基于列質(zhì)量向量和SVM的步態(tài)識(shí)別

王開杰，楊天奇

暨南大學(xué) 信息科學(xué)技術(shù)學(xué)院，廣州 510632

1 引言

步態(tài)識(shí)別是一種新穎的生物特征識(shí)別技術(shù)，利用人類行走的方式識(shí)別每個(gè)個(gè)體。與指紋識(shí)別、人臉識(shí)別、虹膜識(shí)別等生物識(shí)別特征相比，具有遠(yuǎn)距離、非接觸、難偽裝、難隱藏[1]的特點(diǎn)，并且對(duì)視頻質(zhì)量要求不高，近些年來引起了國內(nèi)外越來越多學(xué)者的關(guān)注。它在視覺監(jiān)控、門禁系統(tǒng)、醫(yī)療診斷等方面有廣泛的應(yīng)用前景和經(jīng)濟(jì)價(jià)值。

步態(tài)識(shí)別最早來自于醫(yī)學(xué)、心理學(xué)方面的研究。伴隨著生物識(shí)別技術(shù)的興起和計(jì)算機(jī)運(yùn)算的發(fā)展，步態(tài)識(shí)別在生物識(shí)別領(lǐng)域逐步得到發(fā)展和認(rèn)可。1994年，Niyogi和Adelson[2]等提出利用步態(tài)特征進(jìn)行識(shí)別身份的方法。隨后步態(tài)識(shí)別得到快速的發(fā)展，提出大量的研究步態(tài)的方法，取得了一系列研究成果。步態(tài)識(shí)別的算法大致非為兩類：基于模型和非模型的方法?；谀Ｐ偷姆椒ㄒ罁?jù)人體的生理特征對(duì)人體進(jìn)行建模，將這些特征作為步態(tài)特征進(jìn)行分類，如Cunado[3]等的鐘擺模型、Lee[4]等的橢圓模型、Yoo[5]等的擺角模型、HaipingLu[6]等的全身分層可變形模型、Urtasun[7]等的3D人體運(yùn)動(dòng)模型?；诜悄Ｐ偷姆椒ㄖ饕歉鶕?jù)人體目標(biāo)移動(dòng)時(shí)，所產(chǎn)生時(shí)空模式的各類統(tǒng)計(jì)值來提取特征，如Kale[8]等人以體輪廓寬度作為特征，Yang[9]等提出步態(tài)能量圖算法，Sarkar[10]等利用側(cè)影序列作為特征。

本文主要進(jìn)行了以下研究工作：選擇列質(zhì)量向量作為步態(tài)特征、基于支持向量機(jī)（SVM）識(shí)別方法。

其優(yōu)點(diǎn)主要有：

（1）橫向量[11]雖然考慮到人體每個(gè)部分周期性的變化，但步態(tài)是人體各個(gè)部分協(xié)調(diào)運(yùn)作的結(jié)果。橫向量沒有考慮各個(gè)部分協(xié)調(diào)關(guān)系，而列質(zhì)量向量通過對(duì)人體區(qū)域進(jìn)行縱向分割，使得在行走過程中各個(gè)部分的協(xié)調(diào)運(yùn)動(dòng)反映在列向量周期變化之中。

（2）充分考慮手臂擺動(dòng)的信息，使特征具有更強(qiáng)的區(qū)分能力。

（3）通過平均的方法可減少因背景減除等預(yù)處理方法而引起的偶然誤差，而且保留了本質(zhì)的步態(tài)特征。

（4）列向量可對(duì)背包類攜帶物引起的人體區(qū)域的擴(kuò)展具有很強(qiáng)的區(qū)分能力，該類攜帶物的列向量不會(huì)隨行走過程產(chǎn)生周期改變，更易于提取和識(shí)別。

2 特征提取和識(shí)別

步態(tài)識(shí)別就是對(duì)人體運(yùn)動(dòng)系列進(jìn)行分析處理識(shí)別，主要包括預(yù)處理、步態(tài)周期檢測(cè)、特征提取和分類識(shí)別4個(gè)過程。

2.1 預(yù)處理

提取步態(tài)特征之前需要做一些預(yù)處理工作，方便提取步態(tài)特征。通常對(duì)步態(tài)圖像序列使用背景分離、空洞檢測(cè)和去除噪聲等預(yù)處理動(dòng)作。預(yù)處理結(jié)果的好壞直接影響到識(shí)別效果，因此需要選擇合適的預(yù)處理方法。

常見的步態(tài)輪廓提取方法有幀間差分法、背景減除法、光流法等。由于步態(tài)數(shù)據(jù)庫背景通常是靜止的，背景減除法可以獲得很好的分割效果，因此采用此方法。背景減除法的關(guān)鍵是背景建模，常用的背景建模有中值濾波法、均值濾波法、鄰幀差法、最小方差均值法等。創(chuàng)建背景圖像之后，使用當(dāng)前圖像與背景圖像相減，根據(jù)選定的方法即可提取人體輪廓，得到人體輪廓圖像。提取步態(tài)輪廓的過程，基本的方法參照文獻(xiàn)[12]使用的背景減除法來提取人體步態(tài)側(cè)影。

得到步態(tài)輪廓提取之后，在輪廓圖片中會(huì)出現(xiàn)一些陰影。常見的陰影檢測(cè)與消除方法：通過像素點(diǎn)的顏色屬性或建立模型來檢測(cè)和消除陰影；然后利用形態(tài)學(xué)算法消除小噪聲；最后對(duì)圖像作連通性分析，選擇像素點(diǎn)最多的連通域作為人體目標(biāo)區(qū)域。

2.2 步態(tài)周期

步態(tài)的視頻往往包括人體的多個(gè)走路，并且分析可知具有一定的周期性。若能發(fā)現(xiàn)和識(shí)別，就能減少運(yùn)算量和時(shí)間的開銷，也能減少一些誤差。通常一個(gè)步態(tài)周期由兩步構(gòu)成，可以定義為一條腿向前跨出最遠(yuǎn)的位置到下次一條腿向前跨出最遠(yuǎn)的位置所需要的時(shí)間。常見的周期檢測(cè)方法有：Kale等人[8]使用人體寬度向量的泛數(shù)的變化曲線；Sarkar等人[10]使用人體的下半身部分像素點(diǎn)的數(shù)目大小隨時(shí)間變化的曲線；Wang Liang等人[12]使用大腿角度的變化提取周期。

通過分析人體運(yùn)動(dòng)輪廓的高度和寬度信息來實(shí)現(xiàn)步態(tài)周期檢測(cè)。從人體側(cè)面步態(tài)序列看出，人在走路過程中，人的走路方式呈現(xiàn)一定的周期規(guī)律，即輪廓寬度從最大值變成最小值再到最大值這樣的周期變化，同時(shí)人體的高度變化不明顯。對(duì)人體輪廓進(jìn)行分析容易識(shí)別人體最小外接矩陣。從中提取出人體的寬度和高度，得到寬高比如公式（1）所示，利用寬高比的周期變化分析人體運(yùn)動(dòng)中的步態(tài)周期。

然后在步態(tài)序列中根據(jù)寬高比提取輪廓周期，如圖1所示。由于左腳在前和右腳在前對(duì)稱，實(shí)際中只需要計(jì)算半個(gè)周期，即從一個(gè)最大值到下一個(gè)最大值，記為一個(gè)周期。根據(jù)圖1，所得周期范圍為(ti，tj)，步態(tài)的周期T=tj-ti。

圖1 步態(tài)周期

2.3 列質(zhì)量向量特征提取

識(shí)別的關(guān)鍵在于提取有效描述步態(tài)的特征。步態(tài)特征提取與識(shí)別方法可以分為基于模型的方法與無模型方法兩種，前面引言部分已經(jīng)對(duì)基于這兩大類方法的國內(nèi)外研究成果作了簡單的介紹。對(duì)于無模型方法，步態(tài)特征提取與識(shí)別方法，并不需要建立模型，只需要通過對(duì)圖像序列中運(yùn)動(dòng)人體生成的時(shí)空模式做統(tǒng)計(jì)分析，從中觀察到步態(tài)特性并從中對(duì)步態(tài)進(jìn)行特征提取和識(shí)別?；跓o模型的步態(tài)特征提取與識(shí)別的方法有很多。

本文提出一種新的使用人體輪廓列質(zhì)量向量作為步態(tài)特征的步態(tài)識(shí)別方法。其中質(zhì)量列向量可以表示為：

對(duì)步態(tài)圖片序列提取人體輪廓列質(zhì)量向量步驟過程如下：

（1）首先從圖像序列中求出步態(tài)周期，假設(shè)Im(m=1，2，…，n)表示一個(gè)含有n幀圖像的序列，根據(jù)上節(jié)所說的寬高比求出周期，從中選取一個(gè)周期范圍(I1，I2)，步態(tài)的周期T=I2-I1。

（2）然后從圖像序列中求出人體質(zhì)心，質(zhì)心公式如式（3）：

式中(xc,yc)為質(zhì)心坐標(biāo)，N為輪廓的像素點(diǎn)總和，xk、yk分別為第k個(gè)點(diǎn)的橫、縱坐標(biāo)。

（3）其次依次求出周期內(nèi)第i張序列圖片的列質(zhì)量向量，公示如式（4）：

（4）最后求出周期內(nèi)列質(zhì)量向量的平均值：

2.4 SVM分類識(shí)別

支持向量機(jī)是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一種新型機(jī)器學(xué)習(xí)方法，具備很強(qiáng)的泛化能力，在模式識(shí)別領(lǐng)域取得大量的研究成果[13-14]。對(duì)于非線性問題，將低維輸入空間中的數(shù)據(jù)通過非線性函數(shù)映射到高維屬性空間（也稱為特征空間），將分類問題轉(zhuǎn)化到特征空間進(jìn)行。SVM進(jìn)行模式分類的計(jì)算如公式（6）所示，最后由得出的結(jié)果（+1或 -1）來決定類別分類。

但在低維輸人空間向高維屬性空間映射的過程中，由于空間維數(shù)急速增長，可能導(dǎo)致“維數(shù)災(zāi)難”問題，使得大部分情況下難以直接在屬性空間上直接計(jì)算最優(yōu)分類面。SVM通過定義輸入空間的核函數(shù)（Kernel Function），核函數(shù)計(jì)算高維空間中的公式：

本文用到的SVM核函數(shù)公式主要有線性、多項(xiàng)式和徑向基3類。

（1）線性核函數(shù)（Linear Kernel）：K(x，y)=x·y。

（2）多項(xiàng)式核函數(shù)（Polynomial Kernel）：K(x，y)=(x·y+1)d，d=1，2，…。

SVM主要是解決二類別模式識(shí)別問題，但步態(tài)識(shí)別是一個(gè)多類模式識(shí)別，如何將二類識(shí)別擴(kuò)展到多類識(shí)別是SVM的技術(shù)難點(diǎn)之一。本文采用“一對(duì)多”方法，構(gòu)造K個(gè)SVM模型，對(duì)于第i個(gè)SVM模型，將第i類模型的樣本作為一類（正類），輸出結(jié)果為+1，其余k-1類樣本作為另一類（負(fù)類），輸出結(jié)果為-1。

3 步態(tài)識(shí)別實(shí)驗(yàn)

3.1 仿真實(shí)驗(yàn)

本文采用了中國科學(xué)學(xué)院自動(dòng)化（CASIA）步態(tài)數(shù)據(jù)庫的兩個(gè)數(shù)據(jù)集：Dataset A（小規(guī)模庫）、Dataset B（多視角庫）。實(shí)驗(yàn)都是在Matlab 7.0的條件下完成。

Dataset B是一個(gè)大規(guī)模、多視角的步態(tài)庫，共有124 個(gè)人，每個(gè)人有 11 個(gè)視角 (0°，18°，36°，…，180°)，分別在3種行走條件下（普通條件、穿大衣、挎包條件）采集，在相同視角下，每個(gè)人在普通條件下有6個(gè)圖像序列，其他條件下各兩個(gè)序列，每個(gè)視頻序列包含2～3個(gè)步態(tài)周期，這些彩色視頻序列的幀率是25幀/s，圖像像素為320×240，長度也都在100幀左右。

3.1.1 步態(tài)列質(zhì)量向量提取

提取測(cè)試樣本中人體輪廓的列質(zhì)量向量。如圖2所示為預(yù)處理之后的人體輪廓圖像，按照提出人體輪廓列質(zhì)量向量的步驟，提取列質(zhì)量向量。如圖3是提取Dataset A下的hy對(duì)應(yīng)的列質(zhì)量向量點(diǎn)圖。如圖4是Dataset A下的fyc和hy的列質(zhì)量向量特征對(duì)比圖，fyc列質(zhì)量向量的特征如紅點(diǎn)所示，是hy的列質(zhì)量向量如藍(lán)色星型所示。

圖2 人體輪廓圖像

圖3 列質(zhì)量向量圖

圖4 列質(zhì)量向量對(duì)比

3.1.2 SVM的分類識(shí)別

為了評(píng)價(jià)分類結(jié)果引入正確分類率CCR（Correct Classification Rate）作為評(píng)價(jià)指標(biāo)。測(cè)試樣本中，將測(cè)試樣本Ti輸入到經(jīng)過訓(xùn)練得到的k個(gè)分類器，如果Ci輸出+1且唯一，其他全輸出為-1，本次識(shí)別出Ci，正確分類率CCR定義如下：

實(shí)驗(yàn)1采用CASIA步態(tài)數(shù)據(jù)庫中的A庫，庫中有20人，在側(cè)面即90°視角下，每個(gè)測(cè)試者選取兩個(gè)步態(tài)周期，得到40個(gè)步態(tài)數(shù)據(jù)樣本訓(xùn)練和測(cè)試。從每個(gè)測(cè)試者的兩個(gè)步態(tài)周期隨機(jī)選取其中的一個(gè)作為訓(xùn)練樣本，另一個(gè)樣本用于測(cè)試，訓(xùn)練集和測(cè)試集共有20個(gè)人。按照前面的方法分別提取樣本中人體輪廓的列質(zhì)量向量，可得訓(xùn)練樣本有20類，記為M1，M2，…，M20，測(cè)試樣本20類，記為M1'，M2'，…，M20'。分別采取線性核函數(shù)、多項(xiàng)式核函數(shù)和徑向基核函數(shù)，并設(shè)計(jì)相對(duì)應(yīng)的分類器。首先設(shè)計(jì)20個(gè)以線性核函數(shù)的分類器Ci(i=1，2，…，20)，每個(gè)Ci用其中的一類樣本Mi作為正樣本進(jìn)行訓(xùn)練，輸出結(jié)果為+1，其他Ci作負(fù)樣本進(jìn)行訓(xùn)練，輸出結(jié)果為-1。這樣就把20個(gè)分類器Ci設(shè)計(jì)成功。可以取20個(gè)測(cè)試樣本，通過設(shè)計(jì)好的分類器對(duì)步態(tài)樣本M1'，M2'，…，M20'進(jìn)行模式識(shí)別。計(jì)算測(cè)試樣本通過SVM分類器Ci的輸出，判斷該測(cè)試樣本屬于哪一類，從而識(shí)別出步態(tài)。同理設(shè)計(jì)以多項(xiàng)式核函數(shù)和徑向基核函數(shù)分類器，然后進(jìn)行識(shí)別。最后統(tǒng)計(jì)測(cè)試樣本的正確分類率，如表1所示。

實(shí)驗(yàn)2采用CASIA步態(tài)數(shù)據(jù)庫中的B庫，該庫總共124人，采用90°視角下，選取普通條件下每個(gè)視角選取一個(gè)圖像序列作為訓(xùn)練樣本，采用另一個(gè)圖像序列作為測(cè)試集，分別通過3種內(nèi)核函數(shù)（也包含參數(shù)的變化）的SVM對(duì)步態(tài)樣本M1，M2，…，M124進(jìn)行模式識(shí)別，最后統(tǒng)計(jì)測(cè)試樣本的正確分類率，如表1所示。

實(shí)驗(yàn)3選用CASIA步態(tài)數(shù)據(jù)庫中的B庫，測(cè)試集為90°視角，挎包條件下每個(gè)視角選取一個(gè)圖像序列作為訓(xùn)練樣本，參照實(shí)驗(yàn)1的過程，分別通過3種內(nèi)核函數(shù)（也包含參數(shù)的變化）的SVM對(duì)步態(tài)樣本M1，M2，…，M124進(jìn)行識(shí)別，最后統(tǒng)計(jì)正確分類率，如表1所示。

表1 SVM算法正確識(shí)別率 %

3.2 實(shí)驗(yàn)結(jié)果及分析

從表1中可知，實(shí)驗(yàn)1的正確分類率在80%～95%之間，實(shí)驗(yàn)結(jié)果說明識(shí)別率比較高。采用線性內(nèi)核識(shí)別率最低，采用徑向基內(nèi)核時(shí)SVM的正確識(shí)別率最高。實(shí)驗(yàn)2的正確分類率在81.45%～93.55%之間，實(shí)驗(yàn)結(jié)果表明識(shí)別率比較高。采用線性內(nèi)核識(shí)別率最低，采用徑向基內(nèi)核時(shí)SVM的正確識(shí)別率最高。實(shí)驗(yàn)3的結(jié)果所示，正確分類率在78.23%～92.74%之間，實(shí)驗(yàn)結(jié)果表明識(shí)別率還是比較高，并且對(duì)挎包不敏感，魯棒性比較好。

3.3 與其他方法的對(duì)比

現(xiàn)在有很多技術(shù)研究人體的步態(tài)識(shí)別。薛召軍等人[15]采用基本類似的方法來根據(jù)人們的運(yùn)動(dòng)識(shí)別個(gè)體，雖然也使用了CASIA步態(tài)數(shù)據(jù)庫中的A庫，運(yùn)用到相同的拍攝環(huán)境和圖片序列，將實(shí)驗(yàn)結(jié)果與薛召君等人的方法進(jìn)行對(duì)比，文獻(xiàn)[15]的實(shí)驗(yàn)結(jié)果見表1。

將本文方法與文獻(xiàn)[16-18]中提及的識(shí)別方法進(jìn)行對(duì)比，如表2所示，可以看出本文提出的方法在識(shí)別率上有了較大幅度的提高。原因在于基于列質(zhì)量向量反映了人的整體信息，而每個(gè)人的信息都具有獨(dú)特性。將挎包情形與文獻(xiàn)[19-20]的識(shí)別方法進(jìn)行對(duì)比，如表3中所示，識(shí)別率仍然比較高。原因在于基于列質(zhì)量向量的步態(tài)特征對(duì)背包類攜帶物引起的人體區(qū)域的擴(kuò)展具有很強(qiáng)的區(qū)分能力，該類攜帶物的列向量不會(huì)隨行走過程產(chǎn)生周期改變，更易于提取和識(shí)別。

表2 在CASIA-B庫的步態(tài)識(shí)別正確分類率（與文獻(xiàn)[16-18]對(duì)比）

表3 在CASIA-B庫的步態(tài)識(shí)別正確分類率（與文獻(xiàn)[19-20]對(duì)比）

4 結(jié)束語

提出了一種利用人體輪廓列質(zhì)量向量來表征人的步態(tài)特征信息，其創(chuàng)新點(diǎn)：

（1）提出了基于列質(zhì)量向量的步態(tài)識(shí)別方法，該方法體現(xiàn)步態(tài)整體特性，反映本質(zhì)特征，對(duì)背包類攜帶物引起的人體區(qū)域的擴(kuò)展具有很強(qiáng)的區(qū)分能力。

（2）將列質(zhì)量向量特征提取與SVM識(shí)別結(jié)合在一起，利用SVM使用一對(duì)其余的方法來模式識(shí)別不同樣本。在中科院自動(dòng)化研究所的CASIA步態(tài)數(shù)據(jù)庫上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，列質(zhì)量向量特征提取和SVM識(shí)別結(jié)合取得了較高的識(shí)別率。

[1]Yang Xiaochao，Zhou Yue.Gait recognition based on dynamic region analysis[J].Signal Processing，2008，88（9）：2350-2356.

[2]Niyogi S A，Adelsone H.Analyzing and recognizing walking figures in XYT[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition，Seattle，USA，1994：469-474.

[3]Cunado D，Nixon M，Cater J.Using gait as a biometric，via phase weighted magnitude spectra[C]//Proc of International Conference on Audio and Video-based Biometric Person Authentication，Crans-Montana，Switzerland，1997：95-102.

[4]LeeL，Grimson W.Gaitanalysisforrecognition and classification[C]//Proceedings of the 5th IEEE International Conference on Automatic Face and Gesture Recognition，Washington，DC，USA，2002：148-155.

[5]Yoo J H，Nixon M，Harrisc J.Extracting human gait signatures by body segment properties[C]//IEEE Southwest Symposium on Image Analysis and Interpretation，Sante Fe，NM，2002：35-39.

[6]Yang X，Zhou Y，Zhang T，et al.Gabor phase based gait recognition[J].Electronics Letters，2008，44（10）：620-621.

[7]Lu Haiping.A full-body layered deformable model for automatic model-based gait recognition[C]//Proceedings of the 7th International Conference on Automatic Face and Gesture Recgnition，2-6 April，2006：249-254.

[8]Urtasun R.3D tracking for gait characterization and recognition[C]//Proceedingsofthe 6th IEEE International Conference on Automatic Face and Gesture Recognition，Seoul，Korea，2004：17-22.

[9]Kale A，Sundaresan A，Rajagopalan A N，et al.Identification of humans using gait[J].IEEE Transactions on Image Processing，2004，13（9）：1163-1173.

[10]Sarkar S，Phillips P J，Liu Z，et al.Human ID gait challenge problem：Data sets，performance，and analysis[J].IEEE TransactionsonPattern Analysisand Machine Intelligence，2005，27（2）：162-177.

[11]Xiao Degui，Wang Lei.Gait recognition method based on weighted row mass vector[J].Computer Engineering，2011，37（11）：215-217.

[12]Wang Liang，Tan Tieniu，Ning Huazhong，et al.Silhouette analysis-based gait recognition for human identification[J].IEEE Transactionson Pattern AnalysisandMachine Intelligence，2003，25（12）：1505-2528.

[13]許國根，賈瑛.模式識(shí)別與智能計(jì)算在Matlab實(shí)驗(yàn)[M].北京：北京航空航天大學(xué)出版社，2012：125-136.

[14]李文書，趙悅.數(shù)字圖像處理算法及應(yīng)用[M].北京：北京大學(xué)出版社，2012：314-337.

[15]薛召軍，李佳.基于支持向量機(jī)的步態(tài)識(shí)別新方法[J].天津大學(xué)學(xué)報(bào)，2007，40（1）：78-82.

[16]Liu Yanqiu，Wang Xu，Wang Yumei，et al.Multi-view gait recognition using Fourier transform[J].Computer Engineering and Applications，2012，48（6）：169-170.

[17]顧磊.基于圖像序列的人體步態(tài)識(shí)別方法研究[D].南京：南京理工大學(xué)，2007.

[18]Cai D，He X，Zhou K，et al.Locality sensitive discriminant analysis[C]//Proceedings of the Twentieth International Joint Conference on Artificial Intelligence，2007：708-713.

[19]胡帥.復(fù)雜場景下步態(tài)識(shí)別技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2012.

[20]車轔轔，孔英會(huì).基于動(dòng)態(tài)部位特征的步態(tài)識(shí)別方法[J].計(jì)算機(jī)應(yīng)用，2012，32（12）：3418-3421.