干擾因素致使步態識別率降低的問題，提出一種分割加權的步態識別方法。首先通過幀差法與閾值分割相結合的方法得到動態信息更加豐富的幀差閾值能量圖（FTDEI），將該能量圖分割為3部分，并對每部分添加相應權重，然后利用Gabor小波對分割加權后的FTDEI進行不同角度的特征提取，得到加權的濾波特征（SWA-Gabor），最后通過KNN分類器對SWA-Gabor特征進行分類和識別。基于分割加權的步態識別方法能夠很好地避免背包等干擾因素的影響。為了驗證該算法的識別效果，在中國科學院自動化研究所CASIA-B步態數據庫上進行實驗，結果表明，在攜帶背包和外套的情況下，該算法的識別率較其它算法提高了約5%，取得了很好的識別效果。

關鍵詞：步態識別；步態能量圖；分割加權；Gabor小波；SWA-Gabor

DOI：10.11907/rjdk.181328

中圖分類號：TP301

文獻標識碼：A文章編號：1672-7800（2018）007-0040-04

Abstract：Inordertosolvetheproblemthatthegaitrecognitionrateisdecreasedduetotheinterferencefactorssuchasbackpacksandjackets，asegmentationweightedgaitrecognitionmethodisproposed.Firstly，aframedifferencethresholdenergymap（FTDEI）isobtainedbycombiningframedifferencemethodwiththresholdsegmentation，whichobtainsricherdynamicinformationWedividetheenergymapintothreeparts，addcorrespondingweightstoeachpart，anduseGaborwavelettoextractthecharacteristicsofFTDEIfromdifferentangles.Weightedfilteringfeatures（SWA-Gabor）areobtained.Finally，SWA-GaborfeaturesareclassifiedandidentifiedbyKNNclassifier.Thegaitrecognitionmethodbasedonsegmentationweightingcanreducetheinfluenceofinterferencefactorssuchasbackpacksbyweighting.Inordertoverifytherecognitioneffectoftheproposedalgorithm，experimentsarecarriedoutonCASIA-Bgaitdatabase.Experimentalresultsshowthattherecognitionrateoftheproposedalgorithmisimprovedbyabout5%comparedwithotheralgorithmsinthecaseofcarryingbackpacksandouterwear.

KeyWords：gaitrecognition；GEI；segmentationweighting；GaborWavelet；SWA-Gabor

0引言

步態識別作為人體重要的生物特征識別之一，因其具有遠距離、非接觸、可采集等優點，相比傳統的生物特征識別方法能夠很好地解決視頻距離遠、人臉模糊以及其它無法進行身份識別的情況，在智能監控、案件偵破等領域有著重要研究意義，成為身份識別的重要研究方向和研究熱點[1-2]。

由于視頻采集時間間隔長，人體外觀可能會發生很大變化，例如外出攜帶背包，天氣寒冷時穿著大衣，這些明顯的外觀變化將直接改變人體輪廓，進而影響識別結果，成為步態識別的一大難題[3]。為了克服外套和背包的影響，李孟歆等[4]提出只保留腿部局部信息，通過腿部運動變化進行步態識別，該方法很好地避免了上身背包和穿大衣對步態識別的干擾，但因刪除了大量上身靜態信息，所以識別率沒有很大提升。

對此，本文提出分割加權的思想，將人體的FTDEI能量圖劃分為3部分：頭部、上身及腿部，由于人體頭部和腿部含有非常重要的信息，所以增加頭部和腿部相應的權重，為了降低人體上身著裝和攜帶物的影響，首先通過算法策略判斷人體是否背包，如有背包則減小其權重。該方法既保留了人體運動的大量信息，又避免了背包因素的影響，最后用Gabor小波進行特征提取，利用中科院自動化所CASIA-B步態數據集進行實驗，識別率較傳統方法提高了約5%。

1算法實現

1.1GEI生成策略

GEI步態能量圖是將一個周期內的步態幀經過二值化處理后，按其質心點疊加重合，得到一幅平均步態輪廓圖像[5]，以此作為步態特征進行步態識別，該方法能夠簡化單幀圖像的復雜性，用一張步態能量圖代替一個周期的序列幀；忽略各幀之間的關聯性，更多地考慮步態幀的統計特性，在步態識別上取得了很好的識別效果[6]。步態能量圖定義如下：

其中，N代表一個周期內序列幀數，t代表某一時刻的步態幀，x代表二維步態序列幀圖像中的橫坐標，y代表縱坐標，B代表二值輪廓圖，G代表最后得到的GEI灰度圖[7]，圖1為90°視角下步態能量圖合成過程。

1.2FTDEI能量圖獲取

GEI圖像雖然相比于一些基于模型的特征提取方法具有易獲取、魯棒性強等優點[8]，但GEI圖像維數空間較高，含有較多冗余信息，為了突出關鍵動態信息，減小靜態信息的影響，本文提出結合幀差法與閾值分割法獲取動態能量圖。

基于幀差法與閾值分割法相結合獲取步態能量圖的具體步驟如下：

圖2中左側（a）為幀差圖像，（b）為一個步態周期內幀差圖像的均值，（c）為幀差能量圖經過閾值處理后的幀差閾值能量圖。

1.3SWA分割加權算法

為減少背包外套對于步態能量圖的影響，學者提出了不同的解決方法[10]，文獻[4]提出將人體圖像進行分割，只保留人體運動的腿部信息，通過腿部運動信息進行識別，該方法避免了上身外觀改變對步態的影響，但相應減少了頭部等重要信息，致使正常行走狀態下的識別率降低。

對此，本文提出一種分割加權的思想，用來降低背包、外套等干擾因素的影響。通過分割加權算法將FTDEI能量圖劃分為3部分，分別為D1、D2、D3，如圖3所示：D1為人體頭部信息，特征較穩定，區分度較高；D2部分為人體上身部分，易受背包、外套等因素干擾；D3部分為信息豐富的腿部運動部分，含有較多的動態信息。圖3為同一個人在不同狀態下的FTDEI能量圖，顯然，同一個人在不同狀態下獲得的能量圖在直觀上就有很大區別[11]。最后通過加權算法對每一部分進行加權，以突出不同部分的貢獻。

SWA分割加權算法中的分割算法如式（7）所示：

其中L（n）表示圖像的分割線，通過該分割線將動態步態能量圖劃分為3部分。P表示幀差閾值能量圖中間黑色部分的點集，如圖4所示的中間黑色區域。公式中|x2-x1|表示點集P中同一水平線上x1與x2兩點的水平距離。Ymax表示集合P中y取得最大值。PYmin|x2-x1|表示x2與x1兩點之間水平距離最短時所對應的y值，此時根據人體先驗模型比例圖可知，PY取值范圍為0.818Ymax

根據分割算法求得分割線后，下一步將進行權重分配，SWA分割加權算法中的權重分配公式如下：

2基于SWA-Gabor的特征提取

FTDEI能量圖是通過幀差法與閾值分割相結合的方法獲得的動態步態能量圖，該能量圖去除了大量靜態信息，保留了人在走路過程中的動態信息。Gabor小波是描述圖像局部灰度分布的有力工具[12]，并能在多尺度、角度和頻率域中有效地對圖像進行表述，所以本文采用Gabor小波變換完成步態特征的提取。

鑒于Gabor濾波器參數的考慮，最終選用5個尺度和8個角度的Gabor小波[13]。將FTDEI能量圖與Gabor核函數進行卷積運算，取其幅值譜圖作為動態區域圖像的Gabor特征，形成5個尺度、8個角度的40張Gabor特征圖[14]，這樣原來的1個FTDEI特征對于GaborFTDEI變為40個，從GaborFTDEI到SWA-GaborFTDEI，需要引入權重向量，用W表示[15]，如式（9）所示，w1、w2、w3分別代表了D1、D2、D3區域的權重，在后續分類的時候，會根據前文所提到的算法判斷是否含有背包，如果有就給W2一個比較小的權重。

SWA-GaborFTDEI的度量方法如式（10）所示。計算兩個樣本相似度的算法是計算這兩個樣本的所有GaborFTDEI特征的距離，并乘以相應的權重，然后將每一部分GaborFTDEI特征的距離加權求和后得到SWA-GaborFTDEI特征的相似度[16]。Sb代表有背包時的相似度，Sub代表沒有背包時的相似度，觀察式（10）和式（11）可發現在計算SWA-GaborFTDEI相似度時，唯一區別在于計算SWA-GaborFTDEI歐式距離時所乘的權重因子不同[17]。

其中Wi為背包狀態下相應權重，Wui為沒有背包狀態下權重，W不是一個常量，Wi和Wui的取值是根據i的取值決定[18]。為了簡化冗余的數據，降低數據維度，方便后續分類操作，采用PCA對SWA-Gabor特征進行降維[19]，得到最終的步態特征，在此基礎上進行分類識別。

3實驗結果

為了驗證基于SWA-Gabor特征提取算法的有效性，實驗在CASIA-B步態數據庫上進行，為了方便比較，這里統一采用了KNN分類器[20]，GEI、AEI、FTDEI和SWA-Gabor特征對比如下：

圖5為攜包狀態下各種算法在各個視角下的識別率。從圖中可以看出，本文算法在各個視角下的識別準確率比較穩定，在攜帶背包的情況下平均識別率為73.1%，其它經典算法的平均識別率為68.2%，相對于其它算法提高了約5%，有較明顯提高。衣著變化情況下各種方法在各個視角下的識別率如圖6所示。本文算法的平均識別率為77.2%，其它經典算法平均識別率為73.7%，相對于其它算法在各個視角下均有明顯提高。

4結語

本文簡要介紹了GEI能量圖生成策略，在此基礎上對GEI進行優化得到FTDEI能量圖，該能量圖去除了大量低頻信息，減少了信息冗余。為了降低背包、外套等干擾因素的影響，提出分割加權的思想，將FTDEI能量圖分為3部分，通過權重分配方法自適應地得到每部分權重，并使用Gabor小波進行特征提取，得到豐富的SWA-Gabor特征。為了驗證本文特征提取算法的有效性，利用CASIA-B步態數據庫進行實驗。實驗表明，在有背包和外套干擾的情況下，本文提出的特征提取算法較傳統經典算法在識別率上提高了約5%，取得了很好的識別效果。

參考文獻：

[1]盧官明，衣美佳.步態識別關鍵技術研究[J].計算機技術與發展，2015，25（7）：100-106.

[2]MURAYAMAJ.Identificationofapersonbasedongaitrecognition[A].TheSocietyofInstrumentandControlEngineers（SICE）：2015：5.

[3]孫卓.基于序列輪廓特征的步態識別研究[D].西安：西安科技大學，2017.

[4]李孟歆，姜佳楠，賈燕雯.基于步態能量圖的特征提取新方法[J].科技與創新，2016（22）：75-76.

[5]王竣，王修暉.特征融合的多視角步態識別研究[J].中國計量大學學報，2017，28（2）：234-240+268.

[6]劉玉淑.基于時間保持能量圖和Radon變換的步態識別[J].計算機工程與應用，2011，47（29）：164-167.

[7]史東承，賈令堯，梁超等.基于相位一致性改進的步態識別方法[J].計算機工程，2017，43（10）：198-202+208.

[8]李凱，王國超.融合腿部局部特征的步態識別方法[J].計算機工程與設計，2016，37（5）：1340-1345.

[9]XINGXL，WANGKJ，YANT，etal.Completecanonicalcorrelationanalysiswithapplicationtomulti-viewgaitrecognition[J].PatternRecognition，2016，50（C）：107-117.

[10]劉萍.與服飾、攜帶物無關的多視角下的步態識別[D].長沙：國防科學技術大學，2015.

[11]涂潤.非模型步態識別的算法研究[D].武漢：華中科技大學，2015.

[12]楊曉超，周越，署光，等.基于Gabor相位譜和流型學習的步態識別方法[J].電子學報，2009，37（4）：753-757.

[13]SHAOH，WANGY.GaitrecognitionmethodbasedonintegratedGaborfeature[J].JournalofElectronicMeasurement&Instrumentation;，2017（4）：87-93.

[14]王昳昀.基于集成Gabor特征的步態識別方法研究[D].沈陽：沈陽工業大學，2017.

[15]ZORANZ，FERDINANDVH.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction[J]，PatternRecognitionLetters，2006，27（7）：773-780.

[16]任勝兵，李興超等.基于人體動靜態特征融合的步態識別算法研究[D].長沙：中南大學，2012.

[17]王磊.基于步態能量圖和加權質量向量的步態識別研究[D].長沙：湖南大學，2010.

[18]肖德貴，王磊.基于加權行質量向量的步態識別方法[J].計算機工程，2011，37（11）：215-217.

[19]EKINCIM，AYKUTM.HumangaitrecognitionbasedonkernelPCAusingprojections[J].JournalofComputerScience&Technology;，2007（6）：867-876.

[20]賈令堯.基于步態能量圖的身份識別算法研究[D].長春：長春工業大學，2017.

（責任編輯：江艷）