（计算机应用技术专业论文）基于几何参数的步态识别研究.pdf

摘要 摘要 人体步态识别是人体视觉分析的一部分，是近年来计算机视觉领域中备受关 注的前沿方向。步态作为一个独特的生物行为特征，与其它生物特征相比，具有 易感知、非侵犯性、难于伪装等优点。步态识别在人的身份鉴别领域，具有很大 的应用价值和实际意义。 本文介绍了步态识别技术的研究背景、发展过程、研究方向以及步态识别中 采用的不同的研究方法。在此基础上，提出了一种可行的步态分类分析方法：首 先，采用g a b o r 滤波方法提取步态图像的几何特征参数，然后利用加权的动态模 板匹配方法对步态图像序列进行了分类研究。 人体步态所呈现的一些几何特征可作为不同类别步态的分类基础，如两脚之 间的跨度、两腿交叉点到两脚水平基准线的高度以及两腿与人体垂直方向中线的 夹角。为了获取这些感兴趣的几何参数特征，构造了一组g a b o r 核函数用于对被 分析图像序列进行滤波，以便尽可能地消除背景的噪声。对不同核函数滤波后的 图像经过简单的逻辑运算可以得到一幅幅二值图像，然后通过扫描来二值图像来 获取不同的几何参数。 直接地比较几何特征参数，很难实现步态的分类分析，因此在介绍使用h m m 模型对步态分类分析的原理后，重点分析了基于时间弯折的动态模板匹配方法在 步态识别中的应用以及利用动态模板匹配方法实现步态分类的过程。 在对同步态序列中的两步进行采样时，每一步所采集到的图像帧数有可能 不同，即使图像帧数恰好相同，其两个子序列图像所表征的步态状态也不一定一 一对应，但同一人在两步的起止点则匹配得较好。而动态时间弯折( d y n a m i ct i m e w a r p i n g ，d t w ) ，则是指测试特征序列能在时间轴上弯折，如压缩或伸展，以便 能找到与参考特征序列之间的非线性对应，使得在某种准则下误差最小，正好解 决了步态状态不能一一对应问题。 采用改进的动态时间弯折方法，在最近邻准则下，对中科院c a s i a 库中的人 体行走序列进行了训练和检验，识别率能够达到8 5 ，在基于步态几何参数的分 类识别中，效果优于隐马尔可夫模型方法。 关键词步态识别；g a b o r 滤波；l b g 聚类；隐马尔可夫模型；d t w 北京工业大学工学硕士学位论文 曼鼍蔓曼曼曼皇曼曼蔓皇曼曼皇舅鼍曼舅曼曼曼曼曼曼皇曼皇舅量舅曼曼皇皇皇i i , l l l 舅i 曼曼曼曼曼曼曼舅舅量舅曼曼曼鼍曼曼曼曼曼曼 a bs t r a c t g a i tr e c o g n i t i o n ，ab r a n c ho fh u m a nm o t i o n sv i s u a la n a l y s i s ，i st h ec o m p u t e r v i s i o nf r o n tr e s e a r c hf i e l da n dm o r ec o n c e r n e db yr e s e a r c h e r sr e c e n ty e a r s c o m p a r e t oo t h e rb i o l o g i cc h a r a c t e r s ，g a i t ，ap a r t i c u l a rb i o l o g i cf e a t u r e ，i sm o r ep e r c e p t i b l e ， u n t o u c h a b l ea n dm o r ed i f f i c u l tt ob ed i s g u i s e d s og a i tr e c o g n i t i o ni sf e a s i b l ea n d a p p l i c a b l ei fi ti su s et oi d e n t i f yap e r s o nf r o mo t h e r a tb e g i n n i n go ft h i sa r t i c l e ，t h eb a c k g r o u n d ，d e v e l o p m e n t ，r e s e a r c hf i e l da n d a p p r o a c h e so fg a i tr e c o g n i t i o nt e c h n o l o g ya r ei n t r o d u c e d t h e nan o v e la p p r o a c ht o g a i ta n a l y s i sa n dr e c o g n i t i o ni sp r o p o s e d f i r s t ，t h eg a b o rf i l t e r sa r ea p p l i e dt ot h eg a i t i m a g e ss oa st h eg e o m e t r yp a r a m e t e r sc a nb ee x t r a c t e d n e x t ，b e t w e e nr e f e r e n c e dg a i t i m a g e sa n dt e s ti m a g e saw e i g h t e dd y n a m i ct e m p l a t em a t c h i n gp r o c e s si sd o n eb a s e d o nas e to fc h a r a c t e r i s t i cg a i tf e a t u r e si no r d e rt oc l a s s i f ye a c hp e r s o n sg a i tp a t t e r n s o m ei n t u i t i o n i s t i cf e a t u r eo fg a i tc a nb eu s e dt oc l a s s i f yt h ed i f f e r e n tp e r s o n s g a i tp a t t e r n ，f o re x a m p l et h eg a pb e t w e e nt w of e e t ，t h eh e i g h tf r o mg r o u n dt ot h ep o i n t t h a tt w ol e g sc r o s s e d , t h ea n g l e se a c hl e gs w i n gf r o mt h ev e r t i c a lm i d l i n eo fb o d y a n ds oo n i no r d e rt oa c q u i r et h e s eg e o m e t r yp a r a m e t e r s ，f i r s t l yt h eg a b o rf i l t e r sa r e c o n s t r u c t e da n da p p l i e dt oe a c hg a i ti m a g et or e m o v et h ei m a g en o i s e t h e ns o m e s i m p l el o g i co p e r a t i o n sa r ed o n eo nt h e s ef i l t e r e dm a g e sa n dr e s u l tb i n a r yi m a g e s ，a t l a s tt h eb i n a r yi m a g e sa r es c a n n e da n di n t e r e s t e dg e o m e t r yp a r a m e t e r sa r ea c q u i r e d i ti sd i f f i c u l tt oc l a s s i f yg a i tp a a e mb yc o m p a r i n gt h eg e o m e t r yp a r a m e t e r s d i r e c t l y , s oa f t e rav i e wo fh m mu s e di ng a i tr e c o g n i t i o n ，t h en e x tp a r tp l a c e e m p h a s i so nt h ed y n a m i ct e m p l a t em a t c hb a s e do nt h ed y n a m i ct i m ew a r p i n ga n dt h e i m p l e m e n to fg a i tr e c o g n i t i o n i fs a m p l ei nt w od i f f e r e n ts t e p st h a t i nas e r i a lo fg a i t s ，t h es a m p l e dp i c t u r e n u m b e rm a yb en o ts a m e e v e nt h ep i c t u r en u m b e ri ss a m e ，t h ep i c t u r e sc a nn o t p r e s e n tt h es a m eg a i ts t a t eo n e t oo n e ，b u tt h es t a r ta n de n dp i c t u r e ss h o u l dd o w h i l e t h ea p p r o a c ho fd y n a m i ct i m ew a r p i n g ( d t w ) c a r lp r o p e r l ys t r e t c ho rc o m p r e s st h e s e r i a lg a i tt e s tf e a t u r e sa l o n gt i m ea x i st om a k et h ee r r o rt ot h e r e f e r e n c e dg a i ts e r i a l f e a t u r e si sa ss m a l la sp o s s i b l ei nt e r m so far u l e s od t wm e t h o dc a l lu s e dt os o l v e t h ep r o b l e mt h a tc o m p a r i s o nc a n tb em a d ei nt w os e r i a lg a i tf e a t u r e so n eb yo n e s o ，b a s e do nt h es t e pi m a g e si nc a s i al i b r a r y ，t h ea p p r o v e dd t wi su s e dt ot r a i n a n dc l a s s i f yt h ed i f f e r e n tp e r s o n sg a i tp a t t e r n ，t h er e s u l ts h o wt h a tt h er e c o g n i t i o n a c c u r a c yw i l lb eu pt o8 5 s ot h ea p p r o v e dd t w m e t h o di sm o r ev a l i dt h a nh m m i ng a i tr e c o g n i t i o nb a s eo nt h ef e a t u r e st h i sa r t i c l ed e s c r i b e d k e y w o r d sg a i tr e c o g n i t i o n ；g a b o rf i l t e r ；l b gc l u s t e r ；h m m ；d t w i i 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加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，也不包含为获得北京工业大学或其它教育机构 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了谢意。 关于论文使用授权的说明 本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有 权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或 部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：麴缘坌 导师签名：趟隰舻 第1 章绪论 第1 章绪论 1 1 课题研究的目的和意义 1 1 1 引言 2 0 0 1 年2 月，麻省理工学院技术批论曾列出被认为在未来五年将对人 类社会带来革命性影响的十大技术。其中一项就是生物识别技术。 所谓生物特征识别【l 2 】，就是通过计算机将人体固有的生理特征或行为特征收 集并进行处理，来进行个人身份鉴定的技术。生理特征与生俱来，多为先天性的； 行为特征则是习惯使然，多为后天形成。科学家将生理和行为特征统称为生物特 征，常见的生物特征包括指纹、掌纹、虹膜、声音、笔迹等。 步态识别也是生物识别技术的一种。步态是指人们行走时的方式。这是一种 复杂的行为特征。尽管步态不是每个人都不相同，但是它也提供了充足的信息来 识别人的身份。人体步态识别是人体视觉分析的一部分，是近年来计算机视觉领 域中备受关注的前沿方向，它从包含人的图像序列中检测、识别、跟踪人，并对 人的步态进行理解和描述。步态识别是一段行走的视频图像序列，数据获得具有 非侵犯性和可接受性。但是，由于序列图像的数据量较大，且动态场景中运动的 快速分割、人体的非刚性运动、人体自遮挡和目标之间互遮挡因素存在，也为人 的运动分析研究带来了一定的挑战，因此步态识别的计算复杂性比较高，处理起 来也比较困难。 1 1 2 智能监控系统 智能监控系统虽然已经在我们的生活中随处可见：小区安全监控；海关、机 场等港口的安检；银行、商店、停车场的监控以及交通拥挤状况的监控和疏导。 但这些智能监控系统只能称为是半智能的，因为这些系统的主要的工作还是把场 景中图像序列记录下来，当意外事件发生时，为人们的分析提供了一定的依据一 一大部分的分析由专业人员承担。这种监控系统不能及时地发现问题，从而有效 地、及早地预防意外事件的发生，把损失尽可能降到最低。因此，需要监控系统 对实时采集的图像序列及时地分析，找出感兴趣的目标，理解并作出相应的分类。 北京：亡业大学工学硕士学位论文 曼i i i i i l 一i i i i i l 一一 i i 皇曼曼曼皇量寰曼! 曼舅舅鼍曼曼曼量鼍皇毫曼皇皇曼舅舅苎皇皇曼 当然，近距离时，一般可以通过跟踪人脸来加以身份识别，根据特定的需求采取 相应的措施；但如果是远距离的监控，脸的特征可能被隐藏和分辨率太低而不易 识别，然而进入监控领域的人的运动步态是可见的。由于人的步态具有易感知、 非侵犯性、难于伪装等优点，步态识别作为一个独特的生物行为特征应用于人的 身份鉴别，具有很大的实际意义和应用价值。 1 1 3 医学辅助治疗手段 步态分析是又一个应用领域：不同的人走路的步态也不尽相同，同一个人健 康时的步态与患有腿疾或脚疾时的走路姿态或许也有所区别。因此通过检查与分 析人的走路姿态可以帮助医生判断其腿部受伤的情况或者畸形程度，从而做出积 极的整形补偿或有效地治疗。 1 1 4 人体运动细节分析 同样地，通过对获取的体育运动员或舞蹈演员的运动图像序列分析，可以找 出有效、符合运动规律的关节活动，为提高运动水平提供有效地研究手段。 1 1 5 辅助虚拟现实建模 另外通过研究人体步态，可以为人体仿真建模提供基础，应用于三维场景建 模、三维游戏等。 1 2 国内外研究状况及分析 1 2 1 步态识别概述 步态识别属于人体视觉的后期分析，是在运动检测、目标分类以及人体跟踪 基础上更高层次的人体视觉分析。j o h a n s s o n 的实验【3 ，4 1 ，能够从m l d s ( m o v i n g l i g h td i s p l a y ) 展示出的2 一d 图像理解人体运动的事实极大地推动了步态研究的 发展，现在许多游戏动画制作就采用了上述技术。目前对运动目标的研究，存在 两个主要的理论：第一种观点认为人们首先从2 d 图像恢复2 一d 、3 d 结构， 一2 一 第1 章绪论 接着通过3 d 结构信息识别运动着的目标，以这种理论为基础的识别方法称为 s f m ( s t r u c t u r ef r o mm o t i o n ) ，也可称为模型识别；另一种观点，认为可以直接 根据运动模式识别目标，即m o t i o n - b a s e dr e c o g n i t i o n 方法，这里简称为基于运 动模式识别。 在基于s f m 方法的运动识别中，一些身体上的标志点被跟踪，如头部、两 肩、脚的前后、膝部，它们的运动轨迹被记录，然后构造特定的结构模型来实现 目标的跟踪5 刁】，但是长时间地跟踪目标的3 d 结构，对实现系统来说存在很大 的难度和局限性。基于运动模式识别方法，则侧重于人体运动模式，而不考虑目 标的具体结构。基于运动模式的步态识别研究方向也存在两个主要的研究分支： 其一，把运动看作一系列的姿态，再利用各种方式对姿态或目标轮廓进行分析； 其二是直接分析目标运动过程的时空分布。 但不管后期采取什么样的分析方法，步态识别的前期处理过程应该包括：运 动检测、目标分类和人体跟踪。 1 2 2 分类与跟踪分析 目标的分类与跟踪有时是不能截然分开的，往往是动态交叉的过程。对于步 态识别来说，假定目标就是活动的人，且假定人的行走平面平行于摄像机的图像 平面。目前对人体的跟踪分析有以下几个不同的研究方向。 基于活动轮廓的分析 这种方法是在人体目标被从背景图像提取出来以后，整个轮廓被二值化，然 后对二值化的轮廓分析1 1 。在文献 9 中，通过找到轮廓的主轴及水平投影与垂 直投影，然后分析自相似与图像序列的周期性来推测与匹配人体的运动特征。文 献 1 0 】是利用轮廓找到质心，然后计算轮廓中各个象素到质心的距离，按一定的 优化系数找到局部极大点，连接这些极大点，构造出一个星型框架。进一步的分 析可以确定人行走的频度和两脚间的跨度。最近，文【l l 】提出轮廓细分的方法， 旨在提高步态的识别率。基于轮廓的处理，其算法相对简单，但没有使用纹理、 颜色特征，识别率相对较低。 基于运动模式的特征分析 对一个正常、健康的人，他行走是有节奏的，呈现周期的运动模式。因而分 一3 一 北京工业大掌一 学帧士学位论文 析图像间周期性的特征可以揭示人体的运动变化情况。可以计算出目标随时间变 化的自相关特性【1 2 】，从自相关周期性的特征( 周期、幅度) 可以区分人与其它目 标，以及人的不同行走姿态。类似的方法，也可以先以某种算法提取出人体不同 部位的特征，然后构造相应的概率密度函数，最后利用隐马尔可夫统计模型实现 步态的分类 1 3 , 1 4 。 其他方法 基于区域和基于模型的分析方法在目标的分类和跟踪中也经常使用，不过在 步态识别的处理中，只是作为前期处理的手段，目前直接用于步态分析的不多。 在文 1 5 ，1 6 中，使用了基于区域分析的方法，把人体看作由头、躯干、四肢等身 体部分所对应的小区域组成，通过跟踪、计算各个小区域之间的角度或相对位置 来实现人体的跟踪和步态识别。文献 5 采用的方法是，首先获取人体的特征点构 造2 d 模型，再利用几何动力学来跟踪人体的运动。 1 3 本文主要研究内容 本文首先对g a b o r 滤波器进行了分析，在对其分析的基础上构造了一组滤波 器，用于对所分析的步态序列图像进行滤波。滤波后图像进一步经过简单的逻辑 运算，可以得到较好的二值轮廓步态图像。通过与传统的边缘提取方法比较，可 以看出：如果在复杂度相同的背景下，利用g a b o r 滤波器滤波得到的二值步态图 像更能有效地清除背景噪声，为有效地提取步态的特征打下基础。经过对得到的 二值图像进行扫描，提取了人体步态的四个特征参数：两脚间的跨度、两腿交叉 点的高度、前脚与两腿交叉点连线与垂直方向的夹角和后脚与两腿交叉点连线与 垂直方向的夹角。 序列图像的每一幅图像在得到特征参数后，可以构造一个四维的特征向量。 如果把一幅图像所得到的特征向量作为一个样本点，那么一系列人体行走时所处 状态图像的特征向量构成了一个r l 维的特征空间。在此基础上，利用l b g ( 文献 索引) 方法对样本空间进行了聚类，经过这样处理后，人的步态特征就可以用一 系列更具代表性的特征表示。 考虑到隐马尔可夫统计模型可以通过观察到的符号序列，估计隐藏的真实状 态序列，而且一旦隐马尔可夫模型建立，还可以判断某一序列在该模型中出现的 - 4 - 第1 苹绪论 概率。因此本文第三章是基于隐马尔可夫统计模型的步态分类分析：利用隐马尔 可夫统计模型实现，步态的分类，即对每个人建立一个马尔可夫模型，通过计算 观察到序列在模型库中的各个模版出现的概率，找出概率最大的，则认为该序列 属于该模板所对应的人的步态。 有别于隐马尔可夫模型的分类方法，第四章中阐述了基于动态模板匹配理论 的步态分类分析。在动态模板匹配时，动态时间折弯( d t w ) 技术可以很好的解 决步态周期中，表征步态特征的采样点往往不能严格对齐的问题。从而可以有效 的实现步态的识别分类。 按照上面的设计，实现基于本文所描述方法的步态识别系统如图卜1 所示。 无论是训练图像序列还是测试图像序列，首先要经过g a b o r 滤波后，进行特征提 取。然后分别基于统计方法的隐马尔可夫模型和基于动态模板匹配的方法对步态 进行了分类分析。 图l - l 步态识别结构图 f i g u r e l 1t h es t r u c t u r eo fg a i tr e c o g n i t i o n 本文分为五章： 第一章：步态识别的研究背景以及发展状况进行简要的介绍； 第二章：对g a b o r 滤波器进行了分析，并介绍了利用g a b o r 滤波器对人体步 北京工业大学工学硕士学位论文 态进行滤波，进而提取步态的特征，同时对基于g a b o r 滤波器的特 征提取与传统特征提取作了比较： 第三章：基于隐马尔可夫模型的分类方法； 第四章：基于动态模板匹配的分类研究。 第五章：实验结果与分析； 最后结论部分是对本文研究工作的总结。 第2 章基于g a b o r 滤波器的步态特征提取 第2 章基于g a b o r 滤波器的步态特征提取 2 1g a b o r 滤波器简介 据研究，人类的视觉皮层的神经细胞具有局部和方向选择的特性 1 7 , 1 8 】。可以 推定，人类是靠视觉皮层的神经元细胞来获取所看到的对象的局部和方向边缘特 征的。而通过分析可知，g a b o r 函数也同样具有在不同方向上和尺度间滤波的特 性，有研究表明神经细胞的感受野可以用g a b o r 函数来表示。正因为g a b o r 滤 波器具有此优秀的特性，在图像处理中广泛用于特征提取、纹理分析等方面【1 9 抛】。 g a b o r 函数是以高斯函数为包络的波调制函数弘 坍1 。本章就高斯函数的定 义、特性以及本应用中滤波函数的具体形式和滤波结果进行讨论。 2 2g a b o r 函数分析 g a b o r 函数在空间域可以表示成： g ( x ，y ) = s ( x y ) w 舡，y ) 2 2 1 振荡函数解析 ( 2 1 ) 这里的s ( x ，y ) 是复正弦波信号，也就是所谓的载波；而w 舡，y ) 是一2 一d 的 g a u s s i a n 函数，称为包络函数或调制函数。 s ( x ，y ) 可进一步展开为： s ( x ，y ) = e x p ( j ( 2 n ( u ox + v oy ) + p ) ) ( 2 2 ) 其中( n o ，v o ) 和p 分别表示x 和y ：h - 向的空间频率以及正弦信号的初始相 位。公式( 2 2 ) 可以表示为 re(s(x，,yy)：=cos(2(uoxx+voyy)+pp)ims ( xs i n ( 2 ( u o v o ( 2 3 ) (，y ) ) = x + y ) + p ) r e ( s ( x ，y ) ) 代表复函数s ( x ，y ) 的实部，i m ( s ( x ，y ) ) 代表代表复函数s ( x ，y ) 的 虚部。 如果使 t a n _ 弦4 ， f o ：、v 0 2 + u 0 2( 2 5 ) 则 u 02f 。c o s 缈。 ( 2 6 ) v o = f os i n0 3 0 把( 2 6 ) 代入( 2 2 ) 得到 s ( x ，y ) = e x p ( j ( 2 f o ( xc o sc o o + ys i n0 9 0 ) + p ) ) ( 2 7 ) 2 2 2 高斯函数 标准的一维的高斯分布函数可用表达式( 2 8 ) 表示，其中t 均值，仃为方 差。函数曲线如图2 1 。 m ，= 去唧( _ ( 譬) 8 ， 但2 - d 的高斯函数的一般表示形式也可表示为( 2 9 ) - w r ( x ，y ) = k e x p ( 一，r ( a 2x - - x o ) r 2 + 6 2 ( j ，一y 。) r 2 ) ) ( 2 9 ) 其中( x 。，y o ) 式函数的峰值坐标；a 和b 为缩放因子，从( 2 8 ) 可以看出， 随着a , b 的增大，函数值是缩小。这里的r 表示坐标的旋转变换，如果为顺时针 旋转，即有 慨抖一c o s 8 i n 9 s 胎二瑚 弦埘 把( 2 9 ) 中的( x x 。) r 采1 ( y - y 。) r 展开得到( 2 1 0 ) 式 第2 章基于g a b o r 滤波器的步态特征提取 2 d 的高斯函数的幅值在笛尔坐标系下形成了一个包络面，示意图见2 2 。平行 于x 轴或y 轴的平面与此包络面相交线是高斯曲线；而平行与x - y 平面的平面 与此包络面相交的曲线为圆( 衲) 或椭圆( a ! _ b ) 1 - og a u s i 函数 f l ， 、 卜 7| l j | | 7 一 7 k 图2 11 - d 高斯函数曲线 f i g u r e2 - 1c u r v e o f1 - df i g u r e g a u s sf u n c t i o n 图2 - 22 - d 高斯函数曲面 f i g u r e2 - 2f a c eo f 2 一dg a u s sf u n c t i o n 一 2 2 3 卡笛尔坐标系下的复g a b o r 函数 把( 2 2 ) 式和( 2 8 ) 式代入( 2 1 ) 式有 g ( x ，y ) = k e x p ( 听( 口2 ( x - - x 0 ) ，2 + 6 2 ( y 叩) ，2 ) ) ( 2 1 2 ) e x p ( j ( 2 1 r ( u 0x + v 0y ) + p ) ) 在( 2 1 2 ) 中由9 个参数，它们共同作用，决定了g a b o r 函数的属性a 伊 舶 瞄 一心 ；、y y 一 一 y “ + 毋 目 n | ；归 ) x 加 一 k 飞 = i i 川问 一 一 x y 北京工业大学工学硕士学位论文 k ：高斯包络面的幅值变化因子； ( a ，b ) ：高斯包络面在x 和y 轴的缩放因子； 0 ：高斯包络面绕原始坐标轴原点旋转的角度； ( x o ，y 0 ) ：高斯包络面极值的坐标值； ( u 0 ，v o ) ：振荡函数在卡笛尔坐标系中的空间频率； p ：振荡函数的初始相位； 式( 2 1 2 ) 是g a b o r 函数的一般表示形式，式( 2 1 3 ) 是d a u g m a n 在文d 8 】 中提出的用于仿真眼睛细胞简单接受野的g a b o r 函数模型。其中( x ，y ) 是光脉 冲位置坐标，对于本研究实例是被滤波图像的象素坐标；盯是高斯函数的均方 差，它决定了接受野的大小，本文是滤波器作用域的大小：y 称为椭圆率，决定 在x 和y 方向上比率，如果y = 1 ，滤波器作用域在x y 平面上的投影为圆，也 就是它影响滤波器作用域的形状；名是振荡函数的波长，它的倒数是空间滤波频 率。0 是振荡函数波峰和波谷形成的平行带与标准坐标轴x 之间的夹角。至于秒， 是振荡函数的初始相位，如果缈= 0 。或缈= 1 8 0 。，则g a b o r 函数是偶对称函数； 如果够取9 0 。或2 7 0 。，此时g a b o r 函数是奇对称函数。 一小= e x p i 、一等) c o s ( 2 石扣) 二u “ x = x c o s 0 + y s m o y = - x s i n 0 + y c o s o 2 3g a b o r 滤波器对步态图像的滤波 2 3 1g a b o r 滤波器的滤波特性 如果( 2 1 3 ) 中使7 = 1 ，伊= 0 。则有变为： 似小e x v ( 一等) c o s ( 2 万期 x = x c o s o + y s i n o ( 2 1 4 ) y = - x s i n o + y c o s o 由上一节知道，这是一偶对称2 d 的g a b o r 滤波器。进一步变换得到： 第2 蕈基于g a b o r 滤波器的步态特征提取 小e x p ( i x 2 ：尸s ( 2 万鲁) e 冲( - 等) = 厶只。( x ) 五一( y ) 其中， 厶只。( x ) = e x p ( 一互x 盯 2 ：j c 。s ( 2 万鲁) ( 2 一t 6 ， 肋，= 唧( _ 导) 1 7 ， 如果绘出信号厶只口( x ) 和石，口( y ) ，见图2 3 ，可以看出厶只。( x ) 是在x 方向 的带通滤波器：石。仃( y ) 是在y 方向的低通滤波器。由( 2 - 1 4 ) 式决定的2 - d 偶对称 g a b o r 滤波器相当于先在平行于执行伊方向进行低通滤波，然后在垂直与秒方向 = 讲行带通滤波。 1 d g l u 函披 i l 7 、 、 | | 卜r 7 图2 3x 方向1 dg a b o r 函数 f i g u r e2 - 31 一dg a b o r f u n c t i o ni nx d i r e c t i o n 1 - 0 g e b o r 函歙 图2 4 y 方向上的g a u s s 函数 f i g u r e2 - 4g a u s sf u n c t i o ni ny d i r e c t i o n l l 北京工业大学工学硕士学位论文 2 3 2 偶对称g a b o r 滤波器对步态图像的滤波作用 通过观察可以发现，正常人在行走时，两腿相对于人体垂直方向的中线基本 上是对称的，而且两腿之间的夹角一般也不会超过9 0 。，参见图2 5 。基于这样 的事实，同时考虑到2 3 1 节中所述g a b o r 滤波器的滤波特性，那么用方向0 。、3 0 。、 6 0 。、9 0 。、1 2 0 。和1 5 0 。) 的滤波器对步态图像进行滤波，则步态图像在垂直于对 应方向上的纹理信息得到加强，这样应该可以通过选取适当滤波参数，使得步态 图像得到满意的滤波效果。 好的滤波效果，是希望人体受背景噪声干扰较小。对于步态识别来说，最起 码人体的两脚到腰部这一部分受干扰较少。这里应该有个假设，即人的两腿不被 其它物体遮挡，同时图像中两腿的灰度应与背景有所差别这也许是步态识别 的局限性。 图2 5 人体行走时两腿的摆动角度与腿的姿态 f i g u r e2 - 5p o s ea n da n g l eo fm e t w ol e g sw h i l ew a l k i n g 如果把要处理的图像归一化到1 5 0 x 2 4 0 ，则人腿的宽度在1 6 2 6 像素之间， 那么，腿的局部纹理特征不会超过2 6 像素，如图2 5 箭头所指出。在式( 2 1 4 ) 中，取旯= 1 0 像素，即1 1 0 周期像素；高斯函数的均方差仃= 4 ；根据“3 仃” 规则知，人腿边缘的纹理正好不被平滑，而小于此宽度的噪声纹理被滤波器率滤 掉。如果把两腿的灰度图像看成一单元纹理，则人的步态序列可以看作一单元纹 理的在空间不同方向上的变换，如图2 6 ，而利用g a b o r 滤波器对图像纹理分 割和识别具有很大的优势【2 5 - 2 7 1 。 第2 章基于g a b o r 滤波器的步态特征提取 i i 图2 6 人体行走时两腿的空间分布与砖墙的纹理对照 f i g u r e2 - 6c o m p a r i n gb e t w e e nl e g ss p a c ep a t t e r na n db r i c k st e x t u r e 2 3 3 离散的g a b o r 滤波器及计算方法 对图像进行滤波，一般的方法是先构造一个增强模板，然后用增强模板与原 始图像进行卷积运算，得到的结果为滤波后得图像。 若定义k ( m ，z ) 表示滤波前得图像， f i l t e r ( ，l ，刀) 表示滤波后图像，m a s k ( u ，v ) 代表滤波模板，离散卷积可表示为k ( 聊，疗) = k ( 聊，n ) o m a s k ( u ，1 ，) ，m a s k ( u ，v ) 是式( 2 1 5 ) 的离散化： m a s k ( u , d = 唧( - 等m 2 石姜) ( ”，v ) i 僦 - t s l 2 ，硒2 】之间。实际计算时可用下式，即滤波过程可表示 为： f f i t t e r ( 肌，以) = k ( m + “，n + v ) x m a s k ( u ，v ) ( 2 - 1 9 ) 其中嬲表示增强模板的尺寸，本文中四= 3 2 。 在p c 实现时，如果按照( 2 1 9 ) 式进行计算，则运算效率比较低，因为直接进行卷 积运算是非常耗时的。而空域中卷积的f o u r i e r 变换，在频域中则是卷积项f o u r i e r 变换的乘积。由于在本例中，g a b o r 滤波器在 ，v ) 平面的投影为圆，那么它与图 像之间的卷积结果是非线性的，而图像的特征提取需要的是线性的结果【2 8 1 。为此 北京工业大学工学硕士学位论文 蔓皇曼曼曼皇舅曼! 曼曼皇曼曼鼍量曼舅舅舅皇葛皇曼曼曼曼鼍鼍量曼曼曼曼曼曼ii 舅鼍鼍量曼曼舅鲁曼曼鼍鼍寡曼曼曼曼曼曼皇舅舅曼曼曼蔓曼兰堂皇烹曼曼舅 在实验中，将滤波器组和图像都补零至1 1 2 5 6 ，这样可以满足上面的线性要求。在 这种情况下，可以事先算好滤波器组的f o u r i e r 变换结果，对于一幅图像，则只 需要进行1 个f f t ( 对图像) ，6 个乘法( 图像f f t 的结果与滤波器相乘) ，6 个i f f t ( 对相乘结果进行) 。由此，计算复杂度大大减少，实际上相当于二维f f t 的计 算复杂度。最新研究表明，如果用线性迭代的方法计算g a b o r 滤波器的卷积，在 计算复杂度还可以进一步降低，由o ( n 2l 0 9 2 ) 变为o 2 3 4g a b o r 滤波效果与传统方法滤波效果比较 由于g a u s s 函数的局部特性，g a b o r 滤波器实际上是抽取滤波模板中心附近的 特征，可以分析图像局部灰度特征息，充分描述图像的纹理信息。g a b o r 滤波器 中参数仃的不同取值可以描述图像不同尺度上灰度的分布信息。一般说来，大尺 度滤波可以描述全局性较强的信息，同时可以掩盖掉图像中噪声的影响；而小尺 度滤波可以描述比较精细的局部结构，受噪声影响也大。另外，在2 3 1 节中分 析可知，在垂直于振荡函数振荡方向上的滤波响应最大。本实验中使用了六个方 向对灰度图像进行滤波。图2 7 是原始图像：图2 8 是在9 0 度方向上g a b o r 滤波 器的响应的灰度表示以及对原始图像滤波的结果，为了便于观察，把滤波后图像 灰度求发，生成负片；图2 9 是在6 0 度方向上的滤波模板的灰度表示与滤波结果； 为了得到步态图像更加充分的信息，这里把不同角度滤波后的图像信息叠加，然 后二值化。图2 1 0 是得到的二值图像。 图2 - - 7 原始图像 f i g u r e2 7o r i g i n a lg a i t i m a g e 第2 章基于g a b o r 滤波器的步态特征提取 图2 8g a b o r 滤波器9 0 度方向上的响应，滤波后图像的负片 f i g u r e2 - 8r e s p o n s eo f9 0 。g a b o rf i l t e ra n d t h ef i l t e r e dn e g a t i v ei m a g e 图2 9g a b o r 滤波器6 0 度方向上的响应，滤波后图像的负片 f i g u r e2 - 9r e s p o n s eo f6 0 。g a b o rf i l t e ra n dt h ef i l t e r e dn e g a t i v ei m a g e 图2 1 0 滤波结果得到的二值图像 f i g u r e2 1 0b i n a r yi m a g eo ff i l t e r e dg a i ti m a g e 很明显，在图2 9 中，滤波器中振荡波的方向如箭头所指方向，它与水平 一1 5 一 北京工业大学工学硕士学位论文 轴之间的夹角为6 0 。，而由滤波后的图像可以看到，在垂直于振荡波方向的特征 得到加强，也即图像灰度处于波峰的地方得到加强，而处于波谷的灰度得到抑止。 另外，选取合适的滤波参数，主要是仃和旯，可以较好的抑止背景噪声，为 下一步特征抽取提供了可靠的基础。与l a p l a c e 方法及s o b e l 方法【2 9 1 作一下比较， 可以看到明显的效果。图2 1 l ，中的( a ) 是本文的滤波方法的到的二值图像，( b ) 是s o b e l 方法滤波后的二值图像，( c ) 是l a p l a c e 方法滤波后的二值图像。三种方 法中，只有( a ) 把要分析的目标特征比较干净的抽取出来，而其它两种方法则是背 景中的其它目标的边缘一起被加强。 ( a )( b )( c ) 图2 1lg a b o r 滤波方法与s o b e l ，l a p l a c e 滤波方法的比较 f i g u r e2 - 11c o m p a r i n gb e t w e e ns o b e l ，l a p l a c ea n dg a b o rf i l t e r 2 4 步态特征的提取 2 4 1 定量描述步态的几个特征 每个人的行走姿态都有一定的特点：比如说，某人行走的速度比较快，而 行走速度一方面与他的步幅有关，另一方面与是他的步频也有关。也就是说虽然 他的步幅可能不是很大，但他两腿交替的频率较高，这样他的行进速度也还是有 可能比较快。如果令，：为行进频率，g ，为行进中的步幅，那么行进的速度可以 表示为0 ( k = 毋z ) 。这里的岛和z 就可以作为衡量某个人步态特征的参数。 通过观察发现，有的人走路时身体向前倾，而有的人可能还稍微会向后倾一 点。这样的行走习惯，会体现在两腿行走时的姿势中。如果定量的加以描述，每 第2 章基于g a b o r 滤波器的步态特征提取 个人行走时两腿与身体垂直方向的夹角相互之间应该不尽相同；若“前腿”用l f 表示，“后退”m l b 表示，垂直中线用l m 表示，则“前腿 l f 和l m 的夹角为口加， “后腿”l b 和l m 的夹角为。这里所说的前后腿并不特指那条腿，而是按照脚 部是处于身体前还是处于身体后的标准来区分：对具体的某条腿来说，在一步的 周期中，可能前半个周期处于“前腿”l f 状态，而后半个周期处于“后腿”l b 状态。 进一步分析，可以发现，其实每个人行走时腿部都会弯曲，而且弯曲的程度 也不尽相同，尤其是处于后面的那条腿弯曲的程度比较大。这样如果能够有效的 利用腿部的弯曲信息，也可以区分不同人的行走姿态。 考虑到计算的复杂性，本文中分析的步态是人体行走平面平行于摄像机图像 片面人体行走序列。在这个条件下，取“前腿”l f 和l m 的夹角为0 砌，“后腿” l b 和l m 的夹角为，两脚之间的跨度g ，以及两腿交叉点的高度作为步态 分析的特征，见图2 1 2 。 图2 1 2 步态特征参数 f i g u r e2 1 2c h a r a c t e r i s t i cp a r a m e t e ro f g a i t 2 4 2 基于g a b o r 滤波结果的特征抽取 经过g a b o r 滤波，抑止了步态图像大部分的背景噪声，进一步简单的加和运 算，把不同方向的滤波结果合并到一起，最终得到步态图像的二值图像。基于二 值图像的特征抽取，本文采取垂直投影和水平扫描的方法。要确定两脚之间的跨 北京工业大学工学 ：! 臾士学位论文 1 i i i i l l l i 一； i i i i 皇曾曼兰皇皇曼曼寡甍皇曼曼曼曼鼍量皇曼量曼曼曼曼! 曼曼曼曼鼍曼量曼巴皂兰曼曼曼曼量鼍鼍皇! 曼曼 度以及两腿与垂直中线的夹角，一种直观的方法就是确定两脚和两腿交叉点所在 的坐标。因此，首先对滤波后的到的二值图像进行水平扫描，寻找脚部所在的基 线，设此时的纵向坐标为y o ，见