基于周期特性的步態(tài)分析方法

寇向陽+劉永康+胡夢楠

摘要：步態(tài)識別是生物識別中以人體走路時的姿態(tài)作為步態(tài)特征進行身份識別的技術(shù)。本文提出一種基于基線法周期特性的步態(tài)特征檢測改進方法，對數(shù)據(jù)庫中的步態(tài)序列進行周期檢測，將序列中周期值作為特征向量進行識別。首先，對圖像進行背景提??；其次，利用圖像幀內(nèi)運動目標輪廓的擺動距離進行周期特征計算；最后，對周期數(shù)據(jù)進行分析。

關(guān)鍵詞：生物識別技術(shù)；步態(tài)特征；目標輪廓；預(yù)處理；周期特性

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）33-0171-03

1 引言

人員身份識別是安全排查的重要方面，傳統(tǒng)的身份識別手段包括身份證、社?？?、電子密碼等。這些方法存在易竊取、易偽造、易破解等問題，而生物識別技術(shù)有效避免了此類問題的出現(xiàn)。

步態(tài)特征識別是生物識別領(lǐng)域比較新的研究內(nèi)容，其所具有的非接觸性、遠距離識別、隱蔽性、不需要特別高的分辨率、不易被模仿等特點，使其在智能識別方面具有很大的發(fā)展前景和應(yīng)用潛力[1]。步態(tài)識別技術(shù)是一種基于行為特征的識別手段，在智能視頻監(jiān)控的大環(huán)境下，利用步態(tài)識別對監(jiān)控范圍內(nèi)的人員進行跟蹤和分析排查可疑人員，對發(fā)現(xiàn)重點人員、提高預(yù)警時間以及及時防范起到重要作用。研究步態(tài)識別技術(shù)對于提高智能監(jiān)控水平、維護社會和諧穩(wěn)定具有重要而深遠的意義。

在步態(tài)行為分析中步態(tài)特征是實驗分析的主要內(nèi)容。針對步態(tài)特征，目前研究者提出了很多方法。文獻[2]提出針對SarKar等[3]基于基線算法的步態(tài)周期檢測的改進算法，通過對圖像幀中運動目標的擺動距離的計算，根據(jù)擺動距離的周期性估算步態(tài)周期值。Yan-qiu Liu[4]等提出步態(tài)能量圖結(jié)合步態(tài)周期的融合算法，利用傅里葉變換后的低頻成分作為特征進行識別。本文提出步態(tài)周期檢測的改進方法，使計算量更小且減少擺臂的干擾。

2 步態(tài)行為分析

步態(tài)行為分析是對步態(tài)數(shù)據(jù)庫中的運動目標進行圖像處理，獲得運動物體的靜態(tài)和動態(tài)信息，并對運動物體進行區(qū)分和識別，主要流程如圖1所示。其中，預(yù)處理主要是獲取背景圖像。運動目標檢測主要是提取運動目標和形態(tài)學(xué)處理。

2.1 圖像預(yù)處理

通過預(yù)處理提取運動圖像中背景圖像。由于背景構(gòu)成相對復(fù)雜，以及陰影、光照變化等影響，使得運動目標分割比較困難[5]。目前常用的是光流法和高斯法。每一種算法都有其特定的適用場景，根據(jù)客觀條件的不同選擇相應(yīng)的算法來提取背景。由于數(shù)據(jù)庫所使用的是固定鏡頭下拍攝的視頻圖像，背景、光線、距離等因素基本沒有變化，所以本文采用背景減除法進行目標檢測。

采用背景減除法，首先是建立背景模型。模型算法的效果直接影響背景提取的質(zhì)量。原理是將一段特定視頻中所有圖像幀的像素平均值作為背景。平均值的計算以及更新規(guī)則都相對簡單，因此該方法的實時性較好。由于光照變化會對圖像亮度即像素灰度值產(chǎn)生較大影響，因此該方法對環(huán)境光照變化的適應(yīng)性較差。平均背景模型的具體實現(xiàn)步驟如下。

2.2運動目標檢測

運動目標檢測是指從獲取的視頻圖像中提取運動的目標，獲得清晰的運動目標輪廓[6]。運動目標包含靜態(tài)特征和動態(tài)特征，靜態(tài)特征有人體高度和寬度、面積等，動態(tài)特征有關(guān)節(jié)角度、肢體擺幅、運動速度等，這些都可以表征運動目標特性。同時背景圖像也分為固定場景和運動場景兩種，由于場景是否靜止，使得目標檢測算法的選擇不同。

運動目標檢測是步態(tài)行為分析的基礎(chǔ)內(nèi)容，運動目標提取直接影響到到特征提取和分析。運動目標檢測包括運動目標提取和形態(tài)學(xué)處理等操作。

首先，提取運動目標，對獲取的背景圖像和前景通過背景減除的方法進行處理，同時設(shè)置閾值理論值。調(diào)整閾值的大小，得到理想的二值圖像。如圖3所示。

2.3 特征提取

在醫(yī)學(xué)上步態(tài)周期的定義是：運動過程中，從一側(cè)足邁步開始到同一側(cè)足再次著地結(jié)束。也就是邁出左（右）腳最大距離到下次左腳最大距離時所需要的時間為一個步態(tài)周期。完整周期內(nèi)，一側(cè)下肢經(jīng)歷了兩個階段；即地面支撐階段（站立期）和擺動期。站立期約占整個步態(tài)周期的60%，在這個過程中足跟完成著地到腳趾離地整個動作。擺動期為腳趾離地后到足跟再次著地的過程，約占整個步態(tài)周期的40%。一側(cè)腿在擺動期的同時另一側(cè)腿處在站立期。

2.3.1質(zhì)心點定位

通過預(yù)處理操作獲得運動目標輪廓，并提取運動目標質(zhì)心。

3仿真實驗與分析

步態(tài)行為分析以MATLAB軟件進行實驗分析，步態(tài)圖像庫采用CASIA數(shù)據(jù)庫A中數(shù)據(jù)。CASIA數(shù)據(jù)庫A中有20個樣本，分三個角度，每個角度4個步態(tài)序列，共240個序列。目前實驗只用到其中零度的80個序列。

按照以下步驟提取步態(tài)周期：

（a）讀取數(shù)據(jù)庫A中的樣本序列。

（b）對圖像進行質(zhì)心提取操作，如圖5所示。

（c）計算圖像序列擺動距離變化趨勢，如圖6所示。

從表1中可以看出樣本之間周期差值最小為0.07幀，且周期幀數(shù)在18～28之間。通過分析數(shù)據(jù)，發(fā)現(xiàn)zl周期幀數(shù)明顯偏小。通過zl序列發(fā)現(xiàn)，提取到的運動目標輪廓有較大殘缺，對運動目標質(zhì)心獲取和周期特性的獲得產(chǎn)生較大誤差影響，如圖8。

當前實驗數(shù)據(jù)是從80個圖像序列中獲得的，分析存在誤差的主要原因有以下三種。第一，由于采用CASIA數(shù)據(jù)庫A中數(shù)據(jù)作為基礎(chǔ)，實驗樣本較少，造成誤差較大。第二，由于圖形處理過程中存在噪聲干擾，使特征提取效果達不到理論值；第三，由于序列中存在異常輪廓導(dǎo)致數(shù)據(jù)變化發(fā)生突變，如圖9所示。

4結(jié)論

本文通過獲取圖像幀中運動目標的擺動距離，利用擺動距離和步態(tài)周期的相關(guān)性得到周期特征。通過對實驗數(shù)據(jù)分析，在圖像處理的過程中存在無法消除的噪聲，抑制噪聲的同時產(chǎn)生新的噪聲干擾；由于序列基數(shù)比較少造成運動周期值精度不夠。在未來的研究中可以進一步補充樣本數(shù)量，改進算法降低噪聲干擾，以提高周期值的準確度。

參考文獻：

[1]衣美佳. 步態(tài)識別關(guān)鍵技術(shù)研究[D].南京郵電大學(xué)，2015.

[2]馬勤勇. 基于步態(tài)的身份識別研究[D].浙江大學(xué)，2008.

[3]S.Sarkar，P.J.Phillips，Z.Liu，et.al.The human ID gait challenge problem：data sets，performance，and analysis.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（2）：162-177.

[4]Yan-qiu Liu，Xu Wang.Human gait recognition for Multiple views.Procedia Engineering15（2011）1832-1836

[5]韋素媛. 實用步態(tài)數(shù)據(jù)庫的建立和步態(tài)特征提取與表征方法[D].西安電子科技大學(xué)，2013.

[6]劉麗麗. 基于最外輪廓的步態(tài)識別研究[D].山東大學(xué)，2012.

[7]肖可. 基于步態(tài)特征的身份識別算法研究[J]. 計算機仿真，2012（4）：286-289.