一種快速步態(tài)識(shí)別方法

摘要：提出了一種快速有效的針對(duì)人物側(cè)面運(yùn)動(dòng)形態(tài)的步態(tài)識(shí)別算法：利用改進(jìn)的自適應(yīng)背景差分法取得動(dòng)態(tài)目標(biāo)側(cè)影；同時(shí)提取面積、身高、步幅、質(zhì)心等若干種變化特征，復(fù)合成目標(biāo)的步態(tài)特征序列；最后采用支持向量機(jī)進(jìn)行最終學(xué)習(xí)和識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法有較高的識(shí)別率，并且能很好地滿足實(shí)時(shí)需求。

關(guān)鍵詞：步態(tài)識(shí)別；支持向量機(jī)；背景差分；特征提??；計(jì)算機(jī)視覺

0 引言

對(duì)步態(tài)識(shí)別進(jìn)行的研究開始于20世紀(jì)60年代?！?·11事件”以后，人們對(duì)監(jiān)視和認(rèn)定技術(shù)的需求進(jìn)一步提升，使步態(tài)識(shí)別技術(shù)得到了廣泛關(guān)注和快速發(fā)展。和其他生物特征識(shí)別方法相比，由于步態(tài)識(shí)別具有非侵犯性、遠(yuǎn)距離識(shí)別性、清晰度要求低和識(shí)別對(duì)象難以隱藏等優(yōu)點(diǎn)，因此從安全監(jiān)控的角度來看，步態(tài)識(shí)別是在遠(yuǎn)距離情況下最具潛力的生物特征識(shí)別方法。

近年來大量步態(tài)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(cè)面輪廓作為圖像的特征。Lee采用七個(gè)橢圓表達(dá)人的側(cè)面不同部分的圖像，每一個(gè)橢圓用質(zhì)心等四個(gè)特征表示，加上整個(gè)身體圖像的質(zhì)心高度共29個(gè)特征表示整個(gè)人體側(cè)面圖像，通過模板匹配方法進(jìn)行步態(tài)識(shí)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(duì)稱性分析以及各種基于運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)的模型等都在步態(tài)識(shí)別中得到運(yùn)用。但這些方法要么過于復(fù)雜，要么識(shí)別率不高，難以滿足實(shí)時(shí)自動(dòng)步態(tài)識(shí)別的需求。

針對(duì)以上不足，本文提出了一種將部分簡(jiǎn)單的步態(tài)特征復(fù)合成新特征向量，利用支持向量機(jī)在高維空間良好的分類能力進(jìn)行步態(tài)識(shí)別的方法。由于該方法利用的是目標(biāo)側(cè)影的基本形態(tài)特征，因此算法非常簡(jiǎn)單，有很強(qiáng)的實(shí)時(shí)性，而復(fù)合的特征向量也使系統(tǒng)的識(shí)別效率有了進(jìn)一步的提高。該方法基本流程如圖1所示。

1 實(shí)現(xiàn)方法

1.1動(dòng)態(tài)目標(biāo)獲取及初判

動(dòng)態(tài)目標(biāo)獲取是步態(tài)識(shí)別系統(tǒng)的首要任務(wù)，快速穩(wěn)定地將進(jìn)入監(jiān)控范圍的動(dòng)態(tài)目標(biāo)提取出來是進(jìn)行后期處理和識(shí)別的關(guān)鍵。利用Colombari在文獻(xiàn)中的方法進(jìn)行運(yùn)動(dòng)補(bǔ)償，可以比較完整地實(shí)現(xiàn)背景區(qū)域建模，文獻(xiàn)利用背景差分方式將移動(dòng)物體提取出來，再利用文獻(xiàn)中的散列度及極大似然分類方式即可完成前期的運(yùn)動(dòng)目標(biāo)初判，同時(shí)可得到人物的運(yùn)動(dòng)序列。獲取動(dòng)態(tài)目標(biāo)序列并完成初判的方式很多，限于篇幅，在此不做詳細(xì)的討論。

1.2前期處理及各形態(tài)特征提取

初判認(rèn)定為人物的圖像序列還需要進(jìn)行相關(guān)的前期處理，包括無效序列剔除、步態(tài)周期獲取、方向判別及統(tǒng)一這三個(gè)主要過程。無效序列剔除是指人物位于視頻邊緣、突然轉(zhuǎn)身、停止不前、出現(xiàn)大面積遮擋(且無法修復(fù))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(tài)序列，將會(huì)給后期判別帶來巨大的誤差。步態(tài)周期獲取是為了規(guī)劃定義行走序列，一般可以將人物雙腳距離最近(t0)到最遠(yuǎn)(t1)再回到最近作為一個(gè)周期。得到單個(gè)人體的行走周期后，需要統(tǒng)一行走方向，本文采用統(tǒng)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(zhuǎn)即可完成統(tǒng)一過程。結(jié)果如圖2所示。

人體的形態(tài)特征有很多種，比如：高度，步幅，質(zhì)心位置，頭、軀干與下肢比例，以及外部輪廓特性等，單個(gè)個(gè)體的這些特性雖然無法直接用于步態(tài)識(shí)別，但是卻可以反映人的部分特征，幫助進(jìn)行分類。如t0時(shí)刻步幅和高度的比例可以反映個(gè)體高度，頭、軀干與下肢比例可以反映個(gè)體的年齡特征，t1時(shí)刻的質(zhì)心偏移可以反映個(gè)體行走時(shí)的身體傾斜程度，外部輪廓可以反映個(gè)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(xiàn)出個(gè)體的行走特征了。

本文提取了單個(gè)個(gè)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(zhì)心偏移比b。b=(x₀-x₁)(y₀-y₁)(x₀為當(dāng)前個(gè)體中心點(diǎn)橫坐標(biāo)，x₁為當(dāng)前個(gè)體質(zhì)心橫坐標(biāo)，y₀為當(dāng)前個(gè)體中心點(diǎn)縱坐標(biāo)，y₁為當(dāng)前個(gè)體質(zhì)心縱坐標(biāo))

(3)質(zhì)心處外輪廓偏角β₁，β₂(如圖3所示)。

1.3組合各幀形態(tài)特征形成序列特征

將以上獲取的特征值按照?qǐng)D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(dāng)前個(gè)體的行走特征。特別是某些變化部位，更能描述出其個(gè)體特有的性質(zhì)，比如，同樣高度的人日常行走時(shí)步幅雖然可能一樣，但是抬腳時(shí)的姿勢(shì)，身體傾斜的方位很難相同。

1.4重新采樣并復(fù)合成特征序列

提取到的特征序列由于個(gè)體步伐速度不一致，所以序列中的特征個(gè)數(shù)也不相同，需要對(duì)其進(jìn)行重新采樣。根據(jù)系統(tǒng)速度，本文對(duì)每個(gè)周期序列采樣15個(gè)值，這樣每個(gè)周期共生成60個(gè)特征向量值。

1.5學(xué)習(xí)或識(shí)別

在獲得有效的步態(tài)特征后，設(shè)計(jì)一個(gè)好的分類器就是解決問題的關(guān)鍵。常用的識(shí)別分類器有最近鄰距離分類器、人工神經(jīng)網(wǎng)絡(luò)分類器等。本文采用了SVM(支持向量機(jī))。SVM是一種泛化能力很強(qiáng)的分類器，它在解決小樣本問題方面表現(xiàn)出了許多特有的優(yōu)勢(shì)，已成為國(guó)際上模式識(shí)別領(lǐng)域的研究熱點(diǎn)。

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

假設(shè)待識(shí)別的步態(tài)有c類，記為S1，S2，…，Sc。設(shè)計(jì)c個(gè)SVM分類器f₁(i=1，2，…，c)，每一個(gè)f_i用其中的一類樣本S_i作為正樣本訓(xùn)練，而其他所有樣本S_i(j≠i)作為負(fù)樣本訓(xùn)練。對(duì)于正、負(fù)樣本，系統(tǒng)輸出分別為+1和-1。測(cè)試階段，將每個(gè)'測(cè)試樣本輸入到c個(gè)分類器中，如果只有一個(gè)輸出是+1，則將該樣本判別為第i類。若有P(P>1)個(gè)分類器輸出是+1，則再利用最近鄰距離分類技術(shù)，即計(jì)算測(cè)試樣本與這P個(gè)分類器所代表的訓(xùn)練樣本之間的距離，將測(cè)試樣本判別為最小值對(duì)應(yīng)的那個(gè)步態(tài)類別。如果所有分類器輸出都是-1，則判定本次識(shí)別錯(cuò)誤。

2 實(shí)驗(yàn)及其結(jié)果

我們采用Carnegie Mellon大學(xué)提供的CMU步態(tài)數(shù)據(jù)庫進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)使用留一法則進(jìn)行，即從N個(gè)樣本中依序取出一個(gè)樣本，用剩下的N-1個(gè)樣本作為訓(xùn)練集設(shè)計(jì)分類器，然后再用取出的樣本去校驗(yàn)。重復(fù)設(shè)計(jì)N次，同時(shí)檢驗(yàn)N次，并統(tǒng)計(jì)被錯(cuò)誤分類的樣本總數(shù)K，用KYN作為錯(cuò)誤率的估計(jì)值。因不能假設(shè)樣本服從正態(tài)分布，因此必須進(jìn)行N次分類器設(shè)計(jì)，計(jì)算量相對(duì)較大。為了驗(yàn)證算法的性能，我們將其與文獻(xiàn)中的兩種步態(tài)識(shí)別方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，此方法有較好的識(shí)別效果和較高的識(shí)別速度(見表1)。

3 結(jié)束語

本文介紹了一種比較實(shí)用的步態(tài)識(shí)別方法，通過前期處理，使個(gè)體目標(biāo)具有方向一致等特征，然后獲取個(gè)體目標(biāo)的簡(jiǎn)單特性，將其重新采樣復(fù)合為統(tǒng)一的特征向量。由于特征向量獲取方式比較簡(jiǎn)單，得到的數(shù)據(jù)足夠豐富，因此該方法有很好的識(shí)別速度和識(shí)別率。