基于局部熵描述子的步態性別識別方法*

張 德

(北京建筑大學 電信學院，北京 100044)

0 引 言

步態識別近年來已經成為計算機視覺和生物特征識別領域的研究熱點。與指紋、虹膜和人臉等傳統生物特征識別技術相比，步態識別具有非接觸性、非侵犯性、可遠距離識別和難以偽裝等優勢。因此，步態識別在視頻安全監控、人機交互、門禁系統和醫療診斷等領域具有廣泛的應用前景。步態識別主要是通過人們走路的姿態進行身份識別，而個體的一些身份屬性，如性別、年齡和種族等，也是身份識別技術中重要的組成部分。

在步態識別發展的初期階段，就有學者進行了步態性別識別的研究。文獻[1]中提出了橢圓模型，從步態輪廓圖提取特征信息，然后進行了身份識別和性別分類的實驗。近年來，研究人員更多的關注于非模型的方法，這樣可以減小步態特征提取時的計算復雜度和數據存儲量，加快整個識別系統的處理速度。文獻[2]中使用步態能量圖，通過類間的協同表示進行分類識別。文獻[3]提出了改進對數Gabor相位一致性特征，并比較了視角變化情況下的步態識別正確率。文獻[4]提出一種質心角約束條件下加速特征點匹配的步態識別方法，有很好的時間效率。文獻[5]使用動態特征和靜態特征融合的方法，并分析了視角和衣著變化對識別率帶來的影響。文獻[6]使用HOG特征改進步態能量圖，實驗效果良好。文獻[7]提出了修正步態能量圖(modified gait energy image,MGEI)進行步態識別，采用熵來描述MGEI特征，并以此進行了步態視角的檢測。熵可以有效描述圖像的紋理，在文獻[8]和文獻[9]中也應用了熵的概念，計算步態熵圖(entropy image)，然后基于此

特征進行識別實驗。

近年來的文獻中關于身份屬性識別的研究較少，因此，本文主要進行基于步態的性別識別研究。另外，近期的國內外文獻大多數都分析了視角變化對步態識別率的影響[3,5,7,10,11]，所以本文也研究了不同視角下步態性別識別率的變化。考慮到步態的運動特性，本文采用文獻[12]提到的運動歷史圖像(motion history image,MHI)作為基礎特征，然后使用像素點鄰域的局部熵進行進一步的特征描述。通過熵信息的提取，可以更加準確地表達行走過程中人體不同姿態之間的運動變化特征。最后，使用CASIA B步態數據庫，進行了基于局部熵描述子特征的性別分類實驗，并討論了視角變化對性別識別率的影響。

1 基于步態的性別識別

步態識別一般包括數據預處理，步態周期檢測，特征提取和分類識別幾個步驟。首先從步態視頻中提取每一幀步態圖像，然后通過背景減除得到步態輪廓圖像，并進行歸一化處理。接下來檢測步態周期，提取出一個周期的步態圖像，基于此生成步態運動歷史圖像，再通過局部熵描述子的計算得到相應的熵信息圖像表示，最后進行性別分類。

歸一化處理的目的是保證在特征提取階段從不同個體提取到的特征的一致性。本文歸一化后步態輪廓圖像的大小為，首先把輪廓區域的重心與整個圖像的中心對齊，然后把輪廓區域按照自身的比例進行縮放，讓所有的輪廓區域達到相同的高度。歸一化后來自不同視角的步態輪廓圖像如圖1所示。

圖1 歸一化步態輪廓圖像

1.1 步態周期檢測

步態是一種周期性的運動，所以，步態特征的提取一般使用一個周期內的數據。這里用Ngait表示步態周期的大小，即一個周期內包含的圖像幀數。對Ngait的估算，本文采用一種傳統有效的方法。在人們的行走過程中，雙腿交替前進，一個完整的步態周期實際包含兩步行走。并且，對于同一個步態序列的不同視角而言，步態周期的大小是一樣的。在側面90°視角下，可以清楚地觀察到雙腿從重疊到分開的循環過程。因此，采用側面視角的步態數據進行周期檢測非常方便。給定步態輪廓圖像序列，計算每幀圖像中人體輪廓腰部以下的前景像素點個數，并以此作為統計信號，用Nf(t)記錄其隨時間變化的過程，如圖2(a)所示。該信號在雙腿分開到最大程度時達到最大值，當雙腿并列重疊時達到最小值。兩個值的差值就是半個步態周期的大小。但是，由于數據預處理產生的噪聲的影響，Nf(t)的變化曲線并不平滑，難以準確判斷最大值和最小值出現的時刻。因此，這里使用自相關進行去噪處理，然后準確估計出步態周期的大小。

首先，使用下式得到一個新的信號ω(t)

然后，計算ω(t)的自相關函數，如式(2)所示

Rω[m]=E{ω(t)ω(t+m)}

(2)

式中E{·}為數學期望運算。這時，使自相關函數Rω[m]取得局部最大值的最小m值(m不能是0)就是半個步態周期的大小。從圖2(b)中可以觀察到自相關函數的平滑性。由此，Ngait=2m，步態周期的大小估計完成。

圖2 前景像素點數量及自相關函數曲線

1.2 MHI構建

MHI以一種累計的方式來描述運動過程的整體模式，記錄的是時空信息。MHI把連續的動作圖像序列集成在一個靜態圖像上，緊致有效，實時性強。步態是人體的基本運動過程之一，因此本文使用MHI進行步態基礎運動特征的提取，以此進行不同性別群體的分類。

MHI構建的基本公式如下所示

從中可以看出，MHI圖像中每個像素點的值表示的是時間戳信息τ，可用來表示運動歷史特性。函數φ是用于檢測τ的判斷函數，可以是背景減除、光流或者幀差等。這里，考慮到輸入圖像序列是步態輪廓圖像，因此選用連續兩幀間的幀差法進行函數φ的計算。對于一個周期的步態圖像序列，幀數從1開始編號，幀差不為0的點在MHI中的像素點值τ就是當前幀的序號。還有，δ作為延時參數，實際表示的是MHI記錄的歷史圖像總幀數。由于本文使用一個周期的步態圖像進行MHI的計算，所以這里把設為步態周期的大小，即δ=Ngait。由此生成的步態MHI圖像如圖3所示，分別來自不同視角下的男性樣本和女性樣本。

1.3 局部熵描述子特征提取

如上節所述，MHI包含著隨時間變化累計的運動變化特征，在MHI圖像中(如圖3(a)所示)，較亮的區域表示人體運動發生的地方。運動發生區域內部的紋理結構同樣反映在MHI中。本文通過探究運動區域的紋理信息來尋找不同性別群體之間的步態差異。

信息熵可以應用于圖像紋理特征的分析，由于圖像像素點的灰度值可看作離散隨機變量，該變量的熵可按照下式計算

式中 (x,y)為像素點的坐標，pk(x,y)為該像素點取第k個灰度值的概率。文獻[8]基于香農公式和灰度直方圖計算圖像的熵。文獻[9]使用了基于香農公式擴展的Renyi熵進行圖像特征提取。

為了更進一步地分析紋理信息特征，本文提出了局部熵描述子的思路。首先，計算每個像素點鄰域的香農熵，然后把該熵值作為該像素點的灰度值，從而生成一個新的基于鄰域熵值的圖像，稱為局部熵描述子圖像。這里，比較關鍵的是鄰域大小的選擇，一般根據輸入圖像的大小來確定。本文歸一化后步態輪廓圖像的大小為100×155，所以選取100和155的公約數5來確定鄰域的大小，即鄰域為5×5。由此生成的局部熵描述子圖像如圖3(b)所示，它們分別來自不同視角下的男性樣本和女性樣本，和圖3(a)所示樣本是一一對應的。

圖3 MHI圖像與局部熵描述子圖像

2 分類器選擇

在分類識別系統中常用的分類器有最近鄰算法[3，4，6，7]和支持向量機[13]。支持向量機在解決小樣本、非線性及高維模式識別中有很大優勢，并且它是一個二類分類器。因此，本文采用支持向量機進行性別分類識別。

假設給定一組來自兩個不同類別的訓練樣本(xi,yi)，其中xi∈RN，yi∈{-1,1}，yi是樣本的類別標簽。支持向量機要找到一個最佳超平面，把這些樣本數據分為兩個部分，并且，這個超平面到每部分最近數據點的距離是最大的，即最大間隔超平面。支持向量機的關鍵在于核函數，所以，本文采用不同的核函數進行了實驗。

3 實驗結果與分析

使用中科院自動化所提供的CASIA B步態數據庫進行了實驗。該數據庫是一個大規模，多時間的步態庫。共有124個人，其中男性63人，女性31人。每個人有11個視角(0°,18°,36°,…,180°)和3種行走模式(普通，背包和穿大衣)的數據。其中，普通行走模式下有6個步態圖像序列。本文選取了31個女性樣本，并隨機選取了31個男性樣本進行性別識別的實驗。每個樣本都使用了其11個視角和6個普通行走模式序列的數據。

本文分別對每個視角進行了實驗驗證，然后比較不同視角下的性別分類結果。實驗過程采用了留一校驗法，每次選取1個男性樣本和1個女性樣本的普通行走模式序列(共12個)作為測試集，余下的30個男性樣本和30個女性樣本的行走序列數據(共360個)作為訓練集。這樣，共循環31次，采用平均識別率作為最后的識別結果。支持向量機的核函數選取Linear和3階Polynomial分別進行了實驗，結果如表1所示。

表1 不同核函數類型下的步態性別識別結果

從表1中可看出，線性核函數(linear)下識別結果優于非線性核函數(polynomial)，所以，可以認為基于步態的性別分類更具有線性的特點，和文獻[1]給出的不同核函數的表現一致。另外，不同視角下性別識別正確率之間的差異比較大，其中正面0°和18°視角下效果最差，側面視角90°和側背面視角162°效果最好。綜合來看，側背面的幾個視角下性別識別的表現比側正面明顯要好。

接下來，選取了識別效果較好的6個視角(分別為36°，72°，90°，126°，144°，162°)的數據進行了不同方法比較的性別識別實驗，比較的方法包括MHI、步態能量圖(gait energy image,GEI)和本文提出的局部熵描述子圖像。都使用了主成分分析法(PCA)對圖像進行降維處理，然后使用linear核函數的支持向量機進行分類識別。實驗結果如圖4所示。

圖4 不同特征提取方法的性別識別率比較

由圖4可以直觀的看出，本文方法優于基礎的MHI和經典的GEI兩種方法。說明通過局部熵對運動區域內部紋理特征進一步的描述，不同性別群體之間的步態差異得到了更全面的表達。在多個不同視角下，步態性別識別的準確率都可以得到有效的保證。

4 結束語

本文進行了基于步態的性別識別研究，在提取步態運動歷史圖的基礎上，借鑒了步態身份識別中使用的信息熵方法，通過對MHI像素點鄰域信息熵的計算，生成了局部熵描述子圖像。為了得到更有效的特征并減少計算量，采用主成分分析(principal component analysis,PCA)進行降維處理。然后使用支持向量機作為分類器進行了性別識別的實驗。在CASIA B步態數據庫上的實驗結果表明，本文方法具有較高的正確識別率，優于對比方法。然而，由于增加了熵計算的步驟，影響了運算效率，有待進一步改善。