（电力电子与电力传动专业论文）基于统计分析方法的步态识别研究.pdf

湖北工业大学硕士学位论文 a b s t r a c t g a i tr e c o g n i t i o ni sar e l a t i v e l yn e wr e s e a r c hf i e l di nb i o m e t r i c sr e c o g n i t i o n ，w h i c h m a k e su s eo fh u m a nw a l k i n gt or e c o g n i z ea n di d e n t i f y g a i th a sa p p a r e n ta d v a n t a g e si n c o m p a r i s o nw i t ho t h e l b i o m e t r i c ss u c ha sf i n g e r p r i n t s f a c ea n di r i s i ti su n o b t r u s i v e a n du n t o u c h e d i ti sv e r yd i 伍c u l tt oh i d ea n dt or e p l i c a t e i ti sp o s s i b l et oe x t r a c tt h e g a i ts i g n a t u r e sf r o ml o wr e s o l u t i o ni m a g e s i ti st h eo n l yp e r c e i v a b l eb i o m e t r i ca ta d i s t a n c ef o rh u m a ni d e n t i f i c a t i o n s oi th a sb e e nah o t s p o ti nv i s u a l - b a s e dh u m a n m o t i o na n a l y s i s t h er e s e a r c ho fg a i tr e c o g n i t i o nb a s e do ns t a t i s t i c a la n a l y s i sm e t h o d sc o n s i s t so f f o u rp a r t s ：m o t i o no b j e c td e t e c t i o n ，f e a t u r ee x t r a c t i o na n d r e p r e s e n t a t i o n ，g a i ts i g n a t u r e s a n a l y s i s ，r e c o g n i t i o na n dc l a s s i f i c a t i o n f o c u s i n go nt h e s ea s p e c t s ，t h i sd i s s e r t a t i o n m a i n l yi n c l u d e st h ef o l l o w i n gi s s u e s ： w eu s et h es p a t i o t e m p o r a li n f o r m a t i o no fs i l h o u e t t ea sg a i ts i g n a t u r e s f o re a c h i m a g es e q u e n c e ，a ni m p r o v e db a c k g r o u n ds u b t r a c t i o np r o c e d u r ei sf i r s tu s e dt oe x t r a c t m o v i n gs i l h o u e t t e so ft h ew a l k e rf r o mt h eb a c k g r o u n d m o r p h o l o g i co p e r a t e ss u c ha s e r o s i o na n dd i l a t i o na r eu s e dt of u r t h e rf i l t e rs p u r i o u sp i x e l s a n ds m a l lh o l e si n s i d et h e e x t r a c t e ds i l h o u e t t e sa r et h e nf i l l e d ac o n n e c t e dc o m p o n e n ta n a l y s i si sf i n a l l ya p p l i e d t oe x t r a c tt h es i l h o u e t t e se d g e a d d i t i o n a l l y , w ec o n v e r tt h e s e2 ds i l h o u e t t es h a p e si n t o a na s s o c i a t e ds e q u e n c eo f1d s i g n a l st h a ti sc o m p o s e do fa l ld i s t a n c e sb e t w e e ne a c h b o u n d a r yp i x e la n dt h ec e n t r o i d t h i ss i g n a lr e p r e s e n t st h eo r i g i n a lg a i ts i g n a t u r e s w bp r o p o s ean e wg a i tr e c o g n i t i o nm e t h o du s i n gp r i n c i p a lc o m p o n e n t a n a l y s i s ( p c a ) a n dl i n e a rd i s c r i m i n a n ta n a l y s i s ( l d a ) e i g e n s p a c et r a n s f o r m a t i o nb a s e do n p c ai sf i r s ta p p l i e dt o1d t i m e - v a r y i n gd i s t a n c es i g n a l sd e r i v e df r o mas e q u e n c eo f s i l h o u e t t ei m a g e st or e d u c et h ed i m e n s i o n a l i t yo ft h ei n p u tf e a t u r es p a c e t h e n l d ai s p e r f o r m e dt oo p t i m i z et h ec l a s ss e p a r a b i l i t yo fd i f f e r e n tg a i tp a t t e r n s s p a t i o t e m p o r a l c o r r e l a t i o n ( s t c ) a n dn o r m a l i z e de u c l i d e a nd i s t a n c em e d ) a r er e s p e c t i v e l y m e a s u r e dt h e s i m i l a r i t y b e t w e e n t w od i f f e r e n t s e q u e n c e s s u p e r v i s e dp a t t e r n e l a s s i f i c a t i o nt e c h n i q u e ss u c ha st h en e a r e s tn e i g h b o rc l a s s i f i c a t i o nf n n ) a n dkn e a r e s t n e i g h b o rc l a s s i f i c a t i o n ( k n n ) a r ef i n a l l yp e r f o r m e df o rr e c o g n i t i o n t h ee x p e r i m e n t a l r e s u l t ss h o wb a s e do nc o m b i n a t i o no fp c aa n dl d ag a i tr e c o g n i t i o na l g o r i t h mi sb e t t e r t h a nb a s e do np c a g a i tr e c o g n i t i o na l g o r i t h m b a s e do nt h ef a c tt h a ts i l h o u e t t e se d g ei sac l o s ec u r v e w ep r e s e n tan e wg a i t r e c o g n i t i o nm e t h o db a s e do nf o u r i e rd e s c r i p t o r s ( f d s ) a n db pn e u r a ln e t w o r k c y c l i c g a i ta n a l y s i si sf i r s tp e r f o r m e dt oe x t r a c tk e yf r a m e s f a s tf o u r i e rt r a n s f o r m ( f f t ) i s t h e na p p l i e dt op r o c e s st h eb o d ys i l h o u e t t e s f o u r i e rd e s c r i p t o r sa r er e p r e s e n t e da sg a i t s i g n a t u r e s b pn e u r a ln e t w o r ki sf i n a l l yp e r f o r m e dt oc l a s s i f ya n dr e c o g n i z et h eh u m a n m o t i o ni d e n t i f i c a t i o n t h ee x p e r i m e n t a lr e s u l t sn o to n l yd e m o n s t r a t et h ef d si sw e l lt o r e p r e s e n ts p a t i o t e m p o r a lg a i tp a t t e r n s ，b u ta l s os h o wt h i sa p p r o a c hh a sas a t i s f a c t i o n r e c o g n i t i o np e r f o r m a n c e n 湖北工业大学硕士学位论文 i i i a l l_ b a s e do no b j e c t o r i e n t e dp r o g r a m m i n gd e s i g ni d e a ，w eu s ev i s u a lc + + t od e v e l o pa g a i tr e c o g n i t i o ns y s t e m i tc o n s i s t so fi m a g ep r o c e s s i n g ，g a i te x t r a c t i o n ，g a i tt r a i n i n g , g a i ta n a l y s i s ，g a i tr e c o g n i t i o n i tp r o v i d e sap o w e r f u le x p e r i m e n t a lp l a t f o r mt ov e r i f y t h ee f f e c to ft h ep r o p o s e da l g o r i t h m s w e p r o p o s et w og a i tr e c o g n i t i o na l g o r i t h m sb yu s i n gs t a t i s t i c a la n a l y s i sm e t h o d s t h r o u g ht h e o r e t i c a la n a l y s i sa n de x t e n s i v ee x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h a to u r a p p r o a c h e sh a v eah i g ht h e o r e t i c a lv a l u ea n dr e s e a r c hv a l u e a d d i t i o n a l l y , w ed e s i g na g a i tr e c o g n i t i o ns y s t e mw h i c hh a sac e r t a i nv a l u ef o rd e v e l o p i n gap r a c t i c a ls y s t e mi n f u t u r ea p p l i c a t i o n k e y w o r d s ：g a i tr e c o g n i t i o n ，p r i n e i p a lc o m p o n e n t a n a l y s i s ，f o u r i e rd e s c r i p t o r s ，b pn e u r a ln e t w o r k 1 1 1 潮彬j 董大謦 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取 得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经 发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方 式标明。本声明的法律结果由本人承担。 学位论文作者签名：彩够兰 日期：夕，罗年j 一月7 占日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留 并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权湖北工业大学可以将本学位论文的全部或部分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和汇编本学位论文。 学位论文作者签名：彦够釜 日期：川年r 月二占日 指导教师签名：私据， 日期：耕f 月力日 湖北工业大学硕士学位论文 第1 章绪论 在当今信息高度发达的社会中，信息安全问题备受人们的关注，安全性已成 为许多系统和场所首要考虑的问题。身份认证在人类的社会生活中自古有之，传 统的身份认证方法( 如使用智能卡、密码、口令、身份证、护照等) 存在携带不 便、易被伪造、容易遗失、因使用过多或不当而损坏、密码易被破解等一系列问 题，可靠性越来越低，无法满足现代社会的安全要求。而生物特征识别技术能很 好的克服传统方法存在的问题，它通过度量人自身的内在特性，可以准确的进行 身份认证。与传统的身份认证方法相比，生物特征识别突出的优势表现在生物特 征可以从根本上杜绝伪造和窃取，而且是人类自身拥有的，从而具有更高的可靠 性、安全性和可用性。因而，人们对生物特征识别技术寄予厚望，期望能够满足 国家公共安全、社会安全、金融安全以及人机交互等方面的各种应用。因此，生 物特征识别技术正逐步取代传统的身份认证方法，引起了人们广泛的关注。 1 1 生物特征识别技术 生物特征识别技术是依据人类自身独有的可以采样和测量的生物学特征和行 为学特征进行个人身份认证的识别技术，即通过计算机与光学、声学、生物传感 器和生物统计学原理等高科技手段密切结合，利用人体与生俱来的生理特征( 如 指纹、脸像、虹膜、声音、d n a 等) 和后天形成的行为特征( 如笔迹、步态等) 进行个人身 ( a ) 指纹( b ) 脸像( c ) 虹膜( d ) 视网膜( e ) 声音 山越垃阁 ( f ) 手形( g ) 击键( h ) 签字( i ) 步态 图1 1 常用的生物特征 作为生物特征用于身份认证的人的生理特征或行为特征须满足下面几个条 湖北工业大学硕士学位论文 件：( 1 ) 普遍性，每个人的都具备那种特征；( 2 ) 唯一性，任何两个人的特征都 不一样；( 3 ) 可测量性，特征通过一定手段是可测量的；( 4 ) 稳定性，特征在一 段时间内是不改变的。 但对于一个实际的应用系统来说，仅满足上述几个条件的生物特征是不够的， 还需要考虑实际因素。如在合理的资源需求下实现可接受的识别精度和识别速度； 对人体没有伤害且容易被人们所接受；对各种伪装欺骗有足够的鲁棒性。目前研 究和使用的生物特征识别技术主要有：指纹识别、人脸识别、虹膜识别、手形识 别、掌纹识别、声音识别、签名识别、步态识别等。尽管指纹识别、人脸识别、 虹膜识别等生物特征识别技术在安全领域已经取得了成功的应用，但都有其自身 的缺点。指纹识别、掌纹识别都需要实际的物理接触，人脸识别、虹膜识别也需 要近距离的捕捉以提高足够的分辨率，这几种生物特征识别技术都需要被识别者 的主动合作，这都限制了它们的应用范围。特别在远距离的情况下，这样的生物 特征将无法使用。此时，人的步态仍是可见的，且它可在被观察者没有觉察的情 况下从任意角度进行非接触性的感知和度量。因此，从视觉监控的观点来看，步 态是远距离情况下最有潜力的生物特征，从而引起了广大研究者们的浓厚兴趣。 1 2 步态识别技术 步态的定义为【2 】= “a p a r t i c u l a r w a y o r m a n n e r o f m o v i n g o nf o o t ( 足部运动的 特定方式) 。步态最初出现在医学、心理学等研究领域中的，人们通过对行人在 行走时身体关键部分的建模分析，尤其对腿部的运动进行分析，进而为人体运动 系统和神经系统等疾病的病因提供分析和诊断。然而，使用步态作为生物特征用 于人体身份识别则是近年来模式识别和计算机视觉中相对较新的研究课题。 j o h a n s s o n 在心理学研究中【3 】【4 】，通过观察黏附在运动中人的几个关节上的灯泡 的运动轨迹来识别人的运动模式。进一步的研究表明【5 】，从运动光显示m l d ( m o v i n gl i g h td i s p l a y ) 不仅可以快速的检测出行人，而且观察者能够区分不同 的生物学运动，包括行走，爬楼梯，跳跃等。采用m l d 方法，c u t t i n g 6 j 1 7 】等人的研 究表明步态不仅可以识别人的性别，还可以识别他们自身和他们的朋友。而 s t e v e n a g e 8 】的实验再次确认了利用步态信息就可以识别人的可能性。m u r r a y l 9 】在医 学研究中，对人体的臀部、膝盖、脚踝等二十个不同部分组成的步态运动进行研 究分析，发现人的步态是唯一的。大量的心理学和医学的研究揭示了利用步态可 以用来人的身份识别，这也促使步态在计算机视觉领域中，引起广泛的关注和研 究，成为生物特征识别技术的一个新兴的领域。 2 湖北工业大学硕士学位论文 与其他生物特征识别技术相比较，如指纹识别、虹膜识别和声音识别，步态 具有如下理想的特性【2 】： ( 1 ) 非侵犯性、非接触性。指纹识别和虹膜识别等采集时需要用户的密切协 作，指纹识别需要用户主动接触指纹仪，虹膜识别需要用户注视虹膜捕捉器。尽 管在一些商业场合，指纹、虹膜等生物特征识别系统已成功应用，然而它们在一 定程度上缺乏用户的可接受性。而使用步态完全可以避免那些问题，因为人行走 的步态信息可以被秘密提取，用户并不知道他或她正在被观察和分析。除了行走， 不需要个体的任何交互性接触，这必然提升了用户的可接受性。 ( 2 ) 难于隐藏和伪装。当用户带上面具或手套时，人脸和指纹等其他生物特 征很难发挥作用。然而，人必须行走，因此人的步态一般是可见的，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，那么他或她的奇怪行为 在监控系统中将表现的更加可疑。 ( 3 ) 远距离识别。指纹、人脸、虹膜等大多数的生物特征都需要近距离或接 触性的感知，而步态完全可以远距离地进行捕捉，这对于实现远距离识别人的身 份提供了可能性。 ( 4 ) 易于采集。步态识别不要求所采集的图像必须有非常高的质量，但其他 生物特征识别技术在分辨率较低或图像模糊时识别率会大大降低，甚至有可能无 法识别。 当然，步态作为生物特征，也有着自身的局限性，如下一些因素都可能影响 或改变它的特征： 刺激物酒精和药品等可能影响人的正常行走姿势。 身体变化怀孕、腿部受伤等都会影响个体的步态特征。 衣着每个人在不同时间穿着不同，特别在季节差异很大的情况下。 心理情绪的变化也会影响步态特征，如心情愉悦时步态表现轻快，心 情郁闷时步态表现沉重。 另外，外部因素( 如光照的变化，自遮挡) 也会影响到步态特征的自动提取。 步态是一种时空变化的运动模式，虽然它的存储量相当庞大，计算复杂度也较高， 但步态能进行远距离识别，并且很难进行隐藏和伪装，这些优点足以成为计算视 频监控系统的新的研究领域。 1 3 步态识别研究现状 1 3 1 步态识别研究的背景及意义 3 湖北工业大学硕士学位论文 人体运动分析与生物特征识别相结合的视觉监控目前已经成为一个重要的研 究方向。虽然指纹、虹膜等生物特征在安全领域已经开展了广泛的研究并取得了 初步应用，但这些生物特征的获取需要近距离接触，且要求高分辨率的图像。在 远距离、大范围的视频监控中，受到了极大的限制。在许多特定的领域中，这些 特征都难以获得，且容易伪装和隐藏。步态作为一种新的生物特征，具备其他生 物特征无可比拟的优势，因此倍受关注。美国高级研究项目署d a r p a ( d e f e n s e a d v a n c e dr e s e a r c hp r o j e c t sa g e n c y ) 在2 0 0 0 年资助的重大项目h i d 计划 ( h u m a ni d e n t i f i c a t i o na tad i s t a n c e ) ，其任务就是开发多模式的监控技术以实现远距 离情况下人体检测、分类和识别，从而增强国防、民用等场合免受恐怖袭击的保 护能力。特别在9 1 l 事件之后，机场的安全系统受到了质疑，如何防止恐怖袭击 成了新的课题。近距离一般可通过跟踪人脸来加以身份识别；如果是远距离的监 控，人脸的特征可能被隐藏，或者分辨率太低不易识别，然而进入监控领域的人 的步态是可见的，这激活了步态作为一个独特的生物行为特征应用于人的身份识 别。步态识别一个潜在的应用领域是安全敏感场合的视觉监控，如银行、机场、 军事安全基地的视觉监控系统等。除了视觉监控系统外，步态识别在特殊场合的 访问控制，安全鉴定，特定个体的跟踪等方面也有着重要的意义。但目前开发和 实现高可靠、鲁棒性较强的步态识别系统仍然是相当严峻的挑战。 尽管要开发实际应用的步态系统还存在很大的困难，但国内外仍有许多研究 机构投入到步态识别的研究中去。国外最具代表性的有英国南安普顿大学 ( s o u t h a m p t o n ) 、美国马里兰大学( u m l ) 、麻省理工大学( m i t ) 、卡内基梅隆大 学( c m u ) 、佐治亚理工学院( g i t ) 、加拿大多伦多大学等著名高校。国内主要 有中科院自动化研究所，哈尔滨工程大学，北京科技大学，西北工业大学，重庆 大学等高校，越来越多的高校及研究机构正加入到步态识别的研究行列中来。 步态识别研究既要有基于视觉的人体运动分析的背景知识，又要有步态的生 物力学分析、生物特征识别等研究领域的背景知识，需要模式识别、图像处理、 数学等多个学科领域的理论知识，知识综合性较强。与人脸识别、指纹识别等二 维图像的识别不同，步态序列是二维图像序列，数据量大，步态状态变化的数学 建模、特征压缩与提取、分类识别难度比较大，因此基于步态的身份识别是一个 具有挑战性的课题。 1 3 2 主要步态识别方法概述 步态识别在计算机视觉领域的应用，主要有两个方面的工作：其一，从人的 运动模式( 包括行走、跑步等) 中自动检测出步态的特征；其二，对检测的特征 4 湖北工业大学硕士学位论文 进行识别判断人的身份。因此，步态识别方法也主要研究从行人的运动模式中获 取有效的步态特征，然后使用标准的模式分类技术对不同的运动模式进行分类识 别。而困难在于如何在复杂变化的步态视频中检测出可靠的步态特征，得到足够 区分的运动模式。 从计算机视觉的观点来看，步态识别方法可以被分成三类，基于统计的方法， 基于模型的方法，基于融合的方法。基于统计方法是从行人的图像序列中产生时 空统计模式，来获取身体运动特征。基于模型的方法主要是对人体运动( 如腿部 运动) 或者利用人体的静态身体参数( 如骨架图) 进行建模。基于融合的方法主 要是融合人体的静态特征和运动特征，来分析步态的运动。 1 3 2 1 基于统计方法 n i y o g i 等i 1 0 1 最早提出自动步态识别的方法，从行人的时空模式中获取步态特 征。在x t 空间( 平移和时间) ，头和腿的运动有着不同的模式。这些模式被处理 以确定身体运动的封闭轮廓，然后与由五个线棒所组成的模型相匹配。步态特征 从速度归一化后所匹配的模型中获得，然后使用线性插值获取归一化的步态向量。 m u a r s e 等【i i 】描述了一种模板匹配的方法，采用参数化的特征空间表达来减少 计算要求和提高鲁棒性。这种方法首先通过背景图像减除获取人体轮廓，然后使 用主成分分析法从所有行人图像序列中得到1 6 维特征空间，再把输入的经过归一 化的图像序列投影到1 6 维的特征空间，最后通过计算投影后输入图像序列与参考 序列的距离进行分类，这种方法对输入图像的噪音信号有很好的鲁棒性。h u a n g 1 2 】 后来扩展了这种方法，使用正则分析获得了更好区分能力。 h e 和d e b r u n n e t i l 3 】从行人的二值化轮廓计算得到量化的h u 矩向量作为隐马尔 科夫模型h m m ( h i d d e nm a r k o vm o d e l s ) 的输入，进行步态识别。k a l e 掣1 4 】也提 出了一种基于h m m 的步态识别方法，行人的二值化轮廓的宽度向量被选择作为 图像特征，产生低维的f e d ( f r a m et oe x e m p l a rd i s t a n c e ) 向量，使用这些f e d 向量序列来训练连续的h m m 。这种方法对于行人行走的速度变换有理想的鲁棒 性，但其对于衣服的变化和视角的变化相当敏感。 b e n a b d e l k a d e r 等【1 5 】利用行人图像的自相关特性来进行步态识别，对一组从步 态图像序列中获取的，用于训练的自相关图集进行主成分分析，以映射到低维空 间，利用k 近邻法对不同人的运动模式进行分类。这种方法能很好的适应低分辨 率的视频，而且对衣服，光线，分割缺陷有鲁棒性，但对视角有很大的依赖性。 h a y f r o n a c q u a h 等【1 6 】使用广义对称性算子分析人运动的时空对称性。这种方 法的思想来源于心理学家的观点，即步态是个对称性的运动模式。首先通过背景 5 湖北工业大学硕士学位论文 减除法获取轮廓，利用s o b e l 算子获取图像边缘，再使用对称性算子获取对称性映 射，步态特征从对称性映射序列中平均获取，使用傅里叶变换得到幅值和相位信 息，应用k 近邻法进行分类识别。实验结果表明：对称性算子对噪声和丢帧不敏 感，能用于身份识别。 l e e 和g r i m s o n 1 7 】提出了一种新的特征表达方法用来步态识别。将人体的轮廓 分成七个区域，并且拟合成七个椭圆，每个椭圆用质心的两个坐标、长短轴之比、 长轴的方向等4 个特征表示，加上整个轮廓质心的高度共2 9 个特征表示整个人体 侧面图像，通过模板匹配方法进行识别。实验结果表明，该方法在不同时间和光 照情况下，取得了不错的识别率，但对于衣着变化非常的敏感。 另外，还有一些其它的基于统计方法的步态识别。l i t t l e 和b o y d 1 8 l 从行人的 光流信息中获取频率相位特征来识别个体。s h u t l e r 和n i x o n 1 9 使用z e r n i k e 速度矩 作为步态特征进行识别。c o l l i n s 2 0 】提出了基于关键帧人体轮廓匹配的方法。f o s t e r 等【2 1 】提出一种基于面积度量的步态识别方法，从行人轮廓序列的时变信号中，建 立了区域面积变化的函数。b o b i c k 和d a v i s 2 2 】采用运动能量图像m e i ( m o t i o n e n e r g yi m a g e s ) 和运动历史图像m h i ( m o t i o nh i s t o r yi m a g e s ) 来揭示图像序列中 人的运动。h a n 和b h a n u 2 3 1 使用步态能量图像g e l ( g a i te n e r g yi m a g e ) 来表达人 的运动特征，g e l 揭示了轮廓形状的变化和步态的周期性变换。l i e 等【2 4 】提出一种 结合幅值谱和相位谱的步态识别。 显然，基于统计方法的步态识别优势在于其免于建立模型，因此比较容易实 现。但它的缺点在于特征检测本质上基于外观的，因此对影响人体的轮廓变化的 因素比较敏感，特别是摄像机的角度、衣着的变化、不同时间和遮挡情况。 1 3 2 2 基于模型方法 早期，c u n a d o 等f 2 5 】将大腿建模为两个相互链接的钟摆，使用动态霍夫变换从 序列图像中提出表达大腿的直线，最小平方法用来平滑大腿倾斜数据，傅里叶变 换分析用来揭示腿的倾斜变化的频率分量。实验分析得出：相位加权的幅值比仅 使用幅值作为特征有着更好的识别率。这种方法的特征直接与原始图像序列有关， 然而图像都是单一的被分析，没有考虑整个序列。在后面的研究中【2 6 1 ，c u n a d o 建 立了包含腿部的结构分量和时间分量的人体步态模型，用来自动提取特征。 y a m t 2 7 】【2 8 】利用双钟摆模型来描述整个下肢的运动，并且通过建模大腿和小腿 的旋转运动来描述人的行走和奔跑。实验分析表明：双钟摆模型能够用来描述步 态，而且发现跑步含有更多的变化信息，因此比行走更加的有效。 y 的f 2 9 】【3 0 】利用拓扑分析和解剖学知识，提出了一种新的建模、分析和提取步态 6 湖北工业大学硕士学位论文 的方法。骨架图模型近似来表达人体，利用线性回归方法近似估计关节角度及角 速度等参数来描述步态的运动，基于轨迹的运动特征从图像序列中提取来识别行 人。研究结果显示，这种方法不仅可以识别个体还可以跟踪个体的运动，而且与 医学上基于标记的系统相比，这种方法更加适合那些应用领域。 另外，b o b i c k 和j o h n s o n 3 i 】计算身体的高度，躯干的长度，腿的长度，步幅等 静态身体参数进行识别。b e n a b d e l k a d e r 掣3 2 】提出了一种计算步幅的方法，这种方 法对周期性的行走和相近的两步都具有很好鲁棒性。相关的工作f 3 3 】1 3 4 】对于不同视 角的身高参数转化为用两个参数( 正弦信号的幅值和相位) 表示的统一形式。两 个身高参数加上步幅和步频构成一个四维的特征矢量作为步态特征进行分类识 别。t a n a w o n g s u w a n 和b o b i e k t ”】将下半身关节( 臀部，膝盖) 角度轨迹投影到行 走平面进行步态识别。b h a n u 和h a n 3 6 1 提出了一种基于运动学的方法来识别个体， 该方法通过三维运动模型与从图像序列中提取二维轮廓之间的最小平方拟合来估 计三维行走参数，使用遗传算法从估计的参数中提取特征。在后来的扩展工作中 3 7 1 3 引，一种基于贝叶斯( b a y e s i a n b a s e ) 的统计分析被执行用来估计提取特征的 判决能力。z h a o 等【3 9 j 提出一种基于多摄相机的识别方法，局部最优算法用于运动 跟踪，关键部位的长度作为静态参数，下肢运动轨迹作为动态特征，最后，线性 时间归一化用于匹配和识别。 基于模型方法提供了可直接从模型参数中获取步态特征的能力，并且一般都 能处理遮挡和噪声。然而，图像分辨率过低会降低检测的准确性，检测的准确性 不仅要求高精度的摄像机而且在图像序列中能精确的定位和跟踪人体，而这个在 目前的视觉领域中还是个难点，因此，基于模型方法的应用受到很大的限制。 1 3 2 3 基于融合方法 w a n g 等【4 0 】提出一种基于静态和动态的身体特征融合的可视识别算法。对于每 个行走序列，分割出的轮廓随着时间的姿势变化被相应表达为对应序列的复数配 置，利用p r o c r u s t e s 形状分析方法来获得一个外观模型，即静态特征，在 c o n d e n s a t i o n 框架下，进行基于模型的人的跟踪，从跟踪结果中获取人体主要下肢 关节的角度变化轨迹作为动态特征，使用最近标本分类器分别对静态特征和动态 特征进行识别，还使用不同的融合规则，在判决级上融合静态特征和动态特征来 提高系统的识别性能。c u n t o o 4 l 】综合利用多种特征的融合进行步态识别的研究， 包括人体高度与人手臂和腿部运动的融合，人正面视角步态图像与侧面视角图像 的融合。b h a n u 【4 2 】等通过结合运动学和静态特征用于步态识别。b a z i n 和n i x o n t 4 3 】 描述了一种生物特征识别和信息融合的概率框架。 7 湖北y - 业大学硕士学位论文 1 4 本论文的研究内容及章节安排 1 4 1 课题来源 本课题来自湖北省自然科学基金项目( 2 0 0 6 a b a 0 2 7 ) 。 1 4 2 研究内容 步态识别研究主要涉及步态数据的采集、人体运动的检测、步态特征提取表 达与步态识别等几个方面，基于视觉的步态识别系统如图1 2 所示。 识别结果 图1 2 基于视觉的步态识别系统 本文的研究内容主要有： 1 建立自适应的背景模型来提取背景图像，并且详细描述了人体轮廓的提取 过程，并对轮廓特征进行表达作为原始的步态特征。 2 研究了当前主要存在的步态识别方法，针对模式识别中使用的统计分析方 法，提出了两种步态识别算法，分别为基于主成分分析p c a 与线性判别分析l d a 相结合的步态识别算法和基于傅立叶描述子f d s 与b p 神经网络的步态识别算法。 3 创建一个用于评估识别算法效率的步态数据库，并利用v c 抖开发一个步 态识别系统，为论文中使用的算法提供实验平台。 1 4 3 论文章节安排 第1 章，绪论。揭示了本课题的研究目的，并且总结了目前国内外步态识别 方法研究现状，并表明了本文的研究内容。 第2 章，详细地描述了人体步态特征检测方法。通过中值法获取背景图像， 运用背景减除法进行步态检测，结合图像处理技术有效提取步态轮廓，计算轮廓 边沿与轮廓质心的归一化距离，来表达步态的原始特征。 第3 章，提出了种基于主成分分析与线性判决分析相结合的特征空间变换 的步态识别算法。p c a 训练用来降低步态特征空间的维数，l d a 训练用来提高步 8 湖北工业大学硕士学位论文 态特征的可分类性，近邻法和k 近邻法作为分类器进行分类识别。实验结果表明 本文提出的算法要优于文献【删提出的算法。 第4 章，提出了基于傅立叶描述子与b p 神经网络的步态识别算法。周期性分 析用来提取关键帧，对关键帧的轮廓用傅立叶描述子进行表达，设计b p 神经网络 并进行学习，最后通过神经网络进行分类识别。 第5 章，步态识别系统的建立。利用v i s u a lc + + 开发工具，建立了一个算法验 证的实验平台。 第6 章，结论。总结所做的工作及对未来的展望。 9 湖北工业大学硕士学位论文 i ii i _ _ _ l i _ _ _ _ ! l ，笪_ ，! 曼蔓! ! ! 曼! ! ! ! ! ! ! 曼! ! ! ! 曼 2 1 引言 第2 章人体步态特征检测 人体步态特征检测是步态分析的第一步，它本质上属于运动检测。运动检测 的目的是从图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于 目标分类、跟踪和行为理解等后期处理非常重要，因为后期的处理过程仅考虑图 像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、 影子及混乱干扰等影响，使得运动检测成为一项相当困难的工作。 运动目标检测是视频图像跟踪与识别系统中的关键技术问题，主要用于视频 监控、交通流量统计、人体检测与跟踪【4 5 1 ，它通常分为动态背景下和静态背景下 运动目标检测。目前在静态背景条件下的运动目标检测方法有帧差法、光流法和 背景减除法。 2 1 1 帧差法 帧间差分法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间 差分并且阈值化来提取图像中的运动区域，包含相邻两帧差分法和对称差分法。 在图像序列中选取相邻两帧进行减运算，相邻两帧差分法运算式如式( 2 1 ) 所示： 以c x ，y ，爿 c x ，y ，一正一。c x ，y ，l = ：雾茎乏 二：；至： 式中，删、尼l ) 为连续两帧图像，为帧差图像， 经过相邻帧之间的减运算基本能够确定运动目标的区域。 ( 2 - 1 ) t 为二值化图像阈值， 对杯帧爱j 丢也杯为连续二帧图像爱分纭，从图像厅夕i j 甲远弹建绥明二恢图像， 由这三帧图像的差值得到中间运动目标的轮廓，这样能够去除因目标运动而产生 的背景影响，从而得到更准确的目标轮廓，对称差分法的运算过程如下所示： 6 。( 五们：f o 尊量i 五( z ，夕) 一 一l ( x ，y ) i - t l l z z ， 6 。f 五y ) ：j o 冀量i + ( x ，y ) 一以( 石，y ) 峰t 2 ( 2 - 3 ) + i ( 毛y _ ) 21 1 前景i + 。( x ，y ) 一以( 石，y ) i t 2 ， 式中，f g x为选取的第帧图像，k。舭们、所“lk们表示相邻帧差图像差分二值,v) k i o 湖北工业大学硕士学位论文 图，t i 、t 2 为二值化图像阈值。对差分后的b k 1 o 力、+ l ) 差分图进行逻辑与 运算，得到最终的差分图像删，运算过程如下： 一 ：fo苎苎(工y)flbk舢l(训)=o(2-4)dk ( x , y ) 2 l l 前景饥“t ( x , y ) l l b k 肿l ( x ，y ) = 1 帧差法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关 的特征像素点，在运动实体内部容易产生空洞现象。 2 1 2 光流法 光流场法是利用运动目标随时间变化的光流特性，通过计算位移向量光流场 来初始化轮廓，并对其进行运动跟踪，从而有效地提取和跟踪运动目标。其基本 原理是认为同一运动物体引起的光流场应该是连续平滑的，因此可以通过定义光 流场并引入相应的约束，就可以采用迭代的算法实现对运动目标的检测。光流场 法的优点是在摄像机存在运动的情况下也能够检测出独立的运动目标。然而，由 于大多数光流场的计算方法复杂，且抗噪性能较差，没有特殊的硬件装置很难实 现视频流的实时处理。 2 1 3 背景减除法 背景减除法是目前运动分割中最常用的一种方法，它是利用当前图像与背景 图像的差分来检测运动区域，一般能够提供最完全的特征数据，但由于动态场景 的变化，如光照、天气及外来无关事件的干扰等，这种方法特别易受噪声的干扰。 目前，大多数运动目标检测研究人员都致力于开发不同的背景模型和自适应算法， 以减少动态场景变化对于运动分割的影响。如f r i e d m a n 等【4 6 1 利用扩展得e m ( e x p e c t a t i o nm a x i m i z a t i o n ) 算法，为每个像素建立混合高斯分类模型，该模型能 自动更新，并能自适应地为背景、影子和运动目标进行分类，并且在运动目标运 动速度较慢时也能较好地完成运动区域的分割，还可以有效地消除阴影的影响； h a r i t a o g l u 等【4 7 】利用最小、最大强度值和最大时间差分值为场景中每个像素进行统 计建模，并且进行周期性地背景更新；k i l g e r 等【4 8 】采用基于卡尔曼滤波的自适应背 景模型以适应天气和光照的时间变化；m e k e n n a 等【4 9 】利用像素色彩和梯度信息相 结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响；s t a u f f e r 和 g r i m s o n 5 0 】利用自适应的混合高斯背景模型，并且利用在线估计来更新模型，从而 可靠地处理了光照变化、背景混乱运动的干扰等影响。 2 2 步态检测 湖北工业大学硕士学位论文 由于摄像机是背景静止不变的情况下，本文采用背景减除算法来检测行人步 态。一个完整的步态检测包括背景建模与更新、当前图像与背景图像的差分操作、 二值化阈值的选择、后处理与轮廓跟踪等步骤，完整的步态检测过程如图2 1 所 不o 2 2 。1 背景建模 图2 1 步态检测过程 在应用背景减除法进行步态检测中，首先需要获取一个有效