基于角度统计特征的步态识别.pdf

8 4 传感器与微系统 T r a n s d u c e r a n d Mic r o s y s t e m T e c h n o lo g i e s 2 0 1 0年 第 2 9卷 第 6期 基于角度统计特征的步态识别 郭军波 朱莉 王克奇 东北林业大学 机 电工程学院 黑龙江 哈尔滨 1 5 0 0 4 0 摘要 提取角度统计特征 为步态识别提出了一种新途径 用统计的方法 等角度间隔地计算归一化步 态轮廓图像各像素点至质心距离的均值与方差 并用其构造步态识别的特征向量 与提取步态轮廓图像 边界特征的方法相比 该方法具有算法简单 运算速度快 无需建立复杂的数学模型等优点 以Ma r la b 7 5 为平台 以中科院自动化研究所提供的 C A S I A数据库为样本进行了大量实验 实验结果表明 该步态识别 方法具有较好的识别性能 关键词 步态 模式识别 图像处理 特征提取 中图分类号 T P 3 9 1 4 文献标识码 A 文章编号 1 0 0 0 9 7 8 7 2 0 1 0 0 6 0 0 8 4 0 3 Ga it r e c o g n it io n ba s e d o n a n g le s t a t is t ic a l f e a t u r e s GU O J u n b o Z HU L i WANG Ke q i C o H e g e o f Ma c h in e r y a n d E l e c t r o n E n g in e e r in g No r t h e a s t F o r e s t r y U n iv e r s i t y Ha r b in 1 5 0 0 4 0 C h in a Ab s t r a c t A n g le f e a t u r e e x t r a c t i o n p r o v id e s a H e w w a y f o r g a it r e c o g n i t i o n S t a t i s t ic a l me t h o d s i s u s e d t o c a l c u la t e t h e a n g le in t e r v a l me a n a n d v a r ia n c e o f p ix e ls t o c e n t r o id d is t a n c e o f t h e n o r ma liz e d g a it s ilh o u e t t e ima g e s t h e f e a t ur e v e c t o r o f g a it r e c o g n it io n is c o n s t r u c t e d Co mpa r e d wit h t h e me t h o d o f bo un d a r y f e a t ur e e x t r a c t io n o f g a it s ilh o u e t t e ima g e s t h is me t h o d h a s s e v e r a l a d v a n t a g e s f o r e x a mp le t h e a lg o ri t h m is s imp le t h e c o mp u t in g s p e e d is f a s t a n d it d o e s n o t n e e d t o s e t u p c o mp le x ma t h e ma t ic al mo d e ls a n d S O o n A lo t o f e x p e r ime n t s h a v e b e e n d o n e b y Ma t la b 7 5 u s in g t h e CA S I A d a t a b as e p r o v id e d b y I n s t it u t e o f Au t o ma t io n Ch in e s e Ac a d e my o f S c ie n c e s T h e e x p e ri me n t a l r e s u lt s d e mo n s t r a t e d t h a t t h e me t h o d h as g o o d r e c o g n it io n p e r f o r ma n c e Ke y wo r d s g a it p a t t e r n r e c o gn it io n ima g e p r o c e s s in g f e a t u r e e x t r a c t io n 0 引 言 步态识别作为一种新兴的生物特征识别方法 目前尚 处在研究阶段 各国研究者们提出的方法很多 目前主要 分为两大类 基于模型的方法和基于统计学的方法 在步态识别问题中 重要的是提取出步态特征 本文主 要研究的就是一种基于统计学的特征提取方法 主要思 路 是先计算出步态轮廓图像 中各个像素点到质心的距离 然 后 统计等角度问隔的扇形区域内各像素点到质心距离的 均值与方差 用各个扇形区域的均值与方差构造特征向量 特征提取出来后 运用遗传算法进行特征选择 去掉一些冗 余特征 降低特征向量的维数并提高识别率 通过实验比 较 近邻 B P神经网络和支持向量机的分类结果 证明该 特征提取方法的有效性 步态轮廓图像的获取方法有很多 种 目前比较流行的方法是 先用 C C D摄像机获取人体步 态视频 然后 从视频中提取出一些连续的帧 最后 用背景 减除法获得步态轮廓 图像 2 本 文对此不作详细介绍 收稿 日期 2 0 0 9 1 0 1 4 实验样本来 自中科 院 自动化研究所提供 的 C A S I A数据 库 1 步态特征提取 1 1 质心的计算 假设矩阵 为经过二值化和归一化后的步态轮廓图 像 为图像中某一点的行列下标 视其为笛卡尔坐标 系中的横纵坐标 那么 步态轮廓图像的质心坐标 x Y 可以由公式 1 和公式 2 进行计算 N 1 N Y Y 2 其中 为步态轮廓图像中为 l 的像素点的总数 1 2计算各点相对于质心的极坐标 为方便后续特征的提取 先构造一个以质心为极点的 极坐标系 计算出各个像素点的极坐标 1 用公式 3 计算各点到质心的距离 P 一 Y 3 第 6期 郭军波 等 基于角度统计特征的步态识别 8 5 2 用公式 4 计算各点相对于质心 的极角 0 0 ar ct an 2 c 1 8 盯 x Yc 1 8o a r c t a n 兰 二 1 8 0 竹 y y IY l t a n 8 y lY l 4 3 质心本身的极坐标不作考虑 则任意一点 Y 相 对于质心 Y 的极坐标 为 p 0 1 3 特征值 的计算 视各点至质心的距 离为一组随机变量 那 么 它就具有 随机变量的2个重要数字特征 均值与方差 它们分别反映 了随机变量的集中性与分散性 均值与方差虽然不能完整 地描述随机变量 但能描述随机变量的重要方面或人们最 关心方面的特征 根据各个像素点的极角 0 将整个轮廓 图像等间隔 A 0划分成 个扇形区域 如图1 图 1 特征值提取 Fig 1 Fe a t ur e e x t r a c t io n 分别计算每 个 区域 内像 素点 极径 至 质心 的距离 的 均值 m e a n i 与方差 s t d i 如公式 5 所示 M m e a n 1 p i 1 0 iA O 1 i 5 std m e a n 式中 为扇形区域内像素点的总数 最后 将所有的均值与方差构造成整幅图像的特征 向 量 P P m e a n l s t d 1 me a n 2 s t d 2 m e a n N s t d N 6 式 中 为扇形 区域 的总数 用此方法 可以提取出每个 步 态序列各个关键帧 的特征 向量 P P 2 P n为关键 帧 的数量 表 1为部分样本的特征值 表 1 部分样本的部分特征 A0 1 8 T a b 1 P a r t f e a t u r e o f s o me s a mp l e s A 0 1 8 1 4 特征归一化 不同类型特征矢量和同一特征矢量的不同分量不仅代 表不同物理意义 而且 其取值范围也有较大的差距 这在 很大程度上影响相似度的计算和不同类型特征间的融合 为 了消除这种影 响 就需 要进 行特征 的归一 化 如果样 本 数据库中的 幅图像用 表示 对于其中任 意一 幅样 本 图像 设 其 相 应 的 维 特 征 矢 量 为 P P P P 由此 就构成一个M x N矩阵P i 1 2 M j 1 2 其中 P矩阵的每一行代表一个 特征矢量 对应一个样本 P矩阵的每一列代表一个特征 矢量的某个特定分量 对应一个特征参数 假设 P矩阵 的某一列 符合高斯分布 先分别计算每一特征分量的均 值 和方差 6 然后 可将特征矢量P 通过公式 7 归一化 至 1 1 区间 从而得到归一化后 的特征 P P P 7 经上述归一化处理后 可以使归一化后的特征参数值 9 9 处于 一 1 1 区问内 此外 规定对处于 1 1 之外 的特征参数值取为 一1或 l 从而就可以保证所有特征参数 值均处于 1 1 区间内 2 步态特征选择 采用基于最近邻分类正确率的遗传算法进行特征选 择 去掉一些冗余特征 降低特征向量的维数并提高识别 率 选择操作采用随机遍 历抽 样法 交叉 操作采用 均匀 交叉 交 叉概率为 0 8 变 异操作 采用 非均 匀 变异 变 异概 率为 0 0 8 种群规模设 为 1 0 0 最大进化代 数 G E N 为 l 0 0 0 当进化代数超过 G E N 或者连续 lO次最优解不变 化 则进化停止 加入最优保存策略 保留当前种群适应度 值最高的2个个体完整复制到下一代种群中 样本库包含 l0人 每人 4个训练样本 4个测试样本 A 0 1 8 特征选 择的迭代过程如图2所示 其适应度值还是令人满意的 8 6 传 感 器 与 微 系 统 第 2 9卷 0 95 0 9 0 0 8 5 0 8 0 0 75 0 7 0 0 65 代数 图 2 特征选择的迭 代过程 F ig 2 Th e it e r a t iv e p r o c e s s o f f e a t u r e s e le c tion 3 分类实验 3 1 分 类 器及 其 设 置 为了验证特征 的有效性 选择了 目前 比较成熟 的 K 一 近 邻 B P神经网络和支持向量机 S V M 3种分类器进行分类 实验 选择 K 近邻的近邻数 K时 先让 分别取 1至 1 0进 行分类 最后取 K值为得到平均分类正确率最大的那一 个 采用欧氏距离作为距离度量 B P神经网络输入层节点即为特 征参数个 数 n 隐含层 节点数根据经验公式设为 2 n 1个 其中 n为输入节点 数 输 出层节点个数 为 即为 样本 个数 隐含 层 和输 出层 的传递函数分别采用函数 t a n s i g和函数 lo g s i g 并分别采用 B a y e s 规范化 B P训练函数 t r a in b r 和动量及 自适应 l r B P的 梯度递减训练函数 t r a i n g d x 最大训练次数设定为 1 0 0 0 训 练 的最小 目标误差设为 0 0 0 1 S VM采用遗传算法进行参数优化 分别采用 R B F p o ly 和 ML P 3种具有代表性 的核 函数进行分类实验 3 2决策 规 则 每个样本包含有 4幅关键帧步态轮廓 图像 称之为 1个步态序列 首先 分别以各个关键帧步态轮廓图像为 样本进行分类实验 然后 统计各个关键帧的分类结果 将 累计最 多的分类结果作为该样本 的分类结果 最后 计算平 均分类正确率 3 3 实验 结 果 从 C A S I A数据库中获取每人 8个步态序列 2 O人 一 共 1 6 0个序列即 1 6 0个样本 每个人的8个样本 中3个作 为测试样本 5个作 为训 练样本 表 2 3 4为 取不 同的 值 时的分类 实验结果 表 2平均分类正确率 一 1 0 T a b 2 Ac c u r a c y r a t e o f a v e rag e c l a s s i fi c a t io n A O 1 0 B P B P S VM S V M S VM 分类器 K 一 近邻 t min b r t min x RB F p 0 l y ML P 不进行特征选择 8 6 7 7 7 5 8 2 5 7 4 0 6 2 7 9 0 0 进行特征选择 9 3 3 9 0 0 9 3 3 7 4 7 7 3 0 8 9 0 表 3平均分类正确率 A 1 8 T a b 3 A c c u r a c y r a te o f a v e rag e c l a s s i fi c a t i o nf AO 1 8 BP BP SVM S VM SVM 分类器 K 一 近邻 t m in b r tr a i n g d x R B F p 0 l y M L P 不进行特征选择 8 3 3 9 O 0 8 6 7 8 2 0 7 3 7 9 2 7 进行特征选择 9 0 0 9 3 3 9 3 3 8 2 0 6 9 7 9 6 7 表 4 平均分类正确 率 A O 3 0 T a b 4 A c c u r a c y r a t e o f a v e rag e c l a s s i fi c a t i o n A O 3 0 B P B P S V M S V M S VM 分类器 K 一 近邻 t r a in b r i n g d x RB F p o l y ML P 进 行 特 征 选择 8 6 7 8 O 8 3 3 8 1 3 8 1 7 8 1 7 进行特征选择 9 0 0 9 3 3 9 0 0 8 1 0 7 9 7 9 2 7 4 结束语 本文提取角度统计 特征 为步态识 别提 出了一个新 途 径 大量实验表明 K 一 近邻分类器的分类效果 比较稳定 但在3种分类器中效果不是最好的 B P神经元网络采用 2种训练函数均能获得较高的分类正确率 但 t r a in g d x所需 要的时间远远少于 t r a i n b r 支持向量机采用 ML P核函数能 获得最好的分类效果 角度间隔取 2 0 左右时效果最佳 参考文献 1 赵林毅 基于隐 Ma r k o v 模 型的步态识别 D 大连 大连理工 大学 2 0 0 6 1 2 2 刘磊 李爱 霞 陈生潭 步态识别预处理方法综述 J 网络 安全技术与应用 2 0 0 8 1 5 9 6 0 3 张伟 汉字笔迹鉴别算法的研究 D 哈尔滨 东北林业大 学 2 0 0 8 7 4 孙 志 强 葛哲 学 刘 瑛 等 神 经 网络 理 论 与 Ma t l a b 7实 现 M 北京 电子工业出版社 2 0 0 5 5 许文芳 吴清江 王青力 基 于 L D A和 S V M 的步态识别 J 计算机应用与软件 2 0 0 8 5 5 2 1 0 2 1 4 作者简介 郭军波 1 9 8 4一 男 湖南常德人 硕 士研究生 主要研究方 向 为图像处理与模式识别 p p p p 上接第 8 3页 7 Z h a n g Y o n g C h e n X i x i a n g J u n G u a n g e t a 1 O p t im a l t e s t p o i n t s s e l e c t i o n b a s e d o n mu lt i o b j e c t i v e g e n e t i c a l g o r i t h m C I E E E Cir c u it s a n d S y s t e ms I n t e r n a t i o n a l Co n f e r e n c e o n T e s t in g a n d D i a g n o s i s 2 0 0 9 I C T D 2 0 0 9 C h e n g d u C h i