1、课程论文步态识别学号：12426009班级：通信 122姓名：楚舒琦目录摘要 .3一、 背景介绍 .4二、 相关研究 .4三、 主题（算法） .53.1 基于线图模型的动态特征提取 .63.2 基于整体的静态特征提取 .83.3 识别 .8四、 实验 .9五、 结果讨论 .11六、 总结 .12七、 应用前景 .12八、 技术难点及解决途径 .138.1 技术难点 .148.2 解决途径 .15九、 参考文献 .15摘要步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更
2、具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。关键词:生物特征识别; 步态识别; 特征提取;运动分割;动态时间规正1、 背景介绍步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以
3、及个人走路的“风格“上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴
4、别系统。2、 相关研究信息融合：感知融合是人类感知外部世界的本能之一。人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。按照信息抽象的个层次可将信息融合分为
5、 3 级（像素级融合特征级融合和决策级融合）。 像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。 特征级融合属于中间层次它先对原始信息进行特征提取然后对特征信息进行关联处理和综合分析最终用于目标识别。一般来说提取的特征信息应该是这一目标的充分表示量并且去除了一定的冗余信息。其优点是实现了可观的信息压缩有利于实时的目标识别。特征级融合算法的一般流程如图 1 所示。图 1 特征级融合算法一般流程 决策级融合是一种高层次融合。先将多源传感信息对目标属性进行独立决策。再对各自得到的决策结果进行融合以获得整体一致的决策。其优点是具有很强的容错性和很好
6、的开放性。并且处理时间较短)难点在于分类特征组合与表达的机理难以量化和统一图 2 给出了决策级融合算法的一般流程。决策级融合必须从具体决策的实际需求出发。充分利用特征级融合所提取的测量对象的各类特征信息。采用适当的融合技术来实现。常用的方法包括 k/n 准则、Bayes 准则和 Dempster-Shafer 理论等。图 2 决策级融合算法一般流程3、 主题（算法）信息融合在其他生物特征识别领域已经取得了很好的效果。也为步态识别性能的进一步提高提供了可能的方法。在步态识别领域中。常采用特征级融合和决策级融合两类方法。融合的特征包括不同类的步态特征(多特征融合) 、步态特征和其他生物特征 (多模
7、态特征融合)以及不同角度摄像机拍摄的步态特征( 多视角融合)等。在决策级融合中。通常假设各个特征之间具备统计独立性。则各个分类器得到的匹配分值可用 Bayes 理论 D-S 证据理论、表决法、聚类分析、模板法、模糊集合论、神经网络、熵法等进行合并。通常使用的合并规则有加法规则、乘法规则、最大规则、最小规则、中值规则和多数投票规则等。为了进一步研究融合理论在步态识别中的应用。我们提出一种基于线图模型和静态特征的步态识别算法、静态特征主要用于反映人体目标的全貌。例如形体高度胖瘦等。线图模型主要用于反映人体目标的运动特点。如行走过程中主要关节点位置的变化(肢体间角度的变化等、本文分别研究了使用特征级
8、和决策级融合加法规则和乘法规则理论进行步态识别的方法、算法流程如图 3 图 4 所示。在视频序列分析中。首先要将运动目标从背景图像中分割出来、通过背景减除二值化及阴影消除后。可以得到步态序列中每帧图像的单连通人体运动区域、为了去除图像中存在的大量冗余信息并减小计算量。进一步使用图像模板化技术将目标缩放到固定大小的图像模板中（见图 6（a）步态的静态和动态特征都是从二值化侧影的目标模板中提取的。图 3 特征级融合策略流程图 图 4 决策级融合策略流程图3.1 基于线图模型的动态特征提取首先抽取出二值侧影图像的骨架信息。然后根据该骨架信息和解剖学知识共同得到各个关节点的位置及相互间形成的角度。最后
9、使用这些位置和角度信息形成步态的动态特征、算法的具体步骤如下:步骤 1 利用图像处理技术中的中轴变换方法提取二值侧影图像的骨架图、它是一种可逆变换。既能压缩图像信息。又能由中轴及其数值恢复原图像、提取方法如下:1) D 表示原图区域中像素点的集合 (D)表示其内边界 (D)表示其外边界,S(D)表示区域iE0ED 及其 8 连通区域内的所有像素点、令 .Dd2) 一步细化之后得到的结果区域如下:（1）)()()( 0oldoldoldioldoldnew DSEDSD3) 如果 ，终止迭代，跳转到第 4)步.否则,令 ，并跳转到第 2）步。l newl4) 即为所求区域的骨架像素的集合。ewn
10、步骤 2 根据解剖学中人体各部分肢体占身高的比例关系。来提取人体的关节点位置、即对人体骨架进行扫描。扫描线与人体骨架的交叉点即为关节点的位置、这样可以得到人体的8 个关节点： ),(),( ),(),(),(),(221 21ankleelanklel kneknepelvislisshouldershouldwrckhdeyxyx yxyxyxy（连接这 8 个关节点，得到人体的骨骼化模型，图 5 示出简化的人体比例关系。图 5 简化的人体比例关系图步骤 3 进一步计算出骨骼化模型中各部分肢体所形成的角度、这里取肢体与竖直线的角度)这 7 个角度分别包括。 ，人体骨架及骨骼化模型、2121n
11、eh , shinithigtibackad 以及肢体夹角示意图如图 6 所示。令 和 分别为肢体两端的关节点所在位），（ 0yx），（置、则肢体夹角计算如下: (2)01tanrc图 6 人体骨架及骨骼化模型步骤 4 确定步态参数)通过上述讨论，可以看出在骨骼化模型中一共有 23 维参数特征，关节点位置 2*8=16 维，肢体角度 7 维。关节点位置中的 x 值通常是固定不变的、为了简化运算、可以将其去除、留下关节点的 y 值信息及肢体角度信息共同构成 15 维参数特征的步态模式)进一步、为了消除空间尺度不同带来的影响、需要将这些参数特征归一化到区间/2,3/2中。3.2 基于整体的静态特征
12、提取侧影的宽度和高度信息是决定目标形状的两个重要因素，宽度代表了运动目标的胖瘦程度、高度则代表了运动目标的身高)身高和胖瘦是人类视觉系统进行身份识别的主要依据之一、但是这两个参数常常随着摄像机拍摄距离的变化而变化)例如、同样焦距下、一个高个子目标由于拍摄距离较远会显得比近处的矮个子目标还要矮小)宽度所代表的胖瘦信息也是如此)因此、它们都不可以单独作为形体特征来进行步态识别) 为了消除这种误差、本文算法采用了侧影的伸长度作为基于整体的形态特征、即： (3)式中 W 代HWE表侧影的宽度,H 代表侧影的高度。然而，伸长度中的除法运算常常会消除掉一些有用的信息、例如一个拍摄距离较远的又高又胖的人可能
13、会和一个拍摄距离较近的又矮又瘦的人拥有同样的伸长度、因此单独使用伸长度很难将目标区分开来)为了克服上述缺点、又引入了空间度特征 :(4)空间度代表了二值侧影目标中前景像素的n1 )1,0(,),(imj jiPS数目。同样、两种静态参数特征也需要进行幅度上的归一化运算。3.3 识别本算法采用 K 近邻分类器进行模式分类)由于步态数据具有周期性)循环性的特征、因此相似性度量采用基于周期的方法、具体步骤如下:1)令训练序列为 ，测试序列为,.,21, gNggXX和 分别表示两序列的帧数, 表示第 i 个序列中的第Nppp,.,21,p jiX,j 个特征矢量。2)对任意一个序列 计算出它的步态周
14、期 n(nN)是它的帧数,并将其分,.21NX成N/n个子序列.其中, 第 k 个子序列可表示为 。.21nkkXk）（3)对于测试集中的第 K 个子序列和训练集中任意以 L 为起始帧的子序列、计算它们之间的距离: (4)Nj jlgjkpxk Xldisgp1,),(4)得到整个测试序列和训练序列之间的相似度:(5)式中 K=m/ 。l 为训练样本序)(),(im),(1inldsKXS gpXkklgp pN列中和测试样本子序列进行比较的起始帧 l=0,1,.,n- 。相似度 Sim 的值越大,说明两个序g列越相似。4、 实验我们分别对仅基于整体形状特征的算法)仅基于动态模型特征的算法 )
15、特征级融合算法以及运用了加法和乘法规则的决策级融合算法进行了实验和比较（见图 7-图 10）实验数据采用了来自于卡耐基梅隆大学的 CMU 数据库。该数据库包含 25 人、每人 6 个视角 4 种走路姿势。快走)慢走)上坡和抱球共 24 个序列，每个序列 340 帧左右、重点测试了步速对算法的性能影响。算法评价采用 CMS 和 ROS 曲线。为了便于进行评价( 需要将数据库中每个样本序列按照步态周期拆分为若干子序列、每个快步走序列大约包含 8 个步态周期( 每个慢步走序列大约包含 7 个步态周期)(再为每人随机抽取一个步态周期作为测试集(其余步态周期序列作为训练集(来进行步态识别。另外 (为了测
16、试算法对行走速度的敏感性 (本文分别以快步走和慢步走数据互为训练和识别样本、未拆分序列)进行了实验。算法识别率采用 5 阶 CMS 结果的平均值。实验结果如表 1 所列决策级融合算法实验编号训练样本测试样本基于形状特性基于模型特征特征级融合算法加法规则 乘法规则125 个快走步态周期剩余快走步态周期82.7427682.0684.887.31225 个慢走步态周期剩余慢走步态周期72.66476.13484.6782.6783.6325 个快走序列25 个慢走序列39.279.282.483.276425 个慢走序列25 个快走序列33.667.271.266.448.8图 7 实验 1,(CMU 数据库， Train:fast;Test:fast)的识别校验性能曲线
