基于Kinect骨骼信息的三維軌跡特征穩(wěn)定性研究

高 宇， 楊洪臣， 蔡能斌

(1.中國(guó)刑事警察學(xué)院， 遼寧沈陽(yáng) 110035； 2.上海市刑事科學(xué)技術(shù)研究院， 上海 200083)

0 引言

步態(tài)識(shí)別是一種非接觸性的生物識(shí)別技術(shù)，它通過(guò)人在行走狀態(tài)下各骨骼肌肉之間穩(wěn)定相互作用進(jìn)行識(shí)別，在遠(yuǎn)距離的身份識(shí)別中，步態(tài)識(shí)別因其不需要特定對(duì)象的配合以及其難偽裝性的特點(diǎn)而具有獨(dú)特優(yōu)勢(shì)。Kinect v2是2014年微軟發(fā)布的一臺(tái)體感游戲外設(shè)，因其搭載了ToF(Time of Flight)技術(shù)的深度相機(jī)而被廣泛運(yùn)用于三維現(xiàn)場(chǎng)重建、物體三維模型重建、虛擬現(xiàn)實(shí)等項(xiàng)目的開發(fā)中。

根據(jù)信息獲取的維度，步態(tài)識(shí)別技術(shù)可以分為基于二維視頻圖像的步態(tài)識(shí)別以及基于可穿戴設(shè)備和深度相機(jī)的步態(tài)識(shí)別。基于二維視頻圖像的步態(tài)識(shí)別方法與深度學(xué)習(xí)技術(shù)的結(jié)合一定程度上解決了步態(tài)識(shí)別領(lǐng)域中視角不變性和特征提取的問(wèn)題，Wu等[1]第一次提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNNs)以解決交叉視角和交叉行走模式的問(wèn)題，Lin等[2]提出基于多時(shí)間尺度的三維卷積神經(jīng)網(wǎng)絡(luò)(3D Convolutional Neural Network，3D CNN)，在CASIA- B公共數(shù)據(jù)集上取得了最好的性能，Chao等[3]提出基于融合神經(jīng)網(wǎng)絡(luò)(Fused Deep Neural Network，F(xiàn)used DNN)的深度集(Deep set)的概念，可以自然的整合不同行走模式下的視頻幀用來(lái)步態(tài)識(shí)別。近年來(lái)，消費(fèi)級(jí)深度相機(jī)的興起使得人體步態(tài)識(shí)別進(jìn)入三維數(shù)據(jù)獲取階段，數(shù)據(jù)維度的增加從原理上解決了視角不變性和數(shù)據(jù)估計(jì)的問(wèn)題，目前使用深度相機(jī)進(jìn)行步態(tài)識(shí)別的方法主要分為基于人體骨骼點(diǎn)信息的步態(tài)識(shí)別方法和基于行走序列深度信息的步態(tài)識(shí)別方法。Sivapalan等[4]首次提出基于深度圖像的步態(tài)能量體積圖(Gait Energy Volumes，GEV)用來(lái)改進(jìn)傳統(tǒng)二維圖像的步態(tài)能量圖(Gait Engery Image，GEI)，Chattopadhyay等[5]提出姿勢(shì)深度體積(Pose Depth Volume，PDV)的新型步態(tài)特性，該特征考慮了個(gè)體在一個(gè)步態(tài)周期的每個(gè)關(guān)鍵姿勢(shì)形狀和深度變化。Yang等[6]提出基于骨骼點(diǎn)相對(duì)距離的步態(tài)特征，可以有效地進(jìn)行步態(tài)識(shí)別工作，并與人體測(cè)量特征相結(jié)合達(dá)到了95%識(shí)別精度。深度相機(jī)在步態(tài)識(shí)別領(lǐng)域取得良好的進(jìn)展，但Kinect等深度相機(jī)在公安領(lǐng)域應(yīng)用潛力尚未被充分發(fā)掘，步態(tài)識(shí)別在視頻偵查同一認(rèn)定中更是處于起步階段，有著極大的發(fā)展利用空間。

本文基于Python語(yǔ)言和Kinect SDK 2.0開發(fā)包，運(yùn)用Kinect v2對(duì)人體行走時(shí)的21個(gè)骨骼點(diǎn)的三維坐標(biāo)進(jìn)行實(shí)時(shí)提取，并將每次行走的動(dòng)態(tài)骨骼點(diǎn)坐標(biāo)進(jìn)行繪制，即每個(gè)骨骼點(diǎn)的三維運(yùn)動(dòng)軌跡。基于模型的步態(tài)識(shí)別方法，通過(guò)對(duì)部分骨骼點(diǎn)在行走時(shí)的空間振動(dòng)軌跡曲線分析，由此提出了一種新的步態(tài)識(shí)別特征，通過(guò)對(duì)比分析不同行走模式、不同相機(jī)位姿、不同運(yùn)動(dòng)個(gè)體的骨骼點(diǎn)的三維運(yùn)動(dòng)軌跡，結(jié)合基于歐氏距離的動(dòng)態(tài)時(shí)間規(guī)整算法(Dynamic Time Warping algorithm，DTW)對(duì)空間曲線相似度進(jìn)行評(píng)價(jià)，驗(yàn)證了這種新型步態(tài)特征的穩(wěn)定性，為公安工作提供了一種可行的步態(tài)數(shù)據(jù)提取方法以及一種基于模型的步態(tài)識(shí)別特征。

1 Kinect工作原理

深度相機(jī)(RGB- D Camera)也稱作3D相機(jī)，是通過(guò)特定光學(xué)傳感器或多鏡頭視差來(lái)測(cè)量物到相機(jī)距離的拍攝設(shè)備?；陲w行時(shí)間技術(shù)(Time of Flight,ToF)的Kinect v2相較于第一代產(chǎn)品，其在追蹤準(zhǔn)確度、近距離精度有顯著提高，其內(nèi)部結(jié)構(gòu)如圖1所示。使用Kinect對(duì)人體行走時(shí)骨骼點(diǎn)坐標(biāo)實(shí)時(shí)提取的實(shí)現(xiàn)過(guò)程可以簡(jiǎn)單描述為：紅外相機(jī)獲取深度數(shù)據(jù)流后，通過(guò)USB3.0端口進(jìn)行傳輸，將深度數(shù)據(jù)中出現(xiàn)的人體與背景圖像進(jìn)行分割，通過(guò)機(jī)器學(xué)習(xí)的結(jié)果，快速對(duì)人體的部位進(jìn)行分類，并從識(shí)別出的部位上進(jìn)一步識(shí)別出各骨骼點(diǎn)，將21個(gè)骨骼點(diǎn)的空間坐標(biāo)實(shí)時(shí)寫入預(yù)先建好的csv文件中，方法流程如圖2所示。

圖1 Kinect V2內(nèi)部結(jié)構(gòu)

圖2 方法流程圖

1.1 ToF技術(shù)

Kinect v2深度傳感器基于間接飛行時(shí)間(indirect ToF)算法原理，通過(guò)持續(xù)頻閃的紅外光照亮檢測(cè)范圍，紅外光遇到障礙物后反射，并由紅外接收器記錄每個(gè)像素的飛行時(shí)間，在相機(jī)內(nèi)部使用連續(xù)波調(diào)制和相位檢測(cè)來(lái)估計(jì)到障礙物的距離。以連續(xù)正弦波調(diào)制(圖3)推導(dǎo)測(cè)量的原理：假設(shè)發(fā)射的正弦信號(hào)s(t)振幅是a，調(diào)制頻率是f，s(t)可以表示為：

圖3 正弦調(diào)制波

s(t)=a(1+sin(2πft))

(1)

經(jīng)過(guò)時(shí)延Δt后接收到的信號(hào)為接收r(t)，衰減后的振幅為A，強(qiáng)度偏移為B，可以將r(t)表示為：

r(t)=A(1+sin(2πf(t-Δt)))+B

(2)

=A(1+sin(2πft-Δφ))+B

(3)

四個(gè)采樣時(shí)間間隔相等，均為T/4，根據(jù)上述采樣時(shí)間可以列出方程組從而計(jì)算出發(fā)射和接收的正弦信號(hào)的相位偏移Δφ：

(4)

(5)

Δφ=2πfΔt=atan(r2-r0,r1-r3)

(6)

據(jù)此可以根據(jù)(4)中公式計(jì)算物體和深度相機(jī)的距離d:

(7)

1.2 骨骼點(diǎn)實(shí)時(shí)追蹤技術(shù)

Shotton等[7]人提出基于每幅深度圖像快速準(zhǔn)確地進(jìn)行人體區(qū)域劃分，而無(wú)需依賴于先前幀中的信息，這大大增強(qiáng)了系統(tǒng)從跟蹤錯(cuò)誤中恢復(fù)的能力。Kinect獲得深度圖像流后，通過(guò)當(dāng)前的物體識(shí)別策略分辨人體，根據(jù)約定的字節(jié)編碼，系統(tǒng)為每個(gè)被追蹤的人體進(jìn)行背景剔除，并在后續(xù)的處理中僅傳輸人體這部分深度數(shù)據(jù)，從而降低計(jì)算壓力。然后根據(jù)機(jī)器學(xué)習(xí)的成果，將追蹤到的人體劃分成31個(gè)密集部位，判斷每個(gè)像素所屬部位以確定骨骼點(diǎn)，利用這種在識(shí)別身體部位設(shè)計(jì)的中間表示將困難的姿勢(shì)估計(jì)問(wèn)題轉(zhuǎn)化為簡(jiǎn)單的像素聚類問(wèn)題。Kinect v2可以實(shí)時(shí)追蹤6人并分別提取每個(gè)個(gè)體25個(gè)骨骼點(diǎn)，本文運(yùn)用除左手指尖、右手指尖、左手拇指、右手拇指以外的21個(gè)骨骼點(diǎn)對(duì)人體的步態(tài)信息進(jìn)行提取分析，各骨骼點(diǎn)分布及名稱如圖4所示。

圖4 人體骨骼點(diǎn)分布及名稱

1.3 骨骼點(diǎn)三維軌跡特征

步態(tài)特征是指人體在正常行走時(shí)，人體通過(guò)髖、膝、踝、足趾等關(guān)節(jié)的一系列連續(xù)活動(dòng)使身體沿著一定方向移動(dòng)的過(guò)程。對(duì)于正常步態(tài)來(lái)說(shuō)，其具有穩(wěn)定性、協(xié)調(diào)性以及個(gè)體差異性。骨骼點(diǎn)的三維軌跡特征是指人在正常行走過(guò)程中，由于重心的遷移，人體在三維空間所呈現(xiàn)出的周期性振動(dòng)，進(jìn)而體現(xiàn)在各骨骼點(diǎn)軌跡在空間中規(guī)律性的變化。使用深度相機(jī)對(duì)個(gè)體進(jìn)行骨骼點(diǎn)捕獲，實(shí)驗(yàn)所獲得骨骼點(diǎn)坐標(biāo)直接定位在攝像機(jī)坐標(biāo)系，在對(duì)相機(jī)位姿進(jìn)行固定或者后期對(duì)相機(jī)位姿進(jìn)行求解可以將不同角度拍攝的軌跡曲線納入到同一坐標(biāo)系中，并保留其空間位置特征。受身體重心遷移影響的曲線振動(dòng)幅度特征、受步長(zhǎng)影響的曲線周期頻率特征以及由人體身高等靜態(tài)特征決定的曲線空間位置特征，共同構(gòu)成了骨骼點(diǎn)三維軌跡特征。

1.4 動(dòng)態(tài)時(shí)間規(guī)整算法

動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)基于動(dòng)態(tài)規(guī)劃(Dynamic Programming,DP)的思想，是語(yǔ)音識(shí)別中出現(xiàn)較早、較為經(jīng)典的一種算法。傳統(tǒng)的歐氏距離計(jì)算是兩個(gè)序列對(duì)應(yīng)點(diǎn)之間的距離計(jì)算，這對(duì)于特征在時(shí)間上有先后順序的兩個(gè)序列評(píng)價(jià)的適應(yīng)性較差，而DTW算法可以很好的適用于全局或局部擴(kuò)展、壓縮或變形的模式匹配，解決了動(dòng)態(tài)模式的相似度量和分類問(wèn)題，其基本原理如下：

兩個(gè)時(shí)間序列Q和C，其長(zhǎng)度分別是n和m，Q序列為測(cè)試模板，C序列為參考模板：

Q=[q1,q2,…,qi,…,qn]

(8)

Q=[q1,q2,…,qi,…,qn]

(9)

為了計(jì)算兩個(gè)序列之間的相似性，現(xiàn)構(gòu)造一個(gè)n×m的匹配距離矩陣d：

(10)

矩陣中的元素d(i,j)表示兩個(gè)時(shí)間序列數(shù)據(jù)點(diǎn)qi和cj之間的距離值，距離值可以看作是序列Q和序列C之間對(duì)應(yīng)點(diǎn)的匹配度。

通過(guò)構(gòu)建序列之間對(duì)應(yīng)點(diǎn)之間的距離矩陣，采用局部最優(yōu)解進(jìn)行迭代計(jì)算，找尋一條代價(jià)最小的路徑W，使得這條路徑上累加值最小，并構(gòu)造累計(jì)距離矩陣D：

(11)

D(i,j)為累計(jì)距離：

(12)

累計(jì)距離D(i,j)是對(duì)兩條空間曲線進(jìn)行相似度評(píng)價(jià)的依據(jù)，累計(jì)距離越小，說(shuō)明兩條曲線相似度越高。

2 實(shí)驗(yàn)研究

2.1 實(shí)驗(yàn)環(huán)境

深度相機(jī)：Microsoft Kinect for Windows v2；PC：Lenovo ThinkPad X13；操作系統(tǒng)：Windows10家庭中文版。配置：AMD Ryzen 7 PRO 4750U處理器16 GB+512 GB；集成開發(fā)環(huán)境：PyCharm Professional 2020.3 x64。

2.2 實(shí)驗(yàn)流程

首先對(duì)深度相機(jī)骨骼點(diǎn)有效檢測(cè)范圍進(jìn)行測(cè)量，并根據(jù)實(shí)際距離和Kinect的測(cè)量距離的差值對(duì)深度相機(jī)的深度信息進(jìn)行校準(zhǔn)，同時(shí)設(shè)計(jì)空白對(duì)照組排除深度相機(jī)內(nèi)部連續(xù)波調(diào)制對(duì)骨骼點(diǎn)坐標(biāo)記錄的影響，然后對(duì)同一個(gè)體的行走骨骼點(diǎn)三維軌跡進(jìn)行捕獲，選取3個(gè)拍攝角度(與相機(jī)光軸方向呈0°、與相機(jī)光軸方向呈30°、與相機(jī)光軸方向呈45°)，兩種拍攝高度(距離地面1.25 m、距離地面0.85 m)，3種運(yùn)動(dòng)模式(快走、適中、慢走)進(jìn)行18組實(shí)驗(yàn)，并在固定拍攝高度1.25 m、行走方向沿光軸方向、行走速度正常的條件下，對(duì)10個(gè)不同個(gè)體的步態(tài)骨骼點(diǎn)軌跡進(jìn)行捕獲，最后將各組所得數(shù)據(jù)繪制三維曲線，在同一坐標(biāo)下進(jìn)行展示。

2.2.1 有效范圍測(cè)量

在檢測(cè)距離方面，Kinect v2深度相機(jī)可以捕獲的范圍在0.50～4.50 m。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，在相機(jī)高度為1.25 m，深度相機(jī)鏡頭光軸方向與地面平行的條件下，人體完整骨骼點(diǎn)檢測(cè)的有效范圍為2.00～4.50 m，Kinect v2在對(duì)目標(biāo)持續(xù)追蹤過(guò)程中，具有較好的魯棒性，對(duì)于上半身人體骨骼點(diǎn)檢測(cè)的有效距離為1.20～4.50 m。

圖5 Kinect視場(chǎng)角

2.2.2 深度相機(jī)校準(zhǔn)

Kinect v2具有RGB攝像頭和深度攝像頭，需要對(duì)深度相機(jī)的深度信息進(jìn)行校準(zhǔn)。Kinect v2所使用的ToF技術(shù)可以從原理上避免深度信息精度隨距離的增加而驟減的情況，對(duì)于上半身的骨骼點(diǎn)的有效追蹤距離為1.20～4.50 m，將實(shí)際距離作為標(biāo)準(zhǔn)與捕獲到的骨骼點(diǎn)的三維坐標(biāo)的測(cè)量距離進(jìn)行比較，計(jì)算出深度相機(jī)的精度隨距離變化的關(guān)系。以脊椎中部骨骼點(diǎn)的Z軸坐標(biāo)作為深度相機(jī)測(cè)量的距離，在骨骼點(diǎn)檢測(cè)的有效范圍內(nèi)，每隔0.30 m進(jìn)行一次記錄，計(jì)算數(shù)據(jù)如表1，誤差分析如圖6所示。

表1 測(cè)量距離數(shù)值

圖6 測(cè)量距離誤差分析

通過(guò)對(duì)深度相機(jī)精度的測(cè)量， Kinect v2在其骨骼點(diǎn)識(shí)別范圍內(nèi)具有較好的精度，誤差在0.04%～1.10%范圍內(nèi)，且測(cè)量誤差不會(huì)隨著距離的增加而驟增，這對(duì)后期數(shù)據(jù)的分析和修正提供了重要參考。

2.2.3 骨骼點(diǎn)三維坐標(biāo)提取

Kinect SDK中包含彩色圖像二維坐標(biāo)、深度圖像空間坐標(biāo)、骨骼點(diǎn)空間坐標(biāo)，對(duì)于在Kinect視野范圍內(nèi)的同一點(diǎn)，在3個(gè)坐標(biāo)系中的坐標(biāo)和度量并不一致。實(shí)驗(yàn)采用的的是骨骼點(diǎn)空間坐標(biāo)系，Z軸表示紅外攝像頭光軸方向，與圖像平面垂直，Y軸垂直與地面，X軸與Y軸、Z軸相垂直，Kinect空間坐標(biāo)軸如圖7所示。

圖7 Kinect空間坐標(biāo)軸

為排除相機(jī)自身發(fā)射調(diào)制波對(duì)骨骼點(diǎn)記錄所產(chǎn)生的影響，使用空白對(duì)照組實(shí)驗(yàn)：將相機(jī)光軸方向與人體垂直，相機(jī)拍攝的人體與地面呈直立狀，實(shí)驗(yàn)對(duì)象直立靜止站在推車上，推動(dòng)推車沿相機(jī)光軸方向前進(jìn)，并記錄實(shí)驗(yàn)骨骼數(shù)據(jù)，通過(guò)與相同條件下的正常行走骨骼點(diǎn)軌跡比對(duì)，空白組骨骼軌跡曲線基本呈直線，與正常行走時(shí)呈周期性的軌跡曲線差距明顯，符合實(shí)驗(yàn)預(yù)期，空間坐標(biāo)曲線對(duì)比如圖8所示。

圖8 推車滑行(a)與正常行走(b)骨骼點(diǎn)軌跡對(duì)比

為驗(yàn)證骨骼點(diǎn)三維軌跡特征的穩(wěn)定性，對(duì)同一對(duì)象從不同拍攝角度，不同運(yùn)動(dòng)狀態(tài)進(jìn)行驗(yàn)證實(shí)驗(yàn)。選取3個(gè)拍攝角度(與相機(jī)光軸平呈0°、與相機(jī)光軸呈30°、與相機(jī)光軸呈45°)，兩種拍攝高度(距離地面1.25 m、距離地面0.85 m)，3種運(yùn)動(dòng)模式(快走、適中、慢走)進(jìn)行18組實(shí)驗(yàn)，記錄數(shù)據(jù)并分析骨骼點(diǎn)軌跡空間振動(dòng)的穩(wěn)定性。對(duì)每張三維軌跡圖從兩個(gè)角度進(jìn)行展示，具體結(jié)果如表2。為進(jìn)一步驗(yàn)證個(gè)體骨骼點(diǎn)軌跡特征的穩(wěn)定性，將拍攝高度1.25 m、行走方向與光軸方向呈0°、行走速度正常作為固定條件，對(duì)同一個(gè)體進(jìn)行5次實(shí)驗(yàn)記錄。最后為驗(yàn)證骨骼點(diǎn)三維軌跡特征的廣泛性并為同一人的骨骼點(diǎn)軌跡曲線的相似度提供對(duì)比參考，選取10個(gè)實(shí)驗(yàn)對(duì)象在同種實(shí)驗(yàn)條件下進(jìn)行骨骼點(diǎn)數(shù)據(jù)記錄提取。

表2 不同相機(jī)位姿、不同行走模式實(shí)驗(yàn)結(jié)果

續(xù)表2

3 結(jié)果分析

通過(guò)對(duì)比同一個(gè)體在不同相機(jī)位姿下、不同運(yùn)動(dòng)狀態(tài)的骨骼點(diǎn)三維運(yùn)動(dòng)軌跡曲線，結(jié)果顯示，在人體行走時(shí)提取的21個(gè)骨骼點(diǎn)的三維軌跡中，頭部、頸部、肩部(肩部中心、左肩、右肩)、脊椎中心、髖部(髖部中心、左髖、右髖)的骨骼點(diǎn)因重心的遷移而使得其空間振動(dòng)呈周期性變化，并且這種特征不會(huì)隨著運(yùn)動(dòng)模式、觀察角度的改變而消失，具有較好的可觀察性與穩(wěn)定性；肘部(左肘、右肘)、腕部(左腕、右腕)、手部(左手、右手)、膝部(左膝、右膝)、踝部(左踝、右踝)、腳部(左腳、右腳)骨骼點(diǎn)因有前后擺動(dòng)動(dòng)作，其軌跡曲線有往返重合現(xiàn)象且較復(fù)雜，不再作為曲線評(píng)價(jià)的對(duì)象。對(duì)于同一運(yùn)動(dòng)個(gè)體相同條件下行走的5條運(yùn)動(dòng)軌跡，選取頸部、左肩、左髖3個(gè)骨骼點(diǎn)在同一個(gè)空間坐標(biāo)下進(jìn)行比對(duì)，實(shí)驗(yàn)結(jié)果顯示同一個(gè)體的骨骼點(diǎn)軌跡在同一運(yùn)動(dòng)模式下具有較好的穩(wěn)定性。對(duì)3個(gè)骨骼點(diǎn)軌跡選取兩個(gè)空間坐標(biāo)角度進(jìn)行展示，如圖9所示。

圖9 同一個(gè)體左髖(a)、頸部(b)、左肩(c)多次行走骨骼點(diǎn)軌跡

為客觀評(píng)價(jià)曲線之間的相似度，以三維空間歐氏距離公式作為距離計(jì)算公式，并運(yùn)用動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)，對(duì)曲線之間的累計(jì)距離進(jìn)行計(jì)算，累計(jì)距離越小，相似度越高。三維空間中兩個(gè)點(diǎn)a(x1,y1,z1),b(x2,y2,z2)之間的真實(shí)距離計(jì)算公式為：

(13)

對(duì)同一個(gè)體的頸部、左肩、左髖3個(gè)骨骼點(diǎn)軌跡曲線運(yùn)用基于歐氏距離的動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行相似度匹配，所得累計(jì)距離結(jié)果如表3所示。

表3 同一個(gè)體3個(gè)骨骼點(diǎn)曲線累計(jì)距離

為客觀衡量同一人相同運(yùn)動(dòng)模式下的骨骼點(diǎn)三維軌跡特征累計(jì)距離參數(shù)，將提取到相同運(yùn)動(dòng)條件下的10人運(yùn)動(dòng)軌跡與前者做相似度分析，將10人頸部骨骼點(diǎn)運(yùn)動(dòng)軌跡在同一坐標(biāo)下繪制如圖10所示，并將骨骼點(diǎn)軌跡曲線累計(jì)距離進(jìn)行對(duì)比排序，結(jié)果如表4所示。

圖10 不同個(gè)體頸部骨骼點(diǎn)三維軌跡

表4 不同個(gè)體頸部、左肩、左髖骨骼點(diǎn)曲線間累計(jì)距離

結(jié)果表明，在選取的頸部、左肩、左髖3個(gè)骨骼點(diǎn)的14條曲線相似度計(jì)算中，同一個(gè)體的軌跡曲線之間累計(jì)距離值在1.3～4.6范圍內(nèi)，不同個(gè)體之間的累計(jì)距離值在4.8～118.9范圍內(nèi)，個(gè)體之間的骨骼點(diǎn)軌跡存在較大差異，實(shí)驗(yàn)結(jié)果客觀評(píng)價(jià)了同一個(gè)體的骨骼點(diǎn)軌跡曲線具有較好的穩(wěn)定性，可以作為步態(tài)識(shí)別的重要特征。

4 結(jié)語(yǔ)

對(duì)于步態(tài)識(shí)別這種常見的生物特征，鑒于行走數(shù)據(jù)的難以提取、模式的難以匹配而未能在廣泛性上取得良好進(jìn)展。步態(tài)識(shí)別作為非接觸性的生物特征，對(duì)于公安偵查工作卻有著十分重要的意義以及獨(dú)特的優(yōu)勢(shì)。在本文中，通過(guò)借助消費(fèi)級(jí)的ToF相機(jī)Kinect v2作為三維信息獲取的有力工具，進(jìn)行了全面的實(shí)驗(yàn)評(píng)估，發(fā)現(xiàn)并驗(yàn)證了骨骼點(diǎn)三維運(yùn)動(dòng)軌跡特征在步態(tài)識(shí)別中穩(wěn)定性，為后續(xù)的研究奠定了基礎(chǔ)。深度相機(jī)和步態(tài)識(shí)別在公安工作中均處于起步階段，為了取得更好更快的步態(tài)識(shí)別模型，也為了更好地服務(wù)于公安工作，需要將兩者進(jìn)行有機(jī)結(jié)合，從而在實(shí)戰(zhàn)中做到警之于前，察之于后。