基于步態(tài)能量圖的特征提取新方法

李孟歆+姜佳楠+賈燕雯

摘 要：為了更好地提取步態(tài)特征，實(shí)現(xiàn)更好的分類識(shí)別效果，提出了基于帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖（PGEI），以便表達(dá)完整的步態(tài)特征，再運(yùn)用LBP局部二值模式特征提取方法提取圖像的特征，最后使用SVM支持向量機(jī)進(jìn)行最后的步態(tài)識(shí)別。使用中科院自動(dòng)化所CASIA B步態(tài)數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，以SVM支持向量機(jī)的算法進(jìn)行識(shí)別，分別識(shí)別步態(tài)能量圖GEI和帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖PGEI圖像，正確率分別為52.17%～56.52%和83.33%～95.83%. 這說明，這種特征提取方法具有較好的識(shí)別性。

關(guān)鍵詞：步態(tài)識(shí)別；步態(tài)能量圖；支持向量機(jī)；特征提取

中圖分類號(hào)：TP391.414 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2016.22.075

1 步態(tài)識(shí)別特征的提取方法

特征提取方法主要分為基于模型的特征提取方法和基于非模型的特征提取方法。

基于模型的特征提取方法就是利用數(shù)學(xué)建模的思想建立圖像模型，再根據(jù)分析圖像模型參數(shù)的變化情況提取步態(tài)特征。Yam等人改進(jìn)和擴(kuò)展了鐘擺模型，采用耦合的鐘擺模型來刻畫大腿和腳踝的旋轉(zhuǎn)運(yùn)動(dòng)，得到步態(tài)特征；Lee等人將人體表示成7個(gè)橢圓區(qū)域，提取出各橢圓區(qū)域的質(zhì)心橫縱坐標(biāo)、長短軸的長度等7個(gè)橢圓區(qū)域的特征來表示步態(tài)特征。

基于非模型的特征提取方法是直接利用人體運(yùn)動(dòng)特征，不必考慮人體的結(jié)構(gòu)，利用數(shù)學(xué)描述步態(tài)作為識(shí)別的特征依據(jù)。Bobick等人直接在步態(tài)側(cè)影圖像序列中提取出動(dòng)能量圖（MEI）來表示步態(tài)特征，并且提出運(yùn)動(dòng)經(jīng)歷圖（MHI）來描述運(yùn)動(dòng)的變化；Han等人在總結(jié)前人做法的基礎(chǔ)上，提出構(gòu)造步態(tài)能量圖（GEI）的思想，將一個(gè)步態(tài)周期內(nèi)的全部步態(tài)二值化輪廓圖像，均值化處理得到一幅平均步態(tài)輪廓圖像，以此作為步態(tài)特征進(jìn)行步態(tài)識(shí)別。

2 帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖

2.1 圖像輪廓和關(guān)節(jié)點(diǎn)提取

對(duì)步態(tài)視頻序列進(jìn)行幀分割，得到幀圖像后，運(yùn)用背景減除法提取運(yùn)動(dòng)目標(biāo)，而后采用形態(tài)學(xué)處理和連通域分析得到處理后的圖像。圖像輪廓和關(guān)節(jié)點(diǎn)提取如圖1所示。

對(duì)處理后的圖像進(jìn)行標(biāo)準(zhǔn)化處理、圖像剪裁和周期性分析，得到在一個(gè)周期中所有的步態(tài)序列圖像，以此作為之后帶有關(guān)節(jié)點(diǎn)步態(tài)能量圖的基礎(chǔ)。

由于絕大部分的步態(tài)特征會(huì)集中在每幀圖像中步態(tài)輪廓上邊，而且在人體視覺識(shí)別中，也會(huì)依賴人體的形狀識(shí)別出行人的身份。因此，我們?cè)诓綉B(tài)輪廓圖像之上提取關(guān)節(jié)點(diǎn)。

在圖像輪廓圖上，按照人體各部分的比例選擇關(guān)節(jié)點(diǎn)在人體輪廓圖上的位置。髖關(guān)節(jié)為身高比例的0.543，膝關(guān)節(jié)為身高的0.263，踝關(guān)節(jié)為身高的0.043.提取的帶關(guān)節(jié)點(diǎn)的步態(tài)輪廓如圖2所示。

2.2 形成帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖

在基于非模型的特征提取方法中，步態(tài)能量圖是魯棒性能和提取特征較好的方法，能夠反映步態(tài)的主要輪廓及其主要變化特性。步態(tài)能量圖的每一幅輪廓圖像都是空間歸一化和標(biāo)準(zhǔn)化的圖像。

設(shè)Ii（x，y）為第i幅提取出來的標(biāo)準(zhǔn)化了的人體運(yùn)動(dòng)步態(tài)圖像，則步態(tài)能量圖像（GEI）可用式（1）表示，即：

步態(tài)作為一種行為特征，最突出的變化在于運(yùn)動(dòng)過程中身體各部分的動(dòng)態(tài)變化。因此，本文在步態(tài)能量圖的基礎(chǔ)之上提出了基于帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖（PGEI）的構(gòu)想，將一個(gè)周期的步態(tài)變化完全體現(xiàn)在一張圖上，以像素值的不同來表達(dá)人體各部分關(guān)節(jié)點(diǎn)在一個(gè)周期中發(fā)生的變化。這類圖像既能夠表示時(shí)間上標(biāo)準(zhǔn)化的能量積累，又可以表示步態(tài)的速度，也能夠表達(dá)形態(tài)等特征。

提取關(guān)節(jié)點(diǎn)的步態(tài)輪廓以步態(tài)能量圖的表達(dá)方式形成帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖，如圖3所示。從圖3中可以看出各個(gè)關(guān)節(jié)點(diǎn)在一個(gè)運(yùn)動(dòng)周期內(nèi)的運(yùn)動(dòng)軌跡，從而更好地表達(dá)一個(gè)周期中的步態(tài)特征。

得到帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖后，采用LBP局部二值模式提取圖像的紋理特征，取圖像的直方圖作為提取的紋理特征進(jìn)行接下來的識(shí)別工作，并采用SVM支持向量機(jī)識(shí)別步態(tài)特征。

3 實(shí)驗(yàn)結(jié)果與分析

本文所選用的步態(tài)視頻序列都來自中科院自動(dòng)化研究所CASIA B數(shù)據(jù)庫，共選用其中19個(gè)人共76個(gè)視頻序列進(jìn)行訓(xùn)練和測(cè)試，這些視頻序列都是在被測(cè)者側(cè)面90°視角拍攝的。對(duì)視頻序列進(jìn)行預(yù)處理，得到步態(tài)能量圖和帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖，并采用LBP算法提取圖像紋理特征，得到紋理特征的直方圖。從每位被測(cè)者的4個(gè)紋理特征直方圖中選取3個(gè)作為訓(xùn)練樣本，另外一個(gè)用作測(cè)試。

在SVM算法中，核函數(shù)的類別決定訓(xùn)練樣本進(jìn)行模式識(shí)別的空間結(jié)構(gòu)。不同核函數(shù)會(huì)產(chǎn)生不同的分類效果，本文采用是多項(xiàng)式核函數(shù)和徑向核函數(shù)進(jìn)行對(duì)比試驗(yàn)。

在這里，我們用正確率來表示識(shí)別的評(píng)價(jià)指標(biāo)，預(yù)測(cè)的標(biāo)簽和實(shí)際訓(xùn)練標(biāo)簽相同，則判定為本樣本識(shí)別正確。正確率的定義為：

分別采用上述2種內(nèi)核函數(shù)的SVM向量機(jī)識(shí)別2種不同能量圖下提取的步態(tài)特征，識(shí)別率如表1所示。從表1中可以看出，步態(tài)能量圖在SVM向量機(jī)下分類，識(shí)別率分別為52.17%和56.52%.而帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖識(shí)別率比較高，達(dá)到83.33%和95.83%.由此可以看出，本文提出的帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖比之前的步態(tài)能量圖在特征提取上有更大的優(yōu)勢(shì)，并且識(shí)別效果好。4 結(jié)束語

本文提出采用帶有關(guān)節(jié)點(diǎn)的步態(tài)能量圖提取特征，在同一張圖中體現(xiàn)一個(gè)步態(tài)周期中步態(tài)輪廓的運(yùn)動(dòng)趨勢(shì)和重要關(guān)節(jié)點(diǎn)的運(yùn)動(dòng)軌跡，從而為接下來提取特征奠定良好的基礎(chǔ)。在得到帶關(guān)節(jié)點(diǎn)的步態(tài)能量圖后，采用LBP局部二值模式提取特征，得到的特征直方圖用SVM算法識(shí)別分類，并與步態(tài)能量圖進(jìn)行特征提取的分類識(shí)別率進(jìn)行比較。本文的方法識(shí)別率高達(dá)95.83%，優(yōu)于步態(tài)能量圖提取的特征識(shí)別。

參考文獻(xiàn)

[1]CY Yam，MS Nixon，JN Carter. Automated person recognition by walking and running via model-based approaches . Pattern Recognition，2004，37（5）：1057-1072.

[2]L Lee，WEL Grimson.Gait analysis for recognition and classification.Fifth IEEE International Conference on Automatic Face and Gesture Recognition，2002：148-155.

[3]AF Bobick，JW Davis.The Recognition of Human Movement Using Temporal Templates.IEEE Transactions on Pattern Analysis & Machine Intelligence，2001，23（3）：257-267.

[4]H Ju，B Bir.Individual recognition using gait energy image.IEEE Transactions on Pattern Analysis & Machine Intelligence，2006，28（2）：316-322.

[5]李林杰，王成儒.基于特征子空間的步態(tài)識(shí)別研究[D].秦皇島：燕山大學(xué)，2014.

[6]丁世飛，齊炳娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2-10.

〔編輯：白潔〕