（计算机应用技术专业论文）基于隐马尔科夫模型的步态身份识别.pdf

两华大学硕士学位论文 基于隐马尔科夫模型的步态身份识别 计算机应用技术 研究生吕彦廷指导教师罗晓晖 随着现代社会对安全的迫切需求，近年来生物特征识别技术以其特有的安 全性、稳定性和方便性被广泛地应用于安全、认证等身份鉴别领域。步态识别 作为一种新兴的生物特征识别技术，不同于脸像、指纹及虹膜等生物特征对于 近距离等条件的苛刻要求，步态可以在远距离低分辨率下检测并度量，且难于 伪装和隐藏，没有侵犯性，因此，步态分析在视觉监控、控制、身份鉴定等领 域中起着越来越重要的作用。 当前步态识别的研究正处于起步阶段，它主要是利用人的走路方式来识别 人的身份。本文的主要目的是将视频序列中的步态信息发掘出来，并利用它进 行身份识别。围绕这个主题，展开了如下几个方面的研究： 首先对步态序列进行预处理。本文通过分析和比较常用的运动检测方法， 针对文中使用的步态序列具有背景简单的特点，采用背景减除法实现步态检 测：对步态运动的周期性进行分析，并利用人体侧影的宽度信息计算步态周期。 然后在步态特征提取方面，基于“行走运动的关节角度变化包含着丰富的 个体识别信息 的观点，本文提出一种通过对下肢运动的分析来定位关节点， 进而提取下肢关节角度信息的步态表征办法，同时我们选取手臂区域宽度信息 作为辅助特征；其中对遮挡帧关节点利用卡尔曼滤波进行跟踪定位，关节点的 遮挡问题可以通过关节点跟踪过程中对关节点位置的预测得到解决。 最后对隐马尔可夫模型( h m m ) 进行研究并对应用隐马尔可夫模型的可行 性加以分析，提出一种通过分析人行走过程中不同状态下的下肢关节角度信息 获得关键帧的方法，本文采用将关键帧作为隐马尔可夫模型的状态，每一帧与 曲华人学硕士学位论文 关键帧的距离作为观察值的步态建模方案，实现了基于隐马尔可夫模型的步念 身份识别方法。使用该方法在c a s i a 步念数据库上进行了实验，实验结果验 证了该方法的有效性。 关键词：生物特征，步态，下肢关节角度，卡尔曼滤波，h m m n g a i t b a s e dr e c o g n i t i o no fh u m a n s u s i n gc o n t i n u o u sh i d em a r k o vm o d e l c o m p u t e ra p p l i c a t i o nt e c h n o l o g y m d c a n d i d a t e ：l vy a n t i n g s u p e r v i s o r ：l u ox i a o h u i a sar e s u l to ft h e i n c r e a s i n gd e m a n df o rs e c u r i t yi nm o d e ms o c i e t y b i o m e t r i c st e c h n o l o g yi sw i d e l yu s e di nt h es e c u r i t y ，i d e n t i f i c a t i o na i l do t h e ra r e a s o fc e r t i f i c a t i o nb e c a u s eo fi t ss p e c i a ls e c u r i t y ，s t a b i l i t ya n dc o n v e n i e n c e d i f f e r e n t f r o mt h ef i r s t g e n e r a t i o nb i o l o g i c a lf e a t u r e s ，s u c ha sf a c e ，f i n g e r p r i n t 。i r i s ，w h i c h a r er e s t r i c t e dt oc l o s ed i s t a n c ed e t e c t i o n a san e w b i o m e t r i c s ，g a i tc a nb ed e t e c t e d a n dm e a s u r e du n d e rl o w r e s o l u t i o na tad i s t a n c e a l s og a i ti sh a r dt od i s g u i s e da n d c o n c e a l ，a n di ti sn o n i n v a s i v e ，t h e r e f o r e ，g a i ta n a l y s i sp l a y sa n i m p o r t a n tr o l ei nt h e v i s u a lm o n i t o r i n g ，c o n t r o l ，i d e n t i f i c a t i o n e t c g a i t r e c o g n i t i o nr e s e a r c hi s c u r r e n t l y i ni t s b e g i n n i n g t h et e r mg a i t r e c o g n i t i o ni st y p i c a l l yu s e dt os i g n i f yt h ei d e n t i f i c a t i o no fp e o p l ei n i m a g e s e q u e n c e sb yt h ew a yt h e yw a l k t h eg o a lo ft h i s t h e s i si st o i n v e s t i g a t et h e i n f o r m a t i o nc o n t a i n e di nt h ev i d e o s e q u e n c e so fh u m a ng a i t ，a n dt op e r f o h n p e r s o n a li d e n t i f i c a t i o nb a s e do nt h ei n f o r m a t i o n f o c u s i n go nt h i s t o p i c ，t h i s d i s s e r t a t i o nm 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 ： f i r s t l y ，p r e p r o c e s st h eg a i ts e q u e n c e s a c c o r d i n gt ot h es i m p l eb a c k g r o u n di nt h e g a i ts e q u e n c e sw eu s e d ，w ea n a l y s i sa n dc o m p a r et h eu s u a lm o t i o nd e t e c t i o n a l g o r i t h m s ，a n dt h e nu s eb a c k g r o u n ds u b t r a c t i o nm e t h o dt od e t e c tm o t i o n ：a n a l y z e t h e p e r i o d i c i t yo fl o w e rl i m b sm o v e m e n ta n du s es i l h o u e t t ew i d t hi n f b n n a t i o n t o c o m p u t et h eg a i tc y c l e i l i i nt h ef e a _ t l l r ee x t r a c t i o ns t a g e ，b a s e do na ni n t u i t i v et h o u g h tt h e s u f f i c i e n t i n d i v i d u a li d e n t i t yi n f o r m a t i o n c a l lb er e f l e c t e db yt h ej o i n ta n g l et r a j e c t o r yo fb o d y p a r t sd u r i n gt h ew a l k i n g ，t h i st h e s i sp u t sf o r w a r da n e wg a i tr e p r e s e r f t a t i o nm e t h o d 谢t h o u tm o d e l i n gt h a tw el o c a t ej o i n tp o i n t sa n de x t r a c tj o i n ta n g l ei n f o r m a t i o n t h r o u g ha n g l i c i z i n gt h el o w e rl i m bm o v e m e n t ，a tt h e s a l n et i m ew ee x t r a c tt h e w i d t hi n f o r m a t i o no fu p p e rb o d ya st h e a c c e s s o r i a lf e a t u r e f u r t h e r m o r ew eu s e k a l m a nf i l t e rt o 础t h ej o i n tp o i n t si nt h eo c c l u s i o ns e q u e n c e s ，t h eo c c l u s i o n d r o b l e mc a nb es o l v e db yt h ep o s f f i o np r e d i c t i o ni nt h ep r o c e s so f t h et r a c k i n go f j o i n tp o i n t s l a s t l y w ed o r e s e a r c h e si nt h eh i d d e nm a r k o vm o d e la n da n a l y s e t h e f e a s i b i l i t yo fh m m ，t h e nr e a l i z e a l la 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 n t h eb a s eo fh m m w ep u tf o r w a r dt h em e t h o do fg e t t i n gt h ee x e m p l a rt h r o u g h 孤1 a l y s m gt h ej o i n ta n g l e so f l o w e rl i m b sd u r i n gt h ed i f f e r e n tw a l ks t a t e s ，t h e n h l s t h e s i sa d o p tt h em o d e l l i n gs c h e m e t h a tt h ee x e m p l a r sc a nb ec o n s i d e r e da s a n a l o m l e so fs t a t e so ft h eh m m a 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 sa n dt h e i m a g ef e a t u r e si s u s e da st h eo b s e r v a t i o nv e c t o r t h ee x p e r i m e n t a lr e s u l t ss h o w t h a tt h ep r o p o s e da p p r o a c hi sq u i tr o b u s ta n dh a sah i g hr e c o g n i t i o n r a t ei nc a s i a d a t a b a s e 。 k e yw o r d s ：b i o m e t r i c s ，g a i t ，j o i n ta n g l e so fl o w e rl i m b s ，k a l m a nf i l t e r i n g ， h m m 1 v 西华人学硕十学位论文 8 声明 本人声明所呈交的学位论文是本人在导师的指导下进行的研究工作及取 得的研究成果。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，也不包含为获得西华大学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 在论文中作了明确地说明并表示谢意。 本学位论文成果是本人在西华大学读书期间在导师指导下取得的，论文成 果归西华大学所有，特此声明。 作者签名：卅年r 月2 _ o 同 苣勿匙。 导师签名：厮厂月沙同 狲吁 两华人学硕士学位论文 9 授权书 西华大学 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，同意学校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，西华大学可以将本论文的全部或部 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 印手段保存和汇编本学位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书； 2 、不保密区适用本授权书。 ( 请在以上口内划4 ) 学位论文作者签名：j 圣彦垃 日期：，细7 r 、如 指导狮签名：弘呼 日期：歹r 泸 西华大学硕士学位论文 1 绪论 在当代高度信息化的社会中，一些安全敏感场所存在不断增长的安全监控 需求，即自动识别或验证人的身份。如何有效、快捷、安全地进行人体身份的 识别，已经成为一个重要的研究方向。生物特征识别技术是近年来发展起来的 一门高新技术，与传统的基于知识( 如口令) 或持有物( 如密码卡、证件和钥匙) 的认证方法相比，生物特征识别技术具有更好的安全性和准确性，并能够克服 传统认证方法中所伴随的密钥易被遗忘、丢失、篡改、盗用等问题。生物特征 识别技术已经成为身份识别领域研究的热点。 1 1 生物特征识别技术 生物特征识别技术【l 】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。生物特征被定义为 j a i n ，1 9 9 9 】： “ap h y s i o l o g i c a lo rb e h a v i o u r a lc h a r a c t e r i s t i cw h i c hc a nb eu s e dt oi d e n t i f ya n d v e r i f yt h ei d e n t i t yo fa ni n d i v i d u a l ”( 一种用来识别和验证个体身份的生理或行 为特征) 。由于其通用性和唯一性，在身份识别中起到了越来越重要的作用。 生物特征分为两种：生理特征和行为特征。生理特征与生俱来，是先天的，如 人脸、指纹、手型、掌纹、耳型、d n a 、虹膜、视网膜、骨架等；行为特征 则是习惯使然，是后天形成的，如笔迹、步态、击键的节奏、说话的声音等。 目前没有一种生物识别技术是完美而且有效的，指纹识别的可靠性比较 高，但需要实际的物理接触；人脸与虹膜识别不需要物理接触，但对特征信息 采集环境的限制较多；大多数的人脸识别技术只能够识别人的正面图像，而虹 膜识别技术的识别距离一般不会超过5 米。而且，在具体应用中还需要考虑到 识别方案的可行性。例如，指纹识别和虹膜识别在准确性和速度上都优于声纹 识别，但在电话银行中，声纹识别却是一个好的选择，因为它能很好的集成到 现有的电话系统之中。 由于生理特征识别的这些局限性，近年来行为特征识别技术日益受到重 视，其中步态特征识别更是具有易于采集、难以隐藏、可远距离识别等优点， 西华大学硕士学位论文 这使得步态识别技术在远距离视觉智能监控等方面具有潜在的应用价值。 1 2 步态识别概述 步态【6 ( g a i t ) 在英语中的定义为：“ap a r t i c u l a rw a yo rm a n l i e ro f w a l k i n g o r f o r w a r dm o t i o no nf o o t ”( 足部运动的特定方式与样式) 。早期的医学研究表明 【2 吲，人的步态中有2 4 种不同的成分，如果把这2 4 种成分都考虑到，则步态 是为个体所特有的。在j o h a n s s o n 早期的物理心理学试验中受试者能够仅仅通 过观察附着在运动中人的几个关节上的灯泡的运动轨迹( m l d ，m o v i n gl i g h t d i s p l a y ) 识别运动的类型【4 j 。后来的实验表明，人的身份、人的性别都能够通过 这种m l d 实验识别出来【5 】。近年来，步态分析这一跨学科领域的研究成果进 一步说明了在步态视频序列中含有人的身份信息。从生物力学的角度来看，人 的步态包含身体上百肌肉和关节的综合运动。这些运动对所有人来说都遵从基 本的双足模式，然而不同的人其运动又有差异，例如相对时序和幅度的不同。 这些差异是整个肌肉和骨架( 身体的重量、肢体的长度、骨骼的结构) 的函数。 因为结构难以复制，所以步态被认为是个体所特有的。以上领域的研究是步态 作为一种生物认证技术的科学依据。然而，使用步态作为生物特征用于人体身 份识别则是近些年来模式识别和计算机视觉中相对较新的研究领域。 近几年，随着计算机视觉技术的研究和发展，利用计算机视觉技术来分析 和识别人的步态成为可能。同时人们对社会安全的要求越来越高，需要一种方 法方便快速识别人的身份，步态识别作为一种新的安全保卫手段得到重视。相 对于其它的生物特征识别，步态识别具有自身的特点和优势。如非接触性、难 以隐藏和伪装、易于采集、可远距离感知等优点【7 1 。 非侵犯性、非接触性人行走的步态能够被秘密获取，而被观察对象并 不知道正在被观察和分析。在信息收集阶段，步态不像指纹和虹膜识别那样需 要用户的密切协作，接触指纹仪、注视虹膜采集器等。 难以隐藏和伪装如银行抢劫犯通常会带上头盔、面罩、眼睛和手套， 此时人脸和指纹等其它生物特征无法发挥作用。然而人必须行走，因此人的步 态通常是可见的。同时人一般不会故意伪装自己的行走行为。如果这样的话， 西华大学硕士学位论文 那么他的奇怪行为在视觉监控中将表现的更加可疑。 易于采集步态识别不要求所捕捉的图像必须要有非常高的质量，相比 之下其它生物特征识别技术通常在分辨率低或者图像模糊的时候无法进行识 别。 远距离识别指纹和脸像等生物特征通常需要近距离或者接触性的感 知，而步态完全可以远距离的捕捉，因此它提供了在远距离情况下识别人的可 能。 当然，与其它生物特征一样，步态特征自身也有一定的局限性，它易受衣 着( 如不同季节时同一个的步态差异较大) ，心情( 如心情愉悦时步态表现为 轻快，心情郁闷时步态表现为沉重) ，身体变化( 如怀孕、受伤等都会影响个 体的步态特征) 和刺激物( 如喝醉时的步态与正常时有明显不同) 等影响。同 时，由于步态是一种时空变化的运动模式，其处理对象是视频序列，因此计算 复杂度也相应较高，然而这些都毫不影响人们对步态识别的关注与兴趣，以满 足人们对日益增长的远距离、大范围智能视频、监控系统的迫切需求。 1 3 步态识别技术的应用前景和研究动态 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、敏感的公共场合监控和高级社区保安监控等等。步 态识别技术与通常依赖于人体近距离或接触性的第一代身份识别技术如指纹、 虹膜、掌形等不同，是利用人的步行姿势和习惯动作特征进行身份识别。一个 人走路的姿态最易于秘密地远距离捕获，识别过程不需要被监测人的配合，不 需接触识别设备，被监测人被进行身份识别而不自知。因此，步态识别技术被 认为是目前最先进的身份识别技术之一，非常适用于预防恐怖事件发生，可运 用于机场、政府要害部门等重要场所的安全监测。“9 1 1 ”事件发生后，该技 术被应用在机场的安全监测中，用来确认登机旅客的身份，发现已知恐怖分子 的行踪，掌握有关嫌疑人员的活动规律，防止恐怖事件的发生。步态识别技术 的使用，将增强人们对重要场所的安全监测能力，有助于人们防御来自恐怖分 子的袭击。虽然步态识别技术的效果在目前还不尽如人意，系统的准确率不够 西华大学硕士学位论文 高，而且成本较高，但这项技术有着美好的应用前景。 目前，利用步态作为一种生物识别特征在计算机视觉及模式识别领域中还 是一个新的研究课题。此课题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 多个学科领域的理论知识，知识综合性较强。因此基于步态的身份识别是一个 具有挑战性的课题。 尽管步态识别是一个新的研究领域，近年来己引起了各国学术科研机构的 重视，并涌现出一些尝试性的工作。美国高级研究项目署d a r p a 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 ) ，它的任务就 是开发多模式的监控技术以实现远距离情况下人的检测、分类和识别。马里兰 大学( u m l ) 、南安普顿大学( s o t o n ) 、麻省理工大学( m i t ) 等著名大学和科研机 构相继开始进行基于计算机视觉和步态识别方法的研究。马里兰大学的 c b e n a b d e l k a d e r 等【6 】用步态序列自相关图( s s p ) 来提取步态特征；南安普顿大 学的j p f o s t e r 等【7 】提出采用区域测量的方法来解决步态识别的问题。一些步 态识别方面的论文开始在c v p r 、i c c v 、i c p r 、以及i e e et r a n s a c t i o n s 系列 等重要国际会议和期刊上陆续发表，这更加带动了步态识别的研究。目前对步 态识别的研究具有逐年明显递增的趋势。 我国关于步态识别的研究起步较晚，近两年一些大学和科研机构在步态识 别方面取得令人鼓舞的成果，其中居于领军地位的是由谭铁牛所领导的中科院 自动化所，该所创建了一定规模的步态评估数据库c a s i a 【8 】王亮和胡卫明 提出了基于统计主元分析的方法【9 j ，其研究文章被国外的许多研究机构所引 用。 虽然近年对步态识别的研究非常多，但是与其它一些比较成熟的生物特征 识别技术相比，步态识别的研究目前还面临很多问题。首先，与其它识别技术 不同，用于步态识别的视频可能是从比较远的位置拍摄的，这样造成步态视频 图像的质量比较低。如果拍摄时的背景比较复杂，从中提取出的运动对象的质 量会进一步降低。其次，视频拍摄的人体通常会有一些变形。比如在拍摄角度 变化，衣着变化，是否挎着包或有其它随身携带物品等情况下都会造成拍摄人 体形状的变化，也可能会对行人走路的姿态造成部分遮挡。最后，入走路的姿 4 两华大学硕十学位论文 态并不足很稳定的。比如情绪的变化，鞋子或路面的变化，年龄的变化，身体 的伤病等都会给人的走路姿态带来一定的影响。以上这些问题使得步态识别的 准确性和健壮性相比指纹识别和人脸识别等第一代生物特征识别技术还有一 些差距。 1 4 步态识别的理论与方法 基于步态的身份识别涉及到人的步态运动分割与步卷检测、步态特征提取 和步态行为识别三个主要步骤，其系统如图11 所示。首先，摄像机采集步态 序列；然后，系统读入步态序列，对步态序列中的行人进行运动检测与跟踪： 接着，提取步态特征；最后将步态特征与系统中已有的步态特征库进行比较， 进行身份识别。如果发现有可疑人员( 罪犯、犯罪嫌疑人、恐怖分子等) 或无权 进入监控领域者，系统向相关保卫人员报警。f 面针对步态识别过程中的各个 环节以及其中的方法、算法分别进行概述。 留圈哩咽 f i g1 ib l o c kd i a g r a mo f g a i tr e c o g n i t i o n 幽1 1 步态识别流程| 兰| 西华大学硕士学位论文 1 4 1 步态检测 步态检测是步态分析的第一步，本质上属于运动检测。运动检测的目的是 从序列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、特征提取、特征表达与最后的识别等后期处理是非常重要的，因为以 后的处理过程仅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、影子及混乱干扰等的影响，使得运动检测成为一项 相当困难的工作。现有的运动检测算法大体可分为如下三类【l o 】： ( 1 ) 背景减除d 列( b a c k g r o u n ds u b t r a c t i o n ) ：背景减除方法是目前运动分 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出运动区 域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化， 如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是时间平均图 像，大部分的研究人员目前都致力于开发不同的背景模型，以期减少动态场景 变化对于运动分割的影响。例如h a r i t a o g l u 1 l 】等利用最小、最大强度值和最大 时域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； m c k e n n a l l 2 j 等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。 ( 2 ) 时域差分【l 列( t e m p o r a ld i f f e r e n c e ) ：时域差分方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域差分并且阈值化来提取出图像 中的运动区域。时域差分法的优点是鲁棒性较好，能够适应各种动态环境，其 缺点是只能提取出边界点，而不能提取出对象的完整区城。另外，当运动对象 速度缓慢时，则可能检测不到，而运动对象速度过快时，将把部分背景也检测 为运动对象。 ( 3 ) 光流法【1 4 1 ( o p t i c a lf 1 0 w ) ：光流给出了一种运动描述，对运动物体而言， 随着物体的运动，其光流场将发生相应变化。基于光流方法的运动检测正是利 用这一原理来进行运动检测的。光流法的优点是当摄像机运动( 摄像机抖动或 发生位移) 时也能检测出独立的运动目标。然而，大多数的光流计算方法相当 复杂，且抗噪性能较差。如果没有特殊的硬件装置则不能被应用于全帧视频流 的实时处理。 6 西华大学硕士学位论文 1 4 2 步态表征 步态表征( g a i tr e p r e s e n t a t i o n ) ，就是采取某种表示方法表示检测出的步态 和数据库中的已知步态，又称为步态特征提取。步态包含两类分量：结构化分 量( s t r u c t u r a lc o m p o n e n t ) 矛i 动态分- 量( d y n a m i c a lc o m p o n e m ) 。结构化分量捕捉 行人的身体形状信息，如身高、肢体长度、步幅等；动态分量捕捉人休行走期 间的运动特性，如行人摇摆胳膊、臀部、腿的方式等。根据上述两种分量，从 特征提取的角度，目前步态识别方法可以分为两大类：基于结构( s t r u c t u r e ) 模 型( m o d e l b a s e d ) 的方法和基于非结构( n o n s t r u c t u r e ) 运动( m o t i o n b a s e d ) i 拘方 法。 1 基于模型的识别方法 基于模型的识别方法的主要特点是，需要事先对运动人体进行建模。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。现 有的运动人体模型主要包括：椭圆模型、梯形模型、人字模型、钟摆模型等。 ( 1 ) 在基于模型的方法中，较为典型的是l e e 1 5 】提出的七椭圆人体模型，l e e 依据质心比例关系将人体分成7 个部分，用椭圆对每一部分建模，以椭圆的质 心、离心率等参数作为反映人体步态的特征参数，如图1 2 ( a ) 所示。 f i g 1 2 ( a ) e l l i p s e sf i t t e do f e a c hr e g i o n 图1 2 ( a ) 每个区域的椭圆逼近 f i g 1 2 ( b ) s e v e nr e g i o n so faw a l k i n gp e r s o n 图1 2 ( b ) 人体轮廓的7 个区域 椭圆i 的参数的向量描述： z = ( i ，一y i ，毛，a 州，1 i 7 ( 1 1 ) 其中：( i ，万) 表示椭圆i 中心的位置，砖表示椭圆长短轴之比，a ，表示椭圆长 7 西华大学硕士学位论文 轴方向，z i 式表示椭圆长轴长度。 人体模型参数的向量描述： f = ( x , y ，彳，五，z ，丘，石，以，工 ( 1 2 ) 其中：( x ，y ) 表示人体辱心，( z ，z ，z ，z ，z ，) 表示七个椭圆的相关参数。 可以看出，这种人体模型表示简单，易于实现，且对于由于前景对象分割 而产生的噪声有一定的鲁棒性。该外观模型对人体进行了详细的适当分区，从 而能较准确地描述出人体的当前姿势，可完成对人体姿势的重构，将上述模型 参数作为特证向量，完成基于步态的身份识别。 ( 2 ) j o l h l s o n 【1 6 】等人提出了一种简化的人体躯干模型，该模型没有直接利用 运动过程中的角度变化信息。如图1 3 所示，该模型包含4 个重要参数：d l ( 剪 影的高度) 、d 2 ( 图像中头部和骨盆之间的距离) 、d 3 ( 骨盆到左脚和右脚的最大 距离) 、d 4 ( 左脚与右脚的最大距离) 。这些距离组成了一个4 维特征矢量 形= ( 西，吐，以，吐) 。这4 个参数虽然是静态参数，但却是由运动产生的，所以 它可以同时反映步态的动态和静态两种成分。 1 - f i g 1 3t h es t a t i cb o d yp a r a m e t e r s ：w = d 1 ，d 2 ，d 3 ，d 4 图1 3 人体静态特征参数 ( 3 ) 与人字模型有些相似的是，c u n a d o 和n i x o n 1 7 - 1 8 1 等人进一步提出了基 于钟摆模型的特征提取、分析方法，是基于腿部特征抽取步态时变参数的模型。 用位移函数e ( f ) 和c y ( f ) 表示大腿的移动，倾角( ，) 表示大腿的旋转。c u n a d o 将大腿建模为一根移动的线条，其参数为骨盆起始位置的x 坐标和y 坐标、它移 动的速度以及臀部的旋转。使用速度哈夫变换( v e l o c i t yh o u g ht r a n s f o r m ) 为这 西华大学硕士学位论文 根移动线条的未知参数创建一个累积空间，在这个空间中包含臀部旋转的傅立 叶级数参数。沿着每一帧图像序列中的大腿部位的边界点收集所需要的证据。 如图1 4 所示。 t 圪 f i g 1 4 c u n a d o sp e n d u l u mm o d e l 图1 4c u n a d o 的钟摆模型 v h t 方法的优点在于可以得到遮挡时刻的步态参数。其缺点在于必须首 先在二值图象中准确地定位出腿部的位置，方可进行h o u g h 变换，否则识别结 果会大受影响；而当运动人体与背景的灰度比较接近、背景比较复杂或出现遮 挡情形时，是很难对腿部进行准确定位的。 ( 4 ) n a s h l l 9 】等人则结合步态信号的周期性特点，建立了基于大腿方向变化 的人字模型，如图1 5 所示：，表示交叉点的x 轴坐标，表示交叉点的y 轴坐 标；a 表示两条交叉线的夹角度量值；l 表示支线的长度；w 表示支线宽度。 y x f i g 1 5n a s h sh e r r i n g b o n em o d e l 图1 5n a s h 的人字模型 西华大学硕士学位论文 总之，基于模型的方法的优点是模型在某种程度上能减小遮挡和噪声的影 响，并且可直接从模型参数中获取步态特征。但是，基于结构的方法要求人与 摄像机之间的距离不能太远，否则图像分辨率过低，通过图像构建的模型精确 度下降，识别率会大大降低。而且，由于在二维空间中准确跟踪和定位人体是 计算机视觉领域的一大难题，因此基于模型的方法的有效性在运动建模和参数 提取方面仍具有相当的局限性。此外，基于模型的方法的计算代价也是很高的。 2 基于统计的识别方法 我们通常认为步态模式上的变化可由图像序列中变化的像素点来描述，基 于这种考虑，基于统计的步态分析方法是可行的。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。通常我们可将基于统计的 步态识别方法分为两类：状态空间法和模板匹配法。 ( 1 ) w a n g 2 0 - 2 1 】等人提出根据人体轮廓时变信息进行步态识别。为了去除信 息的冗余度及减少计算复杂度，将时变的2 维轮廓形状转换为对应的1 维距离信 号来近似表达步态的时空变化模式，其过程如图1 6 所示。以质心为原点，按 照逆时针的顺序依次将步态轮廓图展开，将每一点到质一i i , 的距离形成距离向 量。使用这些距离向量作为特征进行识别。 展 距离 质心 f i g 1 6i l l u s t r a t i o no fb 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 图1 6 轮廓边界提取及沿轮廓反方向展开图 西华大学硕士学位论文 上述方法的识别率强烈依赖于提取出来的轮廓外形，因此对运动人体分割 质量的要求较高；对背景和光照信号的变化较为敏感，也容易受遮挡问题的影 响；更为主要的是，上述方法主要关注点仍然放在人体的静态特征信息上，没 有从本质上去揭示运动的本质特征。 ( 2 ) c o l l i n s t 2 2 】等人提出了基于模板剪影的模板匹配法。对于每个序列，用步 态周期分析方法提取关键帧。每一个步态周期有4 个关键帧模板，代表每一个 步态周期的4 个典型状态。若如b 分别是探测集和档案基集两个待比较的模板， 贝, l j a ，b 2 _ 间的匹配度是： 纠= 划。 然后把得到的一个步态周期中的4 个模板的相似度复合成一个相似度。最好 的匹配就是在一个步态周期里对于4 个相邻关键帧有最大复合相似度的匹配。 这种方法的优点是实施起来比较简单，有一定的抗噪能力，进行识别时仅需一 个步幅长度的步态序列。该方法的缺点是，只能在大致相同的视角下进行识别， 并要求步幅变化范围较小；另外，4 个相邻关键帧所包含的信息毕竟有限，难 以应对大规模步态数据库下的识别需求。 ( 3 ) h a y f r o n a c q u a h 等j k i 2 3 j 提出了一种利用推广的对称算子分析人行走的 对称性，以达到识别的目的。该方法用s o b e l 算子提取行人的边缘，由对称算 子计算边缘上点的对称映射，由所有的对称映射平均得到步态信号。这种方法 源于心理学的感知规律，认为步态势一个对称的运动模式。其优点是容许空域 数据的丢失、丢帧和一定程度的噪声。 总的来说，基于模型和基于统计的识别方法均有一定的适用性，但同时也 各自存在一些难以回避的缺点。其中，基于模型的步态识别方法则将整个步态 序列的每帧单独看待，。损失了步态周期的有机整体性；而基于统计的步态识别 方法对背景和光照信号的变化敏感，一旦场景中出现遮挡现象识别能力将受到 较大影响。 1 4 3 步态识别 步态识另l j ( g a i ti d e n t i f i c a t i o n ) ，就是将待识别的步态与数据库中的相关信息 西华大学硕士学位论文 进行匹配，通过一定的判别依据决定它所属的类别。这个过程要选择适当的步 态表征方式与匹配策略。整个识别系统的构造与步态的表征方式密切相关。 分类器的选择是一个比较困难的问题，在实际应用中，这通常是基于使用 者恰好能够得到哪种分类器，或者哪种分类器对于使用者来说最为熟悉。分类 器及其参数的选择和分类器的融合策略这两个方面在决策中是较为重要的。对 步态特征数据进行模式识别和分类，采用的方法包括k 近邻法、隐马尔可夫模 型、支持相量机、贝叶斯网络和b p 神经网络。 1 5 论文内容安排 以智能视觉监控为背景、以运动中的人为监控目标，我们进行了基于步态 的人体运动分析的相关研究。研究中涉及到人的检测、步态特征提取、步态识 别等关键步骤。论文各个章节安排如下： 第一章主要介绍生物识别技术和步态识别的背景及应用；介绍步态识别的 主要研究内容、国内外研究现状和步态识别的相关研究方法。 第二章详细介绍隐马尔科夫的概念，基本算法及h m m 在步态识别中的可 行性。 第三章对步态图像序列进行预处理，包括背景建模、差分及二值化、形态 学处理等，并利用人体侧影的宽度信息计算步态周期。 第四章介绍了基于h m m 的步态识别算法，提出了一种结合下肢关节角度 信息和上身宽度信息的步态特征提取算法，并运用卡尔曼滤波预测遮挡帧的关 节点信息。本文提出一种根据下肢关节角度信息来获得关键帧的方法，采用将 关键帧作为隐马尔可夫模型的状态，每一帧与关键帧的距离作为观察值的步态 建模方案，然后应用h m m 于步态分类及识别。 第五章总结和展望，这一章对全文的工作做了总结，指出目前存在的难 点问题，对未来的工作进行了展望。 1 2 西华大学硕士学位论文 2 隐马尔可夫模型( h m m ) 隐马尔可夫模型( h i d d e nm a r k o vm o d e l s ，h m m ) 1 2 6 】【2 7 1 【2 8 1 作为一种时间 序列信号的统计分析模型创立于7 0 年代，8 0 年代中期，由于b e l l 实验室的 r a b i n e r 等人对h m m 理论的详细介绍以及成功用于孤立词识别的报道，使得 h m m 成为各国从事语音处理的研究人员共同关注的一个焦点，迄今为止， h m m 仍然是语音识别领域中的主流方法。h m m 对变化模式处理的灵活性也使 得图像处理和文字识别工作者倍受鼓舞，已经有学者将h m m 运用到图像识别 处理如人脸图像的识别和字符识别等领域，并且产生了一些人脸识别和字符识 别的应用。最近，h m m 又被成功地应用于步态识别中，国内外重要会议、期 刊不断刊载基于h m m 的步态识别算法，h m m 技术受到步态识别领域的专家学 者们的广泛关注。本章对h m m 的基本思想和算法进行研究和介绍，为下一章 的步态识别算法奠定基础。 2 1 隐马尔可夫模型的基本原理 2 1 1 马尔可夫( m a r k o v ) 链 如果一个过程的“将来”仅依赖“现在”而不依赖“过去”，则称此过程 为马尔科夫过程，m a r k o v 链是m a r k o v 随机过程的特殊情况，臣o m a r k o v 链是状 态和时间参数都离散的m a r k o v 过程。从数学上看，可以给出如下定义网： 随机序列i v , 在任意时刻t ，它可以处在状态0 1 ，0 一，o n ，且它在t + 尼时刻 所处的状态为研+ 。的概率，仅与它在t 时刻的状态吼有关，而与t 时刻以前所处 的状态无关，即有： 尸( 五“= g m i v , = 吼，z 一。= q t - 1 , x 1 = 吼) = p ( z “= g ，撕五= g ，) ( 2 1 ) 其中 9 1 ，9 2 ，q t ，g ，“( q ，0 2 ，o n ) ( 2 2 ) 则称z 为m a r k o v 链，并且称： 蜀( ，t + k ) = 尸( g ，撕= o j q , = 9 ) 1 i , j n ( 2 3 ) 为k 步状态转移概率，当? ，( t , t + k ) 与t 无关时，称该m a r k o v 链为齐次m a r k o v 链， 此时 西华大学硕士学位论文 弓( f ，f + k ) = 乃( k ) ( 2 4 ) 当k = 1 时，称p ，( 1 为一步状态转移概率( 或状态转移概率) ，记为q ，。 所有的状态转移概率口卵1 i , j n ，可以构成一个转移概率矩阵a ，即 rq q a = i ； i ( 2 5 ) i 口，口j 且有： o l ，= 1 ( 2 6 ) j = l 由状态转移概率矩阵a 可以得到k 步转移概率名( 七) 。但a 决定不了初始分 布，因此完全描述马尔可夫链，还需要初始概率矢量万( 巧，石：，) ，其中 万，= p ( q l = q ) ，1 s f n( 2 7 ) 且有： o 巧，1 ，7 r ，= 1 ( 2 8 ) b 1 这样m a r k o v 链的特性由状态转移概率矩阵a 和初始概率矢量万来描述。 实际中，m a r k o v 链的每一状态可以对应于一个可观察到的物理事件。比 如天气预测中的雨、晴、雪等，那么，这时它可以称之为天气预报的m a r k o v 模型。根据这个模型，可以算出各种天气( 状态) 在某一时刻出现的概率。 2 1