基于特征融合的步態(tài)識別算法研究

薛傲

摘要：本文對足底壓力分布和步態(tài)數(shù)據(jù)進行研究，運用數(shù)據(jù)融合的方法進行人身識別。運用比利時FootScan壓力信息采集系統(tǒng)采集20名測試者赤足足部壓力數(shù)據(jù)，獲取動態(tài)變化壓力作為實驗數(shù)據(jù)，同時，通過監(jiān)控錄像同步錄制每名測試者的視覺步態(tài)圖像信息；提取生物特征數(shù)據(jù)，包括提取壓力中心線、峰值壓力和步態(tài)能量圖作為身份識別的特征；利用像素級數(shù)據(jù)融合技術(shù)進行特征融合，采用多分類支持向量機（SVM）對樣本數(shù)據(jù)進行訓(xùn)練和測試。 實驗結(jié)果表明，運用特征融合的方法顯著提高了分類識別率。

關(guān)鍵詞：步態(tài)識別；PCA；SVM；數(shù)據(jù)融合

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）25-0210-03

隨著計算機技術(shù)的不斷發(fā)展，對于人們的身份認證不再局限于視覺的認定，正向著計算機自動識別的方向發(fā)展，生物識別技術(shù)應(yīng)運而生，越來越多的生物特征被運用到身份識別中，生物識別技術(shù)的不斷發(fā)展與成熟已經(jīng)受到很多研究者的廣泛關(guān)注，關(guān)于足底壓力的研究較早出現(xiàn)在醫(yī)學領(lǐng)域，研究表明由于人體先天的骨骼生長差異及后天的行走習慣影響，使步態(tài)特征在一定年齡段具有一定的穩(wěn)定性，總體上看人的足底壓力特征和步態(tài)特征都具有一定的穩(wěn)定性，這樣就為步態(tài)識別的研究打下了堅實的基礎(chǔ)[1]。GiaKas等[2]證明人行走過程中足部與地面的反作用力相對較穩(wěn)定并且也具有對稱性，測試時間和頻率等特性證實患病者與健康人群步態(tài)特征是存在差異的；Prabhu等[3]對糖尿病患者進行了足底壓力分析，在分析足底潰爛程度時，用高頻壓力區(qū)域與低頻壓力區(qū)域的比值來衡量患者的嚴重程度；Moustakidis等[4]從頻域角度分析地面反作用力并提取有效的特征用來進行身份識別，在40人的數(shù)據(jù)庫上進行驗證實驗，識別效果較好；林爾東等[5]從時域和頻域的角度分析了地面反作用力，并運用小波分解的方法進行了特征提取，用多分類器進行分類識別，在測試樣本數(shù)據(jù)較少時取得了較好的識別正確率。目前關(guān)于步態(tài)識別算法研究主要有兩種：基于模型的方法和非基于模型的方法。基于模型的步態(tài)識別方法優(yōu)點在于能夠很好的體現(xiàn)步態(tài)圖像序列當前的變化，也能夠預(yù)測過去和未來的狀態(tài)?；诜悄Ｐ偷姆椒ㄊ峭ㄟ^對步態(tài)相關(guān)特征進行預(yù)測來建立相鄰幀間的關(guān)系，其中特征包括位置、速度、形狀等，其中基于形狀特征的方法較為常見。Lee等[6]先將人體的側(cè)影圖像序列進行二值化處理，根據(jù)人體的質(zhì)心比例關(guān)系將人體劃分為7個區(qū)域，用橢圓形的模型對劃分的7個區(qū)域進行建模，計算橢圓模型的質(zhì)心、離心率等參數(shù)，將計算所得參數(shù)作為特征進行分類識別，Cunado等[7]早期運用了基于模型的方法，將大腿部與水平的傾斜變化作為特征進行步態(tài)識別，王俊等[8]將步態(tài)能量圖中動態(tài)部分與Gabor小波特征進行融合進行分類識別。本文中將動態(tài)足底壓力與步態(tài)能量圖特征融合進行身份識別。

1 數(shù)據(jù)采集

1.1 壓力數(shù)據(jù)的采集

本文中選取了比利時Rscan公司生產(chǎn)的FootScan壓力采集系統(tǒng)，其組成包括一塊壓力地板和采集系統(tǒng)。采集的數(shù)據(jù)為動態(tài)壓力數(shù)據(jù)，選取了20個青年人作為測試者進行數(shù)據(jù)采集，每名測試者在沒有進行其他附加穿戴的情況下，赤足自然行走經(jīng)過壓力地板，每次有一只腳踩在壓力地板上，由采集系統(tǒng)自動記錄壓力數(shù)據(jù)，返回起點重復(fù)采集，讓另外一只腳踩在壓力地板上，兩只腳分別采集一次為一組，每名測試者采集4組實驗數(shù)據(jù)，總共80組數(shù)據(jù)。如圖1所示，導(dǎo)出動態(tài)壓力數(shù)據(jù)，導(dǎo)出數(shù)據(jù)為xls格式的數(shù)據(jù)，數(shù)據(jù)以矩陣的形式呈現(xiàn)在表格中，表格中的數(shù)值代表每個壓力傳感器所記錄的壓力值，連續(xù)的表格數(shù)據(jù)代表動態(tài)過程中壓感器記錄的動態(tài)壓力變化過程。

1.2 數(shù)據(jù)步態(tài)數(shù)據(jù)的采集

本文選取?？低暤耐矤罡咔寰W(wǎng)絡(luò)攝像機進行步態(tài)數(shù)據(jù)的采集。實驗過程中在室內(nèi)垂直于行走方向視角分別架設(shè)一臺攝像機，同步采集兩個方向的視頻步態(tài)數(shù)據(jù)，在采集的過程中通過監(jiān)控畫面邊采集邊觀察以保證數(shù)據(jù)的可用性。同樣選取了20名測試者，每名測試者均按照自己的個人行走習慣進行視頻數(shù)據(jù)采集，完成視頻數(shù)據(jù)采集后，從每名測試者視頻數(shù)據(jù)中截取4個完整步態(tài)周期的數(shù)據(jù)作為實驗數(shù)據(jù)，視頻數(shù)據(jù)的采集與壓力數(shù)據(jù)為同步采集。

2 特征提取

2.1 預(yù)處理

實驗采集動態(tài)壓力變化數(shù)據(jù)，原始數(shù)據(jù)來源于FootScan壓力采集系統(tǒng)，分別將每名測試者的原始數(shù)據(jù)導(dǎo)出到指定文件夾，導(dǎo)出數(shù)據(jù)均為xls格式，每個文件即對應(yīng)一幀壓力數(shù)據(jù)。由于每名測試者足部尺寸大小各不相同，導(dǎo)出數(shù)據(jù)維度也大小不同，進行特征提取的過程中需數(shù)據(jù)維度統(tǒng)一。因此，依據(jù)樣本維度最大的數(shù)據(jù)確定參照標準，維度沒有達到參照標準的，以零補充，獲得統(tǒng)一的數(shù)據(jù)維度。圖2所示為左足壓力峰值數(shù)據(jù)，表格中的每個數(shù)據(jù)對應(yīng)一個壓力峰值，壓力單位為牛頓，表格從下至上，依次為足掌區(qū)、足弓區(qū)、足跟區(qū)。

針對視頻數(shù)據(jù)首先從視頻流中獲取步態(tài)圖像序列， 通過背景建模和目標檢測提取步態(tài)輪廓，并對圖像進行剪切獲得合適大小的步態(tài)輪廓圖像，如圖3所示。

2.2 壓力峰值特征提取

將壓力系統(tǒng)中提取的動態(tài)壓力變化數(shù)據(jù)運用計算機進行疊加，記錄每個傳感器壓力變化過程中的峰值，從而形成足底壓力的峰值數(shù)據(jù)，以此作為特征。

2.3 壓力中心線特征提取

在足底壓力矩陣數(shù)據(jù)中，假設(shè)其中某列的非零壓力值坐標如公式1所示：

[（xi，y1），（xi，y2），（xi，y3），...，（xi，yj）] （1）

其中[i>0]，小于矩陣的最大列數(shù)，[j]為非零行的矩陣最大行數(shù)，[i，j]均為整數(shù)。該列的壓力中心點如公式2所示：

[fi（xi，yj）=（xi，j=1n（yj）/j=1nj）] （2）

其中[i>0，j>0]，將計算所得每列的壓力中心點[f1，f2，f3，...，fn]連接起來形成壓力中心線。

2.4 步態(tài)能量圖特征提取

提取步態(tài)能量圖進行分類識別，首先提取完整步態(tài)周期人體側(cè)影，其次對側(cè)影圖像進行二值化處理，最后計算完整步態(tài)周期能量圖。如公式3所示：

[I（x，y）=1Nt=1NBt（x，y）] （3）

公式3中N為完整步態(tài)周期包含的側(cè)影圖像，[（x，y）]表示像素點坐標，[Bt（x，y）]表示像素點對應(yīng)坐標值。如圖4所示，選取行走過程中一側(cè)足跟接觸地面至該側(cè)足跟再次接觸地面作為完整步態(tài)周期。

本文運用完整步態(tài)周期提取步態(tài)能量圖，如圖5所示，每幀二值化步態(tài)側(cè)影圖像就是某一時刻步態(tài)的能量圖，通過對整個步態(tài)周期中所包含的能量圖序列進行累積求均值，得出整個步態(tài)周期的步態(tài)能量圖。能量圖中亮度較高的像素點在步態(tài)周期中出現(xiàn)頻率較高。

3 特征融合

在身份識別過程中，單一的生物特征進行身份識別具有其局限性，所以本文中為了獲得更好的識別率，首先運用主成分分析法（PCA）分別對壓力峰值、壓力中心線、步態(tài)能量圖特征進行特征選擇，達到降低數(shù)據(jù)維度的目標。其次針對已獲得的三組特征運用加法原則，在特征層上對特征數(shù)據(jù)進行融合，最后形成一組反映一個人步態(tài)信息的特征，運用特征融合的方式獲得步態(tài)特征具有單一特征所不具有的動靜結(jié)合的特點，能夠更好地用于身份識別。

4 分類識別

本文完成壓力中心線和壓力峰值特征提取后，運用SVM分類算法進行識別。SVM應(yīng)用于實際中，通常解決多分類問題，支持向量機（SVM）理論最初僅用以處理二分類問題，無法解決多分類問題[9]。目前，為實現(xiàn)對多分類問題的處理，將支持向量機理論進行擴展，主要方法有：一對一法、一對其余法，其主要思路是構(gòu)造多個二值分類器，從而解決多值分類問題。從二類分類器構(gòu)建的方法來看，一對其余方法是構(gòu)造K個二分類器，判別時測試樣本通過K個分類器，構(gòu)建K個決策函數(shù)，測試樣本被劃分為具有最大決策函數(shù)值的一類。一對一方法在每兩類樣本間訓(xùn)練一個分類器，構(gòu)造[K（K-1）/2]個分類函數(shù)，在判決階段采用投票機制，得票最多類別即為輸出結(jié)果。通常來說，針對N個類別的分類方法是構(gòu)建多個分類超平面，將不同類別區(qū)分開來。具有N個決策函數(shù)滿足公式4 ：

[y（x）=sgn（i=1lyiαiK（xi，x）+b）] [yk（x）（1≤k≤N）] （4）

所以可以將N分類問題看作一個判別向量，這樣分類的結(jié)果就是最大分量的指數(shù)。

支持向量機在處理多分類問題過程中，分類識別的準確率很大程度上會受參數(shù)選取的影響，徑向基核函數(shù)： [K（ai，aj）=exp{-ai-aj2σ2}]，核函數(shù)中的主要參數(shù)為[σ2]，在評估樣本點的過程中引入懲罰因子C，決定對偏離樣本的重視程度。因此，參數(shù)的優(yōu)化選擇，對于分類結(jié)果有著重要的影響。

5 實驗結(jié)果

本實驗采集了20個人正常行走狀態(tài)下的足底壓力數(shù)據(jù)，每名測試者左、右腳采集4組，共80個樣本數(shù)據(jù)，分別選取每名測試者單足3組壓力中心線和動態(tài)壓力數(shù)據(jù)作為實驗數(shù)據(jù)，編號為1-3，共60個樣本。將每名測試者序號為1、2、3的壓力數(shù)據(jù)作為訓(xùn)練樣本，序號為4的壓力數(shù)據(jù)作為測試樣本。同時，同步采集20名測試者自然光條件下的步態(tài)視頻，監(jiān)控攝像架設(shè)在測試者側(cè)面位置，與測試者呈90度，每名測試者采集4個完整步態(tài)周期作為實驗數(shù)據(jù)，每名測試者一個步態(tài)周期包含60張左右側(cè)影圖像，利用側(cè)影圖像提取一個步態(tài)周期能量圖作為特征。每名測試者提取四組能量圖，樣本空間包含80組數(shù)據(jù)，60組訓(xùn)練樣本，20組測試樣本。實驗結(jié)果如表1所示，運用壓力中心線特征進行分類識別率為60%，壓力峰值、步態(tài)能量圖特征分類識別率為85%，融合三種步態(tài)特征進行分類識別效果最佳，識別率為90%。

6 小結(jié)

本文中針對不同生物識別方法各有優(yōu)缺點，受一定的環(huán)境及其他因素影響，致使識別效果降低，采用了信息融合技術(shù)提升分類識別率，實驗結(jié)果證實該方法具有可靠性，但由于用于數(shù)據(jù)分類的人數(shù)限制，基于特征融合的分類方法仍沒有充分顯示其優(yōu)越性，后續(xù)將通過對實驗人數(shù)的增加來進一步驗證該方法的優(yōu)越性。

參考文獻：

[1] Rosenbaum D，Becker H P.pressre distribution measurements-technical background and clinical applications[J].Foot and Ankle Surgery，1997，3：1-14.

[2] Giakas G，Baltzopoulos V.Time and frequency domain analysis of ground reaction forces during walking：an investigation of variability and symmetry[J].Gait & Posture，5（3）：189-197.

[3] Prabhu K C，Patil K M，Srinivasan S.Diabetic feet at risk： a new method of analysis of walking foot pressure images at different levels of neuropathy for early detection of plantar ulcers[J].Medical and Biological Engineering and Computing，2001，39（3）：288-293.

[4] Moustakidis S P，Theocharis J B，Giakas C.Subject recognition based on ground reaction force measurements of gait signals[J].Systems Man and Cybernetics Part B： Cybernetics，IEEE Transactions on，2008，38（6）：1476-1485.

[5] 林爾東，姚志明，鄭重，等.一種改進的基于地面反作用力的步態(tài)識別方法[J].模式識別與人工智能，2011，24（3）：353-359.

[6] lee L，Grimson W.E.L.Gait analysis for recognition and classification[A].In：Proceedings of the Fifth IEEE International Conference on Automatic Face Gesture Recognition[C].Washington DC，USA，2002：155-162.

[7] Cunado D，Nixon M，Carter J.Using gait as a biometric via phase-weighted magnitude spectra.Proceeding International Conference on Audio and Video-based Biometric Person Authentication，Crans-Montana，Switzerland，1997：95-102.

[8] 王俊，王修輝.特征融合的對視角步態(tài)識別研究[J].中國計量大學學報，2017，28（2）：235-240.

[9] 胡國勝，錢玲，張國紅.支持向量機的多分類算法[J].系統(tǒng)工程與電子技術(shù)，2006，28（1）：127-132.

【通聯(lián)編輯：唐一東】