（仪器科学与技术专业论文）采用不变矩的步态识别.pdf

中文摘要 摘要 人脸、指纹、声音和虹膜等生物识别技术的成功应用为身份的准确鉴定，保 证信息安全提供了强有力的手段。但随着社会的发展，这些身份识别手段由于自 身的局限性，已不能满足社会多方面的需要。研究开发新的更为有效、全面的身 份识别方法势在必行，自动步态识别就是身份识别中的又一项新技术。作为第二 代生物识别技术，步态识别具有独特的优势，这些优势弥补了第一代生物识别技 术的不足，值得进行深入和广泛的研究。 围绕步态识别这一主题，本文从如下几方面展开： 针对步态图象序列的特点，提出并实现了一种采用高斯模型的运动目标提 取方法。对每个序列而言，步态轮廓是随时间变化的。分别建立每个象素点灰度 值在时间轴上变化的统计模型，采用假设检验来获取运动目标。这种方法提取的 运动目标效果要优于常用的基于空间的背景消减法。 表征步态的唯一性要综合利用步态的静态和动态信息。根据此目的，提出 一种采用不变矩的步态识别方法。用不变矩描述每帧图象的信息，即静态信息。 为获取动态信息，将由图象序列计算得到的不变矩系数序列用傅利叶级数拟合， 这样就将静态的数值序列有机连接起来。然后计算傅利叶系数的幅度谱构成特征 矢量。 在c m u 步态数据库上进行了详细的实验，包括识别率和性能评估。算法 识别率包括不变矩识别率比较、不同步态类型识别率比较和遮挡性能验证。性能 评估采用累积匹配概率( c m s ) 和接收机操作特性( p o c ) 两个指标，分别从方法的 识别性能和验证性能两方面进行。所有这些实验表明，综合利用步态静态和动态 信息所提取的特征具有良好的识别性能，并对步态识别的遮挡有一定鲁棒性。 关键词：生物识别；步态识别；背景消减；步态特征提取；不变矩；遗传算法 英文摘要 a b s t r a c t m a n y b i o m e t r i er e c o g n i t i o nt e c h n o l o g l e ss u c ha sf a c e 、f i n g e r p r i n t 、v o i c ea n di r i s h a v ef o u n ds u c c e s s f u la p p l i c a t i o na n do f f e r e ds t r o n gm e a n st or e c o g n i z ei d e n t i t i e s e x a c t l ya n dg u a r a n t e ei n f o r m a t i o ns e c u r i t y h o w e v e r , w i t ht h ed e v e l o p m e n to fs o c i e t y , t h e s ei d e n t i f i c a t i o na p p r a o c h e sc a nn o ts a t i s f yt h er e q u r i m e n t sf o rb e i n ge a s i l yd i s g u i s e d a n dd e c e i v e db yc r i m i n a l sd u et ot h e i ro w n b u g s i ti si m p e r a t i v eu n d e rt h es i t u a t i o nt o d e v e l o pa n dr e s e a r c hn e w i d e n t i f i c a t i o nm e t h o d sw i t hm o r ee f f e c t i v e n e s sa n df u l l n e s s t h ea u t o m a t i cr e c o g n i t i o nt e c h n o l o g yi s j u s to n eo f t h e s en e ww a y sb e i n gd e v e l o p e df o r i d e n t i f i c a t i o n t h eg a i tr e c o g n i t i o na so n ec a s ei nt h es e c o n dg e n e r a t i o no fb i o m e t r i c t e c h n o l o g i e sh a si t su n i q u ea d v a n t a g e s ，w h i c hm a ys u p p l yac o m p e n s a t i o no ft h ef i r s t g e n e r a t i o na n db ew o r t h w h i l et of u r t h e rs t u d y c o n c e r n i n gt h et o p i co fg a i tr e c o g n i t i o n ，t h i sp a p e rd i s c u s s e ss e v e r a lt h e m e sa s f o l l o w s ： b a s e do nt h ec h a c t e r s i s t i c so fg a i ts e q u e n c e s ，am e t h o do fe x t r a c t i n gm o v i n g o b j e c ti sp r o p o s e da n di m p l e m e t e db yag a u s sm o d e l t h eg a i ts i l h o u e t t e so fe a c h s e q u e n c ea r ev a r i e dw i t l lt i m e t h em e t h o dc o n s t r u c t sb a c k g r o u n dp i x e ld i s t r i b u t i n g m o d e l sf o ri n d i v i d u a lp i x e l sw i t hr e s p e c tt ot i m e ，a n du s e sh y p o t h e s i st e s tt os e g m e n t m o v i n go b j e c t s t h er e s u l t su s i n gt h i sa p p r o a c ho u t g ot h o s ea d o p t i n gt h em e t h o d sb a s e d o ns p a c e ( 萤t or e p r e s e n te x c l u s i v e n e s so fg a i ta sf a ra sp o s s i b l e ，i ti sn e c e s s a r yt oi n t e g r a t e s t a t i ca n dd y n a m i cc o m p o n e n t s g e t t i n gs t a r t e df r o mt h ei d e ao fi n t e g r a t i o n ，a n a p p r o a c hu s i n gm o m e n ti n v a r i a n t si sp r o p o s e df o rg a i tr e c o g n i t i o n t h em o m e n t i n v a r i a n t sd e s c r i b eb o d ys i l h o u e t t e si ns i n g l ef r a m e s ，w h i c ha r es t a t i cc o m p o n e n t s t o a c q u i r ed y n a m i cc o m p o n e n t s ，t h em o m e n ti n v a r i a n t ss e r i e so fh u m a n ss i l h o u e t t e sa r e r e p r e s e n t e db yt h ef o u r i e rs e r i e s ，t h i sw a y s t a t i cn u m e r i c a lv a l u e sa r eo r g a n i z e dt o g e t e r t h em a g n i t u d e so f t h ef o u r i e rc o e f f i c i e n t sa r eg e n e r a t e da sv e c t o r st oc l a s s i f ys u b j e c t s o nt h ec m ug a i td a t a b a s e ，as e r i e so fe x p e r i m e n t sa r ec o n d u c t e d ，i n c l u d i n g c o r r e c tc l a s s i f i c a t i o nr a t e ( c c r ) a n dp e r f o r m a n c ee v a l u a t i o n t h ec c ri n c l u d e s c o m p a r i s o no fm o m e n ti n v a r i a n t s c c r ，c o m p a r i s o no fc c r o fv a r i a b l et y p e so fg a i t s ， a n dp e r f o r m a n c ee v a l u a t i o no fo c c l u s i o n t h ep e r f o r m a n c ee v a l u a t i o nu s e sc u m u l a t i v e m a t c hs c e r e ( c m s ) a n dr e c i v e ro p e r a t i n gc h a r a c t e r i s t i c ( r o c ) ，w h i c hr e s p e c t i v e l y e v a l u a t ei d e n t i f i c a t i o np e r f o r m a n c ea n dv a l i d a t i o np e r f o r m a n c e a l lt h e s ee x p e r i m e n t s i i i 重庆大学硕士学位论文 s h o wt h a tt h eg a i tf e a t u r eo fi n t e g r a t i n gs t a t i ca n dd y n a m i cc o m p o n e n t sr e s u l t si ng o o d p e r f o r m a n c ea n di sa l s op r o v e dt ob er o b u s tt op a r t i a lo c c l u s i o n k e y w o r d s ：b i o m e t r i c s ；g a i tr e c o g n i t i o n ；b a c k g r o u n ds u b t r a c t i o n ； g a i tf e a t u r ee x t r a c t i o n ；m o m e n ti n v a r i a n t ；g e n e t i ca l g o r i t h m 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n ；t i i 以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得重迭太堂 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。 学位论文作者签名： 吝沦 签字日期：b o 年占月7 - 日 学位论文版权使用授权书 本学位论文作者完全了解重庞太堂有关保留、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 论文被查阅和借阅。本人授权重庞太堂可以将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、汇编学位论文。 保密() ，在年解密后适用本授权书。 本学位论文属于 不保密( v ) 。 ( t f f 只在上述一个括号内打“”) 学位论文作者签名： 秘孚 导师签名： 签字i e ij 胡：。b 年月牛日签字e t 期： 1 导论 l 导论 1 1 生物识别 生物识别，对人类而言并不陌生，在不知不觉中，人类使用生物测量特征识 别他人、动物及各种形状的物体已有数千年的历史，因为人本身就是一个高度智 能化的模式识别系统。路甬祥院士曾说：人类进化只有5 0 0 万年的历史，而生命 进化已经历了3 5 亿年的历史，模仿自然更有无限的潜力和机会。一直以来，人 们都致力于开发具有人类或其它低等动物功能的智能化系统。随着人类的发展和 科学技术的进步，人类已经有能力开发出部分具有生物功能的自动化系统。生物 识别技术正是这众多进步的科学技术之一。 所谓生物识别，就是通过计算机与光学、声学、生物传感器和生物统计学原 理等高科技手段结合，利用人体固有的生理特征和行为特征来进行个人身份鉴 定，从而取代传统钥匙、密码的新兴技术。图1 1 是各种生物特征直观的图像表 示，其中有：( a ) d n a ，( b ) 耳朵，( c ) 人脸，( d ) 脸部温谱图，( c ) 手部温谱图，( d 手脉络，( g ) 指纹，步态，( i ) 手形，( j ) 虹膜，( k ) 掌纹，( 1 ) 视网膜，( m ) 笔迹， ( n ) 声音。它们大致可分为两个类别： 生理特征。它是人体所固有的生理现象，是先天形成的。生理特征的例子 包括耳朵、人脸、掌纹、视网膜和指纹等。比较常用的是人脸和指纹。 行为特征。它是人体后天形成的行为习惯。行为特征的例子包括步态、笔 迹和声音。比较常用的是声音，而步态是新兴的生物特征。 根据这些生物特征开发出来的生物识别技术应用在许多不同的领域，主要有 三类应用：1 ) 商业应用。主要包括计算机网络登录、电子数据安全、电子商务、 因特网访问、自动取款机( a t m ) 、信用卡、物理访问控制、蜂窝电话、掌上电脑 ( p d a ) 、医疗信息管理和远程教育。2 ) 国家政府机关的应用。主要包括身份证管 理、司机驾驶执照管理、社会安全、社会福利收入与支出、边界控制与护照控 制。3 ) 司法应用。主要有尸体鉴别、罪犯身份鉴别、恐怖分子跟踪与鉴别和亲子 鉴定。 指纹、人脸、语音等生物特征识别技术已非常成熟，在商业领域的应用也相 当成功，而新的识别技术还在不断的发展中。每种生物识别技术都有其自身的优 势和劣势，选择何种技术取决于实际的应用。没有一种生物识别技术能满足所有 的需求。换句话说，没有一种生物识别技术是最佳的。具体使用哪种生物识别技 术，既取决于实际应用的操作模式，也与生物测量特征的特点有关。步态识别由 于其独有的优势近年来为人们广泛关注。 重庆大学硕士学位论文 图1 1 一些生物特征示例】 f i g1 1e x a m p l e so f s o m eb i o m e t r i c s 【i 1 2 步态识别 1 2 1 研究背景 步态用于身份识别还是近几年的事，早在这之前，人们已经在多个领域研究 步态的特点和作用。这些领域包括康复工程口, 3 a , 5 , 6 1 、人机工效学 7 , 8 , 9 1 、体育训 练、电脑动画与游戏等，可以将这些领域关于步态的研究归结为人体运动检测的 范畴。在人体运动分析中，首先建立人体的骨架模型，这种模型将人体视为由多 个刚体相连而成的物体，骨架模型的连接点即人体关节点【1 0 】。在运动学分析中， 关节点的坐标十分重要，得到了关节点的坐标就可以求出关节的角度变化情况以 及整个人体或者人体各个环节的运动情况。 医学领域对步态的分析主要是研究处于康复期病人的步态与正常人步态的差 异，从而判断病人的恢复情况。医学领域主要采用标志点算法，即通过在人体关 键运动部位设置标志点，观察标志点随人体运动的变化情况。 人机工效学是研究人、机器及环境之间相互作用的学科，通常指在研究如何 使设计的机械设备系统或人机系统或人机环境系统最大限度地适合人类的形态、 生理和心理特征，以求达到安全、舒适、高效生产和工作的目的。人机工效学对步 态的研究集中于人体各个部分的运动关系，通常采用虚拟现实技术建立人体复杂 的运动模型，并对模型进行运动学和动力学分析，从而指导人们设计更好的系统 以满足人类的需要。 体育训练中，通过分析可以获得人体下肢的运动信息，为运动员的优化训练 2 1 导论 提供依据。电脑动画游戏同样借助于虚拟现实技术建立的人体模型，以达到非常 逼真的运动效果。人机工效学、体育训练及电脑动画等领域的人体运动分析原理 是一致的，都是分析人体各部分之间的运动学和动力学关系。 医学研究病人的步态成份以用于治疗，m u r r a ye ta l 将正常人的标准步态模式 和病人的步态模式比较来得到病人的病变信剧”】。这些研究表明人体步态对每个 对象是唯一的，可用于身份的识别。近年来，人们将步态进行身份识别的研究扩 大到普通人群，简称步态识别，步态研究者们称之为第二代生物特征识别技术。 社会的需要也推动了步态识别的研究。频繁发生的恐怖事件令人防不胜防， 现代科技的发展使恐怖分子掩饰身份和改变面貌特征的能力不断提高，证件、手 纹、相貌随意改变。因此，研究加强开发新的更为有效、更为全面的身份鉴别方 法势在必行，自动步态识别就是身份识别中的又一项新技术。目前已有多家国内 外的大学、科研机构从事这方面的研究。2 0 0 0 年，美国国防高级项目研究署 d a r p a 制定h i d ( 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 ) 计划，美国五角大楼也正拟定 利用步态识别技术进行反恐。国际上的主要研究机构包括英国的南安普敦大学以 及美国的麻省理工学院、卡内基梅隆大学、佐治亚理工学院、马里兰大学等2 6 家高校和公司在h i d 计划驱动下开始步态识别研究。该项目的研究任务就是开发 多模式的、大范围的视觉监控技术以实现远距离情况下人的检测、分类和识别， 从而增强国防、民用等场合免受恐怖袭击的自动保护能力。另外，中国、日本、 加拿大、瑞士等国家的一些高校或研究机构也开始了这方面的探索。 步态识别根据人行走时的方式进行身份识别和验证。第一代生物测量特征如 人脸、声音，指纹和虹膜已经获得普遍成功，但大都有其使用上的限制条件，通 常要求近距离的或者接触性的感知，如指纹需要接触指纹扫描仪、脸像需要近距 离的捕捉以提供足够的分辨率等。在远距离的情况下，这些生物特征将不可能被 使用。但步态作为第二代生物测量特征可以在一定程度上解除第一代生物测量特 征的使用限制，这种生物特征具有如下优点：唯一具备远距离或低分辨率识别 能力【川。远距离时其它生物特征都无法感知。难于隐藏( 1 “。人必须行走，因 而人的步态通常是可见的。另外，个体一般不会故意伪装自己的行走行为。如果 个体故意这样做的话，其行为将会表现得更加奇怪。可以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，从而秘密获取步态信息，也就 是不会侵犯实验对象【l “。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，步态识别的优点引起了广大研究者们的浓厚兴趣。 1 2 2 研究现状 步态识别分析可分为特征提取、特征处理和分类识别三个阶段，国内外关于 步态识别的研究主要集中于步态特征的提取方法。要提取显著的分类能力强的特 重庆大学硕士学位论文 征，需要对步态产生的物理过程有深入的了解。研究者已从医学、心理学、机器 视觉等方面寻找依据。在模式识别中，特征就是模式，是事物的数学模型之一， 是事物的代表，它可以代表某一个体，也可以代表某一类个体。特征提取就是建 立对象的数学模型，用以描述和代替它。 对于步态识别问题，从特征提取的角度，目前的步态识别方法有基于模型和 基于统计的方法【l3 1 。这些方法都遵从模式识别的处理框架。基于模型的方法重点 关注人的运动信息，预先建立先验模型，通过模型和图像序列的匹配获得模型参 数，用这些参数作为步态特征进行分类。基于统计的方法重点关注人运动的静态 信息，先对待研究的对象提出假设，然后用图像序列中目标移动所产生的时空模 式的各类统计值，从步态中提取统计参数，因此，核心是采取适当的方式描述步 态的时空变化模式。基于统计的方法一般不考虑人体的结构，只将人体的二维投 影作为一个复杂形状进行描述。另外，特征的融合，识别结果的融合也是常用的 步态识别方法。 从字面意义理解，步态主要是腿部的运动，蕴含人体的运动信息。实际上， 人们在提取特征时，扩展了步态的含义，还包括人体的身高、身体宽度等重要的 静态信息。因此，步态特征包括两种成份：其一是结构成份，它反映一个人的物 理体形，如身高、肢体长度，称之为静态信息；其二是运动成份，它反映一个人 的运动特性，如腿部的摆动频率、幅度，称之为动态信息。 模型识别方法 在早期的医学研究领域，人们认为步态是一个周期性的运动一行走的过程被 视为一定频率范围内的周期信号。c u n a d o 等人主要考虑人体腿部的运动，将人体 腿部视为相互连接的钟摆，步态就是这种钟摆的周期性摆动，并且这种周期性运 动的频率在一定的频率范围内，腿部钟摆模型如图1 2 【1 4 1 。 ( a ) 图1 2 ( a ) 臀部，( b ) 膝盖的角度1 町 f i g1 2 ( a ) h i p r o t a t i o na n g l e s 。( b ) k n e er o t a t i o na n g l e s 1 4 】 在步态i 虱象序列中，c u n a d o 将大腿近似为一条直线，并利用霍夫变换( h o u g l l 4 1 导论 t r a n s f o r m ) 提取大腿直线或小腿直线，然后计算直线夹角。对于同一条腿，在有 的帧会被遮挡，于是忽略这帧的角度。然后按最小均方误差准则平滑由图像序列 得到的角度数据并填充忽略掉的角度。最后对平滑的角度数据作离散傅利叶变 换，取有限次谐波相位加权的幅度值作为分类的特征矢量。 n a s h 又将人体视为“人”字形，如图1 3 模型【i5 1 。l ，。，) 表示臀部坐标，a 为 两大腿间的夹角，三为模拟腿的线的长度，形为腿的宽度。人的运动可视为腿的 周期性运动，4 的变化具有周期性，可用一正弦函数表示： a = b 。s i n ( c o a g + 九) ，式中，色对应参数变化的幅度，吐和九分别对应参数随 时间变化的频率和初始相位。从而人的步行速度( 交叉点) 也具有同样的变化规 律，可以表示为：v = + 以s i n ( m a m + 丸) ，为常量，对上式积分可得交叉 点x 方向的位置函数： i x = l x t 日+ f + 竺生s i n ( 6 耐+ 九) 一竺立s i n o k ) ( 1 1 ) 03ix(-olx 式中= 。是初始位置的横坐标，是常量速度，是正弦信号的幅度，珂。和 九分别是频率和相位。上式共1 3 个未知参数，即特征矢量为1 3 维。 y x 图1 3n a s h 的人字形模型【1 珂 f i g1 3n a s h sh e r r i n g b o n em o d e l 【1 5 】 在文献0 4 , 1 5 】工作的基础上，d a v i dc u n a d o 等人提出了一种从图象序列整体提 取特征的方法【m 1 。这种方法采用一种新的动态特征提取技术：速度霍夫变换 ( v h t ，v e l o c i t yh o u g ht r a n s f o r m ) t 1 7 1 。v h t 由n a s h 提出，最初应用于图象序列 中刚性运动物体的结构参数和运动参数的提取。c u n a d o 的臀部模型如图1 4 ，图 中c 表示臀部位置坐标，v 。，v ，表示臀部在x 方向和y 方向的运动速度，妒表示 大腿与y 轴的夹角。 重庆大学硕士学位论文 卜 c 图1 4c u n a d o 的臀部模型【1 6 】 f i g1 4m o d e lo f t h i g h 16 】 c u n a d o 的特征提取共分两步： 1 ) 大腿的运动模型。m u a r r y l 2 , 3 1 研究表明， 此，垂直分量v 。可用固定参数表示 v ，( f ) = 圪反映了行走平面的斜率。m u a r r y 研究表明， 弦信号表示，即 骨盆的运动能够保持相对水平，因 ( 1 2 ) 臀部的前向运动速度可以近似为正 k ( f ) = 以+ a c o s ( c o o f + 伊)( 1 3 ) 式中圪表示平均速度，彳表示速度的波动幅度，和伊表示速度变化的频率和初 始相位。对水平和垂直速度积分可以获得水平和垂直位移， 勺( f ) = 即 q ( ，) 一鲁+ ( 9 + a s i n 咖鲁( - o nc o s r ) 瓯i 醵 。 。j 式中口= a e o s t p ，口= a s i n o 。 ( 1 4 ) ( 1 5 ) 2 ) 大腿的结构模型。结构模型就是如图1 4 的臀部模型，由c 点( 表示骨盆或 臀部) ，和通过c 点的呈角度的直线( 代表大腿) 组成，则直线上一点的坐标可表 示为 = c ，o + c ，o ) 一a s i n ( 妒( f ) )( 1 6 ) 0 = c y o + c ，( f ) + 兄c o s ( o ) ) ( 1 7 ) 式中( ，) 为直线上一点的坐标，( c 。c ，。) 代表c 点的初始坐标，a 表示线上任意 点。又庐( f ) 可表示为 6 1 导论 妒( f ) = + 2 瓴s f ) 一吼s i n 似f ) ) ( 1 8 ) t = l 这样参数空间由【c 。c ，优，嘞，钆，qj 组成。 这些方法的优点是步态有遮挡时也可以得到步态参数，对噪声也具有一定的 鲁棒性，而且能提取模型的结构参数和运动参数。这些方法只考虑腿部的运动， 对某些情况是非常有利的，如手部的运动受限时。但这些方法的缺点也是明显 的，其不足之处在于将腿部近似为直线，实际中腿部的形状受裤子形状的影响， 直线拟合误差较大；在二值图象中，需要非常准的定位出腿部的位置然后才能进 行h o t l g h 变换，这一点实际也是非常困难的，位置找得不准就不能提取出比较准 确腿部直线，不准确直线会影响后面的所有步骤。因此，如何有效提取出腿部直 线是这种方法的关键问题。而c u n a d o 等人提取的大腿数据非常好，是因为他们 在实验对象的大腿上做有标记，容易提取大腿直线。另外，e u n a a o 在文献l i6 j 提出 的方法在提取结构参数的同时也提取出运动参数，计算量相当大。 近年，国内也有研究者采用类似的方法。文献【l8 】提取人体腿部的运动信息作 为特征矢量。对每个序列，利用色度偏差法提取运动目标，接着利用边界跟踪算 法获取对象边界。在对象边界图象上，局部使用h o u g h 变换提取检测大腿和小腿 直线，从而得到大腿和小腿的倾斜角。用最小二乘法将一个周期内的倾斜角序列 拟合成5 阶多项式，再用傅利叶级数展开，将展开后的相位与振幅乘积定义为步 态特征矢量，最后在小数据库上( 4 人) 得到约7 9 的识别率。 图1 5 人体骨骼化模型【1 9 】 f i g1 5t h es k e l e t a lm o d e lo f t h eb o d y 1 9 1 苏开娜提出一种骨骼化模型的方法，如图1 5 f 1 9 , 2 0 。首先提取出运动人体的 侧面影像，然后应用人体解剖学中人体各部分占身高的比例作为先验知识建立人 体的骨骼化模型。从模型中提取出人体头、颈、肩、髋、膝( 左右) 、踝( 左右) 等关 键点的位置坐标，并根据这些位置坐标计算出各部分肢体的角度。将8 个关键点 共1 6 个坐标和7 个角度的数据组合成一个2 3 维的特征向量，再用主元分析法降 7 重庆大学硕士学位论文 维得到识别的特征向量集。这种方法得到约8 3 的识别率。该方法的优点是不需 要分割出准确的二值图象，但由于各关键点的纵坐标依赖于身高，那么对于同一 人在图象中的大小不一样会得到不同的位置参数；各关键点横坐标也难以确定， 因此按固定的比例关系确定各部位的位置存在非常大的缺陷，不能真实反映人体 的运动状况，所以以位置坐标作为特征向量在实际中几乎是不可行的。在各关键 点坐标的基础上计算的各肢体角度同样不可用。 l e e 等人提出一种基于外形的步态表达方法【2 l 】。为了削弱微小噪声和分割误 差的影响，l e e 按照一定比例将人体区域分成七各部分，每个部分用一个椭圆逼 近。这七个部分为：，头肩；r 2 ，躯干前部；吩，躯干后部；屹，前大腿； 吩，后大腿；吃，前小腿：吩，后小腿，如图1 6 。 童厘 瞒 曹霆霁 圃图 ( 矗)( b ) 图1 6 ( a ) 目标被分成七个区域，( b ) 椭圆拟合七个区域 f i g1 6 ( a ) t h es e v e nr e g i o n so f t h es i l h o u e t t eo f aw a l k i n gp e q o n ， ( b ) t h ee l l i p s e sf i t t e dt oe a c hr e g i o n 1 每个区域提取四个特征：椭圆质心横纵坐标fi ，歹i 、长轴短轴比，、长轴倾 厂、 斜角a ，区域特征矢量为厂n ) = i 五，多，啦i ，i = 1 ，7 。步态序列图象每帧的 特征矢量为e = 驴“l ，“) ) ，j = l ，l a s t ，l a s t 表示序列最后一帧。再加上 表征上身和下身比例的质心高度h 共同构成每帧的特征矢量 易= 协，“) ，( ，7 ) ) 共2 9 维。 为了计算整个序列s 的特征矢量，l e e 采用了以下两种方法：一是计算区域 特征随时间变化的均值和标准差；二是计算区域特征的平均幅值和相位。按第一 种方法，轮廓的外形特征矢量表示为 = ( m e g ，( h i 】，m e a n b l s t d ，忆) ) ( 1 9 ) 式中m e a n ( ) 为计算序列的均值，j 耐( ) 为计算序列的标准差。s 总共有5 7 维。 对于第二种方法，步态的频谱特征矢量表示为 1 导论 r = 硐，p h a s e ( x , ( f 1 ) ) ( 1 1 0 ) 式中硐和习瑟瓦嗣分别表示第i 个区域特征所有频率的平均幅值和相 位。r 总共5 6 维。 这两种特征矢量经a n o v a ( a n a l y s i so f v a r i a n c e ) 方法降维后用于识别。l e e 用椭圆拟合局部区域的方法对微小噪声具有一定的鲁棒性，因为噪声象素的数目 相对较小，不会引起系统偏差。但这种方法对较大残缺效果较差，同时仅局限于 正侧面视角( f r o n t a l p a r a l l e l ) 。总的来说，l e e 的方法反映了步态的静态特征。 统计识别方法 r o e i od i a zd el e o n 等人用傅利叶描述子表达人体轮廓【2 2 】。首先在复平面，将 人体轮廓( 人体封闭区域的边界) 离散成个点，这些点可表示成长度为的复数 序列 z ( k ) = x ( k ) + 抄( 后) ，k = 0 ，l ，n l ，式中x ( k ) 和y ( k ) 分别为k 点的横纵坐 标。然后对该序列进行离散傅利叶变换( d f t ) ，变换结果即为人体轮廓的傅利叶 描述子。 z ( “) = 吉z ) e x p ( 一j 2 x u k n ) ， ( 1 1 1 ) 式中u = 0 ，1 ，n l 。 r o c i o d i a z d e l e o n 取长序列的前2 0 个和后2 0 个系数构成每幅图象的特征 向量。最后采用6 0 幅训练图象和3 6 幅测试图象进行实验，得到9 7 的识别率。 r o e i od i a zd el e o n 的目的不在人的身份识别，而在于识别人的不同姿势，比如腿 分开和并拢，或区分人和非人的姿势。由于这些姿势具有较大的差异性，所以 r o e i od i a zd el e o n 并未用步态图象序列而是单幅图象就取得较好识别效果。 r o c i od i a zd ei , e o r l 还没有提出用步态进行身份识别的问题，但提出了一种描述人 体轮廓的方法。 t i a ng u a n g j i a ne t4 尸。哪不直接将复数序列仁( 七) ) 进行离散傅利叶变换，而 是先计算距离序列 ，( 七) ，k = 0 , 1 ，n 一1 ) ， ，( 后) = ( 工( 忌) 一k ( 后) ) 2 + ( y ( 七) 一y 。( 七) ) 2 ( 1 1 2 ) 式中( t ，咒) 为当前帧轮廓的质心坐标。然后对 ，( i ) 进行离散傅利叶变换( d f t ) 。 “2 专萎“k ) e x p ( 一j 2 n u k 7 忉( 1 1 3 ) 式中”= 0 , 1 ，n - 1 。 9 重庆大学硕士学位论文 n a n 将人体轮廓的傅利叶描述子表示为厂= 附，剐，即肝识别的特 征向量。文献2 5 1 采用文献傅利叶变换序列的幅度谱作为傅利叶描述子。文献 2 3 2 4 , 2 5 1 的傅利叶描述子的优点在于消除了轮廓平移、起始点变化和反转带来的影 响，这是因为平移、起始点变化和反转只影响傅利叶描述子的相位。傅利叶描述 子描述人体轮廓思路简单，有傅利叶变换作为理论支撑，是一种将二维序列转变 为一维序列的有效方法。 郑小雯等借用通信传输中海明距离的概念，建立图象序列间的相似性度量 【2 6 】。假定 y ) 和1 2 ( x , y ) 分别代表图象1 和2 在位置y ) 的象素值，图象之间 ( 厶( ) ，) & ，2 ( 工，y ) ) & 1 2 8 弘 赢丽瓜丽 ( 1 1 4 ) 上式中，图象，1 和图象，：是二值图象，“& ”表示逻辑运算“与”，“i ”表示逻辑运算 在6 人各自7 各序列的数据库上，郑小雯实验发现，同一人的步态序列相似 性都超过7 0 ，而不同人的步态序列相似性不高于6 9 ，可见用相似性度量构 建特征向量可以区别不同人的身份。 w a n g 等人提出一种简单有效的基于运动轮廓的识别算法【2 7 1 2 8 捌。对于每个序 列，采用一种改进的背景消减算法提取运动目标轮廓，然后将这些时变的二维轮 廓形状转变为一维的距离信号来表达步态运动的时空变化模式，其过程如图1 7 所示。然后通过主元分析法对特征空间进行变换以提取低维步态特征。 ( 工。 z ) ( b 图1 7 轮廓边界解卷绕示意图及归一化的距离信号【2 9 l f i g1 7 ( a ) i l l u s t r a t i o no f b o u n d a r ye x t r a c t i o na n dc o u n t e r c l o c k w i s eu n w r a p p i n g , ( b ) t h en o r m a l i z e dd i s t a n c es i g n a lc o n s i s t i n go f a l ld i s t a n c e s b e t w o ：nt h ec e n t r o i da n dt h ep i x e l so nt h eb o u n d a r y w 1 0 1 导论 w a n g 等人提出的第二种方法是基于p r o c r u s t e s 形状分析的【3 0 ，3 1 1 。其主要思想 是应用统计形状分析法提取步态的特征矢量。设步态序列每帧人体轮廓形状可以 按图1 7 解卷绕，并用复数矢量表示为 z = 眩，z 2 c z k c z _ i i ，i t ( 1 1 5 ) 式中k = 1 , 2 ，m ，气= 以+ 抄。，m 为二维轮廓解卷绕变成一维信号的项数。然 后得到消除均值的矢量u ，u 按式( 1 1 6 ) 计算。 u = ( “i ，甜2 ，“l ，一，“ r 】1 ( 1 1 6 ) 式中= & - z ，；= m 。假设图象序列长度为n ，通过最小化目标函数 t - l ( 1 1 7 ) 计算序列均值矢量。 。”|-911m-fliuiminzi驴all0(117)i=1 0 ( 1 d i - 岛 为得到口，计算如下矩阵的最大特征值对应的特征矢量即为d 。 = 研) ( 研) ( 1 1 8 ) j t l 这种方法对每一个步态序列，按照上述方法计算得到的p r o c r u s t e s 形状就代 表了该序列的特征信号。 n i y o g i 等人较早在时空维里对步态序列进行分析，提出了一种步态轮廓提取 和步态识别的算澍3 2 1 。在时空维( x y t x 、y 分别为横纵坐标，t 为时间轴) 里， 上半身( 不包括手臂) 和下半身有不同的运动模式。在正侧面视角，在x t 平面， 上半身呈带状模式( s t r i p e sp a t t e r n ) ，而下半身呈编织模式( b r a i d sp a t t e r n ) ，如图 1 8 。对这两种模式分别采用h o u g h 变换和s n a k e 模型，可以很好地提取出运动 目标。 图1 8 ( a ) 带状模式( b ) 编织模式 f i g1 8 ( a ) s t r i p e sp a t t e r n ，( b ) b r a i d sp a t t e r n 对运动目标提取边缘后，建立运动目标的“棍形”模型，如图1 9 ，从而提取出 重庆大学硕士学位论文 相应的角度信号。最后采用线性内插得出相对于行人轮廓高度和步行速度作归一 化的步态特征矢量。这种方法被应用在同一天的不同时间得到的5 人、2 6 个序列 的数据库中。依赖于欧氏距离矩阵中的权重因子，识别率从近6 0 到约8 0 。这 种方法并没有使用轮廓数据的上肢信息，且仅限于在正侧面视角下识别。但方法 的优点是能很好地处理遮挡问题。这里只反映了步态的运动特征。 图1 9 棍形模型蚓 f i g1 9 t h es t i c k m o d e l 【”】 s a r k a r 等人提出了一种基于相似度准则的基准算法( b a s e l i n ea l g o r i t h m ) c 3 3 1 。将 m 帧的测试序列( p r o b es e q u e n c e ) 表示为s ，= s e ( 1 ) ，s p ( 肘) ，n 帧的训练序列 ( g a l l e r ys e q u c n c o 表示为s a = s c ( 1 ) ，s c ( ) 。设。是估计的测试序列的步态 周期，因此按周期将测试序列分段，其中第k 段表示为 s 。= s ，( 胁0 。) ，s ，( 他+ 1 ) 0 。) 。首先计算两帧之间的相似度 f r a m e s i m ( s e 蹦朋= 篇等昌端 n 式中i = l ，m ，j = l ，n ，n u m ( d ) 表示区域d 的象素点的数量。 然后计算s 。和& 的相似度 瞥 c o r r ( s m ，& ) ( | f ) = 2 ：f r a m e s i m ( s p ( 七十_ ，) ，s g ( ，+ ，) ) ( 1 2 0 ) 式中f = l ，n 一。口+ l 。 最后计算品和& 的相似度 s i m ( s p ，s g ) = m e d i a n lm a x c d r r ( s p k ，& x f ) i ( 1 2 1 ) t， 式中，m e d i a n 0 为计算中值的函数。 基准算法通过计算帧间相似度来达到计算序列间相似度的目的，利用了步态 的时空相关性，计算十分简单，s a r k a r 等人用这一算法在u s f 数据库上讨论了视 角、鞋子、路面、提箱和时间对步态的影响。这是基于序列中静止姿态的直接匹 配，帧的直接匹配反映了比较粗燥的形状信息，对形状细节和动态信息没有反 1 导论 映。 h u a n g 等人将空间模板、用光流法提取的时间模板( 水平流、垂直流和幅度流) 以及二者组合形成的扩展模板作为特征向量用于步态识别【3 4 1 。为降低向量维数并 优化向量的分类能力，将特征向量经特征空间变换( e s t ) 和规范空间变换( c s t ) ， 分类识别就在变换后的空间进行。h u a n g 等人对三种模板的分类能力进行了对比 实验，结果表明空间模板反映了步态的空间结构，时间模板包含了人的运动信 息，扩展模板兼而有之，因此扩展模板较空间和时间模板都有更好的识别性能。 k a l e 等人提出了一种依赖于角度的识别方法，将运动对象的外轮廓宽度作为 图像特征3 5 1 。对于每一个体的图象序列y = 移i ，一，y r ，选定模板的个数选为 ，模板集可表示为占= k ，p 。 。为了减轻计算量，k a l e 将每个步态周期等分 成份，得到最优