（信号与信息处理专业论文）基于步态的身份识别研究.pdf

基于步态的身份识别研究 摘要 步态识别作为一种新的生物特征识别技术，是通过人走路的姿势实现对个 人身份的识别和认证，它是一个复杂而又富有挑战性的研究课题。大多数的生 物特征识别都要求近距离或者接触性的感知，而步态是远距离情况下唯一可感 知的生物特征。因此，步态识别在视觉监控领域的潜在应用激发了研究者们的 浓厚兴趣。 本文针对正侧面及多视角情况下的步态识别中的种种问题进行了研究，主 要的工作和创新如下： ( 1 ) 提出了基于融合的隐马尔可夫步态识别算法。对隐马尔可夫模型进行 研究并对算法实现中遇到的实际问题加以分析解决，在此基础上实现了利用隐 马尔可夫模型的步态特征提取与身份识别方法。我们选取人体下肢的宽度向量 作为步态特征，利用人体的宽度信号对步态序列进行周期性分析，将每一个步 态周期平均分段聚类后求均值得到标本，同时把参与训练和识别的步态序列中 处于同一状态的某一帧设为序列的初始帧。针对步态视频序列，分析了应用隐 马尔可夫模型( h m m s ) 的可行性，采用了将标本作为隐马尔可夫模型的状态， 每一帧与标本的距离作为观察值的步态建模方案。使用该方法在c a s i a 步态 数据库上进行了实验。实验结果验证了该方法的有效性。为了进一步提高识别 率，我们提出了将不同维数步态特征训练h m m 模型得到的识别结果加以融合， 实验证明融合后达到的识别率明显高于单个高维步态特征所能达到的识别率。 ( 2 ) 提出了一种多视角情况下步态识别算法。基于大部分的步态识别算法 均建立在能够获得正侧面步态序列的基础上，而这个条件在实际的视频监控环 境中是难以实现的。我们利用运动形成的速度场及运动场的关系，求得人在监 控场景中行走的方位角，利用透视几何知识进行坐标转换，提出了一种将任意 视角下待识别人的行走序列矫正为规范视角下行走序列的算法，这种算法无需 计算三维深度信息，适用于仅有单摄像机的实际监控环境，相对于建立3 d 模 型等其他方法简单易实现。实验汪明将矫正后的步态序列用于步态识别，能有 效的提高识别率。 关键词：隐马尔可夫步态识别透视几何运动场 t h er e s e a r c ho fg a i t b a s e dh u m a ni d e n t i f i c a t i o n a b s t r a c t g a i ti sar e l a t i v e l yn e wa n de m e r g e n tb e h a v i o r a lb i o m e t r i c ，w h i c hp e r t a i n st ot h e u s eo fa l li n d i v i d u a l sw a l k i n gs t y l et od e t e r m i n eo rv a l i d a t ei d e n t i t y ，a n dg a i t b a s e d h u m a ni d e n t i f i c a t i o ni sac o m p l e xa n d c h a l l e n g i n gp r o b l e m t oo p e r a t e s u c c e s s f u l l y ，m o s to ft h ee s t a b l i s h e db i o m e t r i c su s u a l l yr e q u i r ep r o x i m a ls e n s i n go r p h y s i c a lc o n t a c t h o w e v e r ，t h e ya r eh a r d l ya p p l i c a b l ea td i s t a n c e f o t t u n a t e l y ，g a i t ，t h e w a yp e o p l ew a l k i ss t i l lv i s i b l ea n dc a nb ee a s i l yp e r c e i v e du n o b t r u s i v e l y s o ，f r o ma s u r v e i l l a n c ep e r s p e c t i v e ，g a i ti sav e r ya t t r a c t i v em o d a l i t y i nt h i sd i s s e r t a t i o n ，w ed o r e s e a r c ho nt h ek e yi s s u e so fg a i t b a s e dh u m a ni d e n t i f i c a t i o ni nt w oc o n d i t i o n s ： ( 1 ) p u tf o r w a r da na l g o r i t h mo fg a i t - b a s e dh u m a ni d e n t i f i c a t i o no nt h eb a s eo f f u s i o na n dh i d d e nm a r k o vm o d e l w eu s et h ew i d t hv e c t o ro fl o w e rl i m b sa st h eg a i t c h a r a c t e r , a n dd op e r i o d i c a la n a l y s eo nt h eh u m a n sw i d t hs i g n a l w ec a ng e tt h e i n i t i a lf r a m eo ft h es e q u e n c ea n de x e m p l a rb ya c c o u n tt h em e a no fs u b s e c t i o no f e v e r yp e r i o da tt h es a m et i m e a i ma tt h ec h a r a c t e r i s t i co fg a i ts e q u e n c e ，w ea n a l y s e t h ef e a s i b i l i t yo ft h eh i d d e nm a r k o vm o d e l ，a n dp u tf o r w a r dt h em e t h o dt h a tu s et h e e x e m p l a ra sh i d d e nm a r k o vm o d e l ss t a t ea n dt h ed i s t a n c eb e t w e e nt h ee x e m p l a r a n dt h eg a i tc h a r a c t e ro fe v e r yf r a m ea st h em o d e l so b s e r v e dv e c t o r e x p e r i m e n t s h o w st h a tt h ea l g o r i t h mc a na c h i e v eg o o dr e s u l t s ，t oi m p r o v et h ei d e n t i f yr a t e f u r t h e r , w ef u s et h er e s u l to ft h er e c o g n i s eu s i n gm u t i d i m e n s i o ng a i tc h a r a c t e r e x p e r i m e n ts h o w st h a tt h em e t h o dc a na c h i e v eb e t t e rr e s u l t st h a nb e f o r e ( 2 ) p u tf o r w a r dan e wa l g o r i t h mo fg a i t - b a s e dh u m a ni d e n t i f i c a t i o na p p l yt o m u l t i - v i e we n v i r o n m e n t a c c o r d i n g l y ，g a i t r e c o g n i t i o na l g o r i t h m sw o r kb e s tw h e n p r e s e n t e dw i t hi m a g e sw h e r e t h ep e r s o nw a l k sp a r a l l e lt ot h ec a m e r a h o w e v e r , i ti s n o tr e a l i s t i ct oe x p e c tt h a tt h i sa s s u m p t i o nw i l lb ev a l i di nm o s tr e a l l i f es c e n a r i o s ， h e n c ei ti si m p o r t a n tt od e v e l o pm e t h o d sw h e r e b yt h es i d e v i e wc a nb eg e n e r a t e d f r o ma n yo t h e ra r b i t r a r yv i e wi nas i m p l ea n da c c u r a t em a n n e r w es h o wt h a ti ti s p o s s i b l e t os y n t h e s i z eas i d ev i e wf r o ma n yo t h e ra r b i t r a r yv i e wb yu s i n gt h e p e r s p e c t i v ep r o j e c t i o n m o d e la n do p t i c a lf l o wb a s e ds t r u c t u r ef r o mm o t i o n e q u a t i o n s i ti sn on e e dt oc a l c u l a t ed e p t h ，a n da p p l yt ot h ee n t i r o n m e n tw i t has i n g l e c a m e r a e x p e r i m e n ts h o w st h a tt h er e s u l to fi d e n t i f i c a t i o nu s i n gs y n t h e s i z e dg a i t s e q u e n c ei sb e t e rt h a nt h a tu s i n go r i g i n a ls e q u e n c e k e y w o r d s ：h m m ；g a i ti d e n t m c a t i o n ；p e r s p e c t i v ep r o j e c t i o n ；s t r u c t u r ef r o mm o t i o n 图2 1 图3 1 图3 2 图3 3 图3 4 图3 5 图3 - 6 图3 7 图3 8 图3 - 9 图3 1 0 图3 1 1 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图4 8 图4 - 9 图4 1 0 图4 1 1 图4 1 2 图4 1 3 图4 1 4 图4 1 5 插图清单 h m m 组成示意图9 步态识别算法流程图1 8 背景重构及运动检测结果2 0 步态的周期性分析2 1 一个人步态的五个状态2 2 确定状态数的试验方法2 3 步态h m m 模型状态的确定2 5 步态h m m 模型训练算法流程图2 6 步态h m m 模型识别算法流程图2 6 步态采集示意图一2 7 从1 1 个视角拍摄到的正常行走一2 8 步态识别结果3 1 计算机图像坐标系与图像坐标系的关系3 3 透视投影图3 4 三维速度场产生二维运动场3 5 速度场与运动场的关系图一3 5 f o c u so f e x p a n s i o n 3 6 人的行走与三个坐标系的关系3 7 多视角步态识别算法框架3 8 运动分割结果一4 l 实验一结果4 2 实验二拍摄序列4 2 实验二人和标志杆实验结果4 3 坐标转换关系图4 4 步态序列矫正前后对比图一4 7 两种情况下人体的投影图4 8 多视角步态识别结果对比图4 9 表格清单 表3 - 1步态识别实验结果3 1 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所 知，除了文中特别加以标志和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果， 也不包含为获得佥世王些太堂 或其他教育机构的学位或证书而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签字：体签字日期泖7 椰月) ，日 学位论文版权使用授权书 本学位论文作者完全了解盒胆王些盍堂有关保留、使用学位论文的规定，有权保留并向 国家有关部门或机构送交论文的复印件和磁盘。允许论文被查阅或借阅。本人授权盒筵王些盔 茎一可以将学位论文的全部或部分论文内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文者签名 土1 丧名：躲彤 签字目期：唧年，) ，月哆日签字日期：2 哼年，；月哆目 学位论文作者毕业后去向 工作单位： 通讯地址： 电话： 邮编： 覆强 致谢 研究生生活即将结束。在两年半的学习生活中我所收获的不仅仅是专业的 知识，还深深地为师长身上严谨治学的态度所折服；为同学身上奋发向上，只 争朝夕的精神所感染。 首先要感谢我的导师齐美彬副教授和蒋建国教授。在我攻读硕士学位期间， 他们严谨的治学态度，广博的专业知识，对事业孜孜不倦的追求精神和平易近 人的处世作风给我留下了深深的印象，也必将会让我受益终生。他们不仅是学 术出色的导师，同时也是指引我前进的长者，为我将来的发展提供了极大的帮 助和指导。在此谨向恩师致以最真挚的谢意! 感谢实验室的詹曙老师、吴从中老师、李小红老师、夏娜老师、尤晓泉老 师，感谢他们三年来对我的关心和帮助；感谢李援、尹翔、张国富、李勇等各 位博士及常传文、王德宝、吴琼、袁炜、徐亚东，蒋庆茹等师兄师姐在学习过 程中的指引和帮助；感谢宣曼，张锐，孙洪艳，安宝垒，陈晓蕊，童卫勇，刘 扬等同学，两年年来我们相互交流，取长补短，共同进步；感谢李相涛师弟师 妹们，正是因为生活在这样一个团结友爱互助的集体里，我能够乐观地面对生 活，面对每一天的学习和工作。难以忘记在d s p 实验室学习的日日夜夜，感谢 各位同窗的协作和帮助，诚挚的祝福他们在未来的生活和学习中一切顺利! 此外，在课题研究、论文工作，以及研究生学习期间，我还得到了其它许 多老师和同学的关心和帮助，在此一并表示谢意。 最后，要衷心的感谢我的父母和所有家人。他们一直给我精神上的鼓励、 物质上的支持、学习上的帮助和督促。他们的关怀和支持，是我不断前进的最 大动力。 作者：王倩 2 0 0 7 年1 2 月 第一章绪论 1 1 引言 生物特征识别【1 】是指通过自动化技术利用人体的生理特征或行为特征进 行身份鉴定。目前利用生物特征进行生物识别的方法主要有：指纹识别、人脸 识别和视网膜识别；利用行为特征进行识别的主要方法有：声音识别、笔迹识 别等。步态识别是利用人走路的方式进行身份识别，是近年来计算机视觉领域 中新兴的研究领域。相对于其他生物特征，步态是远距离情况下唯一可感知的， 因此，步态识别在视觉监控领域的潜在应用激发了研究者们的浓厚兴趣。本章 首先描述课题研究的背景和意义，然后介绍国内外的研究现状，最后是论文的 主要工作。 1 2 步态研究的背景和意义 步态( g a i t ) 的基本定义为【2 】：”ap a r t i c u l a rw a y0 1 m a n n e ro fm o v i n go n f o o t ”( 足部运动的特定方式) 。尽管步态分析在医学、心理学等诸多领域有着长 期的研究，但使用步态作为生物特征用于身份识别则是近年来计算机视觉领域 中相对新兴的研究课题。 早期的医学研究表明：步态是一个独特的个性化特征，有韵律，并且本质 上是周期性的。作为一种独特的生物行为特征，步态有着如下的理想特性 1 2 8 ： 1 独特性一一步态依赖于个体外形结构，习惯姿势等。行走是非常复杂的动态 行为，它涉及到身体各个基本的运动和基元问的交互作用，由于个体阆身体结 构和行为上的基本特性不同，从而人的运动为其识别提供了一种独特的线索。 2 非侵犯性一一人的行走步态能够被秘密提取。在信息收集阶段，步态不像指 纹和视网膜那样需要用户密切配合。除了行走之外。它不需要个体的任何交互 接触，这必然提升了用户的可接受性。 3 远距离识别一一指纹和脸像等生物特征需要近距离或接触性感知，而步态完 全可以远距离进行捕捉，因此它提供了远距离情况下识别人的可能性。 4 简化细节一一步态识别不要求所捕捉的图像必须有非常高的质量，而其他生 物特征识别技术通常易受低分辨率图像所影响。 5 难于隐藏一一相对于脸和指纹，步态通常是可见的。并且，个体一般不会故 意伪装自己的行走行为，如果个体设法这样做的话，他的奇怪行为在视觉监控 中会表现得更加可疑。 当然，步态特征也有其自身的缺点，刺激物( 药品酒精等) 可能影响人的正 常行走姿势；身体变化( 怀孕伤残疾病等) 必然影响个体的运动特性；心情也 很容易影响步态特征；同一个人穿着不同的衣服( 如紧身衣和宽松的服装) 可能 会导致特征提取方法不同而产生不同的特征。而且步态是一种时空变化的运动 模式，其处理对象是视频或图像序列，因此它的存储量相对庞大，计算复杂度也 相应较高。 基于步态特征的身份识别技术具有广泛的应用前景，可以应用于军事场景 监控，国家重要安全部门监控，敏感的公共场合监控和高级社区保安监控等等。 在这些敏感场合，出于管理和安全的需要，人们必须知道该区域内发生的事件， 于是采用某种特定方法来监视该场景。在银行，军事装置，机场等重要场合， 有效准确地识别人，快速检测危险并提供不同人员不同的进入权限级别是相当 重要的。美国9 1 1 事件已使人们充分认识到当前安全系统的脆弱性。目前各国 对生物特征识别研究，特别是非接触式远距离人的身份识别给予了充分关注。 步态运动属于人的运动形式的一种，离不开人运动分析的视觉处理技术。 人运动的视觉分析研究是计算机视觉中的前沿方向，它旨在图像序列中进行人 的检测、跟踪、识别和行为理解。在安全敏感场合的智能监控、高级人机交互 及虚拟现实等方面有着潜在的应用前景。 当前人的识别系统所采用的技术能力仍然有限，成功操作通常依赖于个体 近距离的感知和协作。如前所述，步态特征有许多理想的优点，特别是它的非 侵犯性，使得它在大范围，非约束场合的视觉监控中成为非常有吸引力的模态， 因为远距离识别犯罪将提供操作人员充分的时间在真正的危险发生之前积极做 出响应。除了步态的本质优点，处理器能力的上升，高速存储器的出现，数据 存储设备及监控摄像机的完善，计算机视觉处理技术的提高等均使得步态识别 成为一种可行的安全应用。 除了在视觉监控中进行身份识别应用外，步态识别在安全鉴定、特殊场合的 访问控制、作为法律工具辅助破案、人群中特定人的搜索等方面也有着重要意 义。尽管h u m a ni d 研究者们正积极观察包含步态在内的诸多识别技术，但是 目前出现的结果却暗示了开发和实现高度可靠，鲁棒的识别系统仍是相当严峻 的挑战。 1 3 步态识别的研究现状 步态识别是近年来兴起的研究领域，它旨在从相同行走行为中寻找和提取 相应个体的可区分的变化来自动进行身份识别。基于视觉的步态识别系统的一 般流程如下：监控摄像机用于捕捉监控领域中的行人；结合背景的自动建模和 更新，步态检测用来检测行人；该行人在二维或三维空间中被连续跟踪：从跟 踪结果中，步态模式的一些个性化特征被相应地提取；结合在步态数据库中已 经存储的步态模式，分类器最后给出识别结果。从这个过程可以看出，自动步 态识别是个非常挑战性的研究课题，它涉及了许多困难问题，比如计算机视觉 领域中的运动分割与跟踪( m o t i o ns e g m e n t a t i o na n dt r a c k i n g ) 和模式识别领 域中的特征提取与模式分类( f e a t u r ee x t r a c t i o na n dp a t t e r nc l a s s i f i c a t i o n ) 等问题。 尽管步态分析在医学及心理学领域己经有着长期的研究，但基于视觉的自 动步态识别仅仅近几年才引起了研究者的注意。1 9 9 9 年，n i x o n 等首次在一本 关于生物特征识别 1 的书中简单回顾了自动步态识别的发展情况。这在一定程 度上引导了计算机视觉研究者们开始关注步态识别研究。 虽然步态识别到目前为止还是一个相当新的研究领域，但已经出现了许多 研究机构，最有代表性的是英国南安普顿大学s o u t h a m p t o n 、美国麻省理工学 院m i t 、卡内基梅隆大学c m u 、马里兰大学m a r y l a n d 、中科院自动化研究所等 高校的研究工作。 步态包括两类重要的分量；结构化分量，它捕捉一个人的身体形状；动态 分量，它捕捉人行走期间的运动特性。根据上述观察，当前的步态识别方法可 以被划分为两个主要的类：一是基于模型或结构的方法。它通常建模人体结构 并提取图像特征为模型的结构化分量，或衍生出人体部分的运动轨迹来识别个 体；另一个是非结构或基于运动的方法。它通常特征化人体的整个运动模式来 获取运动特征而不考虑潜在结构。 基于模型( 结构) 的方法明确地对人体或运动进行建模，通常需要在行走 序列的每一帧进行模型匹配并且将参数( 如角速度，肢体长度等) 在人体或运动 模型上加以度量。 l e e 等人 3 提出了一种基于步态外形的表达方法。按照人体比例，侧面二 值化图像根据人的身体的不同部分被分为7 个区域：头肩、躯干前部分、躯干后 部分、前大腿、后大腿、前小腿、后小腿。每个区域用一个椭圆去逼近它。在 每个区域所提取的特征为椭圆的中心坐标( x ，y ) 、椭圆长轴和短轴的比例b 以及 椭圆长轴的方向角口。对于每一图像帧，7 个区域共有2 8 个特征值，另外加上 整个剪影质心高度特征丘用以描述躯干和腿的比例。为了表达区域特征随时间 的变化，采用了以下两种方法j 一是计算区域特征随时间变化的均值和标准差j 二是计算每一区域特征傅里叶变换的幅值和相位。由于特征提取是基于外形的， 因而受衣服形状变化的影响比较大且仅限于在正侧面视角下识别。 b o b i c k 和j o h n s o n 4 提出了一种基于恢复静态身体参数的方法。由运动 决定的4 个静态参数为d l ( 人体的高度) 、d 2 ( 头部到腰部的距离) 、d l ( 腰 部到脚的距离) 和( 左脚与右脚之间的最大距离)。这些距离( 均从二值化 图像中获得) 组成了一个4 维矢量w = 。以此作为特征矢量。这 4 个参数虽然是静态参数，但却是由运动产生的，所以待征矢量同时反映了步 态的两种成分。 在步态识别中最重要的一个方面就是准确地捕捉腿的位置，因为它们是衍 生步态特征的最好来源，包含了更多的步态模式变化，腿的运动通常可以采用正 弦谐波运动来加以公式化。臀部旋转可以建模为简单的钟摆，其运动近似描述 为正弦谐波运动，且能被表达为f o u r i e r 级数。这个步态模型相对简单，它己被 成功扩展来包含小腿的运动如d c u n a d o 5 】将大腿和小腿建模为链接的钟摆， 并从其倾斜角度信号的频率分量中获取步态特征。 还可以使用人体的几何结构化特性( 即由人体几何所确定的静态身体和步长参数 等，而不是运动本身的直接特性) 来特征化一个人的步态模式。这些参数包括身高、 体重、韵律、步长、肢体长度等。如c h i r a z b e n a b d e l k a d e r 等人在文献 6 中提出了 一种基于步态时空参数和身高的识别方法。从低分辨率的步态序列估计出真实 的跨步长度、频度和人的高度作为识别的特征，。这种方法需要标定摄像机，对 于光线变化、衣服形状变化和跟踪误差具有鲁棒性。度量一个静态参数的优点是 可以使用多个视点来恢复参数，且静态参数通常是视点不变的，这对于识别而言是个 巨大的优点。不过，它易受在3 d 空间恢复这些参数所需要的视觉方法的影响，比如身 体部分标定、深度补偿、摄像机标定、阴影移除等。另外，这些用于识别的参数在较 大规模的人群中也许将不太有效。 基于模型( 结构) 的方法的优点是提供了可直接从模型参数中获取步态特 征的能力，然而，人与摄像机之间的距离不能太远，否则图像分辨率过低，使 得基于模型的方法不可用。由于在三维空间中准确跟踪和定位人体长期以来是 视觉领域中的难题，因此基于模型( 结构) 的方法还有建模困难和计算代价相当 高的缺点。 非结构的方法通过行人在图像中地轮廓所产生的时空模式的统计特性来特 征化步态运动对于诸如步态的周期性运动，运动变化的空间分布非常明显，捕 捉这些变化加以分析就是非结构的方法。 王亮在文献 7 中提出了一种简单有效的自动步态识别算法。对于每个序列 而言。一种改进的背景减除方法用于检测行人的运动轮廓：然后，这些时变的2 d 轮廓形状被转换为对应的1 d 距离信号，同时通过特征空间变换来提取低维步 态特征；基于时空相关或归一化欧氏距离度量，标准的模式分类技术用于最终的 识别。他们在文献 8 提出的第2 种方法是基于p r o c r u s t e s 形状分析的。其主 要思想是应用统计形状分析提取步态的特征矢量。对于每一个剪影序列，用轮廓 上的点所组成的一系列复矢量表示剪影轮廓随时间的变化，然后用 p r o c r u s t e s 形状分析法得到平均形状以作为步态信号。w a n g 等人又在文献 9 中采用了步态形状信息和身体运动信息融合的方法。先使用p r o c r u s t e s 形状分 析得到形状特征矢量，然后对人体进行建模和跟踪并恢复下肢关节角度轨迹，最 后选择归一化的左右臀部和左右膝盖部的角度信号作为身体的运动特征矢量。 最终的识别结果融合了两种信息的识别结果。由于形状特征和身体运动特征本 质上是不相关的，这使得两种信息的融合有很好的识别性能。 b e n a b d e l k a d e r 1 0 等提出了一种基于运动的步态识别算法，由于运动目标 图像序列的自相关图是它的平面动力学的投影，故这些自相关图包含了步态运 动模式的许多信息。这项工作首先对从步态图像序列中获取的、用于训练的自 相关图集进行主元分析，以映射它们到一个低维的特征空间。这个特征空间包 含那些所需要的运动变化，提供了更好的数据可分性。设时间t 的归一化图像 模板为o ，人被连续跟踪帧，则人的图像自相似s 由下式计算： s ( t 1 ，f 2 ) = i o ，( x ，y ) - o ，2 ( j ，y ) i其中h 1 ，t 2 n ，b ，l 是在“帧人的边界框 ( b o u n d 描掣。t ；b x ) 。相似于特征脸( e i g e n f a c e ) 识别技术，这种方法被命名为特 征步态( e i g e n g a i t ) 识别技术。 步态是体现时空模式下个体运动特性的时变数据，匹配时变数据的技术通 常有：a ) 动态时间规整d t w ( d y n a m i ct i m ew a r p i n g ) ：d t w 1 8 是众所周知的模 式匹配技术，只要时间次序约束( t i m eo r d e r i n gc o n s t r a i n t s ) 存在，而不需 要考虑他们的时间尺度( t i m es c a l e s ) 是不是完美对称，具有概念简单、算法 鲁棒的优点，已经被广泛地应用于匹配时间级数，特别是在语音和行为识别中， 并且最近被用于步态识别中。b ) 隐马尔可夫模型h m m ( h i d d e nm a r k o vm o d e l s ) ， 对于人类的活动或行为识别，大多数研究都是用基于h m m 1 6 3 1 7 的方法，h m m 的方法与模板匹配方法相对。h m m 的使用涉及到训练和分类两个阶段，训练阶 段包括指定一个隐马尔克夫模型的隐藏状态数，并且优化相应的状态转换和输 出概率以便于产生的输出符号与在特定的运动类别之内所观察到的图像特征相 匹配。匹配阶段涉及到一个特定的h m m 可能产生相应于所观察图象特征的测试 符号序列的概率计算。在文 1 i 中k a l e 等采用了基于外观的方法来解决步态识 别问题。行人的二值化外轮廓的宽度被选择作为基本图象特征。不同的步态特 征从宽度向量中被提取，如降采样的( d o w n s a m p l e d ) 、平滑的宽度向量、速度 外形( v e l o c i t yp r o f i l e ) 等。那样的时间标序特征向量序列用来表达人的步态。 没有采用直接的帧一帧匹配，他们使用d t w 来执行匹配操作，以便于其本身的 非线性时间归一化可以用来处理自然发生的行走速度的变化。之后他们又提出 了一种基于h m m 的步态分析与识别方法。利用这些从视频中获取的观察向量序 列来训练h m m 。k a l e 认为步态周期可以被看作一个双重随机过程，其中隐含过程 用姿态的转移变换表示，而可观测量是在某个特定站姿下所产生的图像，马尔可 夫模型( h m m ) 最适合描述这样的情况。该方法捕捉了个体的结构和演变特性。 z h a n gr o n g 等在文献 1 2 中提出了两步五链两足人类运动模型，用两脚之间的 宽度和高度之差，膝盖之间的宽度和高度之差作为四维的步态特征，对四维的 步态特征进行离散傅立叶变化获得特征矢量，用h m m 模型用于识别。h m m 的统 计本质使模式表达和识别都具有鲁棒性，但其对于视角的变化相当敏感。 文献 1 3 提出了利用步态序列的频域幅值特征以及身体比例作为步态整体 特征，文献 1 4 对此加以改进，提出了基于反射对称的步态序列识别方法，首 先通过步态周期的划分获取关键帧，利用关键帧的反射对称作为步态特征识别 测试序列，对称表示一种平衡，可以分为两种：反射对称( 线对称，左右对称) 和旋转对称，如果在形状中画条线表示镜子，反射对称就是衡量沿着这条线折叠 后，两侧完全匹配的程度。对于不同人体步态，关键帧的反射对称特征也不同， 反射对称隐含了行走和站立时胳膊的摇摆和身体的倾斜习惯，是非常有用的信 息，将反射特征、文献 1 3 中的频域幅值特征以及身体比例相结合作为步态整 体特征。以此为基础，使用三种度量来识别人体序列：欧氏距离，马氏距离和类 内类间矩。 统计识别方法通常对运动图像集进行统计描述，并且已经在步态识别中得 到很好的应用因为矩算子通常用来描述点集的形状，因此s h u t l e r 1 0 提出了 一种基于时间矩的统计步态识别算法。 子空间分析方法诸如主元分析p c a ( p r i n c i p l ec o m p o n e n ta n a l y s i s ) 与线性判决分析l d a ( l i n e a rd js e r i m i n a n ta n a l y s i s ) 等，有着减少输入特征 空间维数的优点，并己被验证在脸像分析( e i g e n f a c e ) 和步态识别( e i g e n g a i t ) 中是个强有力的工具。如王亮 7 利用步态轮廓一维矢量在特征空间的投影表示 一个步态序列，利用k n n 算法进行分类识剐。 虽然世界上已经出现了很多有效的步态识别算法但仍需强调的是，步态识 别研究目前仍处于起步阶段，这主要体现在两个方面：( 1 ) 实验通常是在受限的 条件下实现的，如相对简单的背景、相对于摄像机而言人的侧面行走等：( 2 ) 算 法评估都是在小样本数据库上进行的，一般不超过3 0 人。 1 4 论文的主要工作和各章内容安排 本论文共分为5 章。第一章是绪论，主要对步态识别进行综述，介绍了步 态识别技术的应用、发展和主要方法；第二章对隐马尔可夫模型的基本思想和 算法进行了研究和介绍，着重介绍步态识别算法中使用的连续型隐马尔可夫模 型以及在h m m 算法实现中诸多实际问题的解决方法，为下一章的步态识别算 法奠定基础；第三章基于h m m 模型的基础上设计了完整的步态识别方法，并 在中科院自动化研究所提供的c a s i a 步态库上做实验，得到较好的实验结果： 第四章介绍了在多视角情况下的步态识别算法；在第五章中总结本文的主要研 究成果及展望未来需要做的工作。 6 第二章隐马尔可夫模型介绍 隐马尔可夫模型( h i d d e nm a r k o vm o d e l ，h m m ) 是一个统计模型，具有十分 丰富健壮的数学结构，适用于动态过程时间序列建模并具有强大的时序模式分 类能力，理论上可处理任意长度的时序，它为h m m 提供了一个非常广泛的应 用范围。目前，隐马尔可夫模型( h m m ) 3 2 3 3 3 4 3 5 3 6 3 7 3 8 】已经成功的 应用到语音识别中，近