一種基于骨架算法的人體動態(tài)特征曲線提取算法

楊洪臣 劉 松 陳虹宇 白笙學

（1 中國刑事警察學院聲像資料檢驗技術系 遼寧 沈陽 110035；2 重慶市公安局物證鑒定中心 重慶 400070）

在視頻偵查手段逐漸多樣化的今天，犯罪嫌疑人的反偵查能力也在不斷增強。實際案件偵查中，常常會遇到犯罪嫌疑人利用遮面、換裝等手段偽裝自己，阻礙偵查。盡管犯罪嫌疑人想方設法遮面、換裝，但是其體態(tài)特征卻不會因為其偽裝而有較大的變化。故對視頻中人體動態(tài)特征與犯罪嫌疑人動態(tài)特征進行特征匹配方法的研究是十分必要的。

視頻中人體動態(tài)特征識別技術在國內外已有相關研究。早在2000年，美國高級項目研究署就有重點項目“遠距離人的身份識別”（Human Identification at a Dis tance），即HD計劃。在其后的一段時間里，全世界各大高校及科研機構在HD項目的觸發(fā)下都積極的對人體動態(tài)識別展開了研究。至今為止，盡管人體動態(tài)識別課題的研究有一定的進展，但是其研究成果都尚處于理論推導及實驗階段，未走出實驗室，還未在實際場景中得到大規(guī)模的應用。最近蘭玉文等人的文章中提到在一段視頻中對每幀視頻圖像人體關鍵點進行標注，最終形成各個關鍵點的分布曲線，通過對曲線的進行擬合并計算相似性來進行人體動態(tài)特征的識別[1]。蘭玉文等人的研究經過了科學的建模、大量的實驗及合理的分析，其對人體動態(tài)特征識別的研究具有一定的科學性和可靠性。但是在蘭玉文等人的研究中對人體關鍵點的標注查找主要依靠人工手動逐幀標記，要是能夠通過一定的算法實現關鍵點的自動標記，這樣就能真正實現視頻中人體動態(tài)特征的自動提取及比對工作，無需人工對關鍵點的逐幀標記。

本文通過對視頻中目標定位并提取目標骨架的方法能在一定條件下較好的自動提取出人體的關鍵點。最終提取出一段時間視頻中運動人體動態(tài)特征曲線。

1 算法介紹

人體動態(tài)特征曲線提取算法通過對視頻中運動人體目標進行定位并對目標進行骨架化操作，進而實現人體關鍵點的自動查找，最終形成人體動態(tài)特征曲線。實現流程如圖1。

圖1 算法流程圖

1.1 目標定位算法

實現視頻中運動目標的定位是基于灰度歸類的背景自適應算法的基礎上通過背景差值法實現的[2]。目標定位算法實現主要有如下3個步驟：

步驟1：提取前景

背景自適應算法得到視頻實時背景bg(x,y)，視頻當前幀frame(x,y)同視頻背景bg(x,y)差值運算提取前景目標diff(x,y)，有公式(1)：

步驟2：目標二值化

選定合適閾值threshold對前景目標diff(x,y)進行二值化處理消除部分噪聲干擾，得到二值化圖像binary(x,y)，有公式(2)：

步驟3：目標定位

目標定位使用了多目標定位算法[3]。通過遍歷二值化前景圖像binary(x,y)，得到圖形最小外接矩[x1 y1 x2 y2]實現目標定位。其中，外接矩水平邊界定位首先計算每一行元素和，有公式(3):

外接矩垂直邊界的點位方法同水平邊界定位。目標定位算法效果如圖2。

圖2 目標定位效果圖（a.視頻截圖b.自適應背景c.目標定位）

1.2 骨架提取算法

骨架提取算法主要可以分為兩類：一類習慣被稱做“燃燒法”，該類算法的實現就像在圖像的邊沿點火似得，“火焰”向內燃燒，最終讓圖像只剩下骨架；另一類算法被稱為“最大圓盤法”，該類算法通過在圖像中尋找圖像的最大內切圓，并將所有內切圓的圓心作為一個集合，該圓心集合即可刻畫圖像的中心骨架。

“燃燒法”實現骨架提取算法中最為經典的要屬Zhang等人在1984年發(fā)表文章中提到的Zhang-Suen骨架細化算法[4]。該算法是一個迭代的過程，通過多次迭代實現圖像的層層細化，最終提取出圖像骨架。而每一次迭代可分為右下邊界刪除和左上邊界刪除。算法中對邊界點的判定是基于該點八領域各點狀態(tài)進項判定的。如果設某點為p1點，其八領域各點設為p2-p9，p1-p9的位置關系如圖3。

圖3 像素點八領域關系圖

通過判定點p1與其八領域各點的狀態(tài)關系，確定p1是否應該刪除。算法步驟如下：

步驟1：右下邊界點刪除

循環(huán)遍歷圖像中的各個像素點，當某點的八領域關系滿足公式(5)時，即刪除該點。

其中s(p1)表示在p1的八領域p2-p9組合(p 2 p 3,p 3 p 4,…p 9 p 2)中，出現“0 1”組合的次數。

步驟2：左上邊界點刪除

左上邊界點刪除類似右下邊界點的刪除條件，滿足公式(6)的約束。

公式(6)同公式(5)的區(qū)別主要體現在后兩個方程式。

通過多次迭代如上兩個步驟，一層層刪除掉圖像外邊界，最終將得到圖像的細化骨架。對圖2c中的目標通過該算法進行骨架化操作后，效果如圖4b所示。

圖4 目標骨架效果圖(a.目標b.Zhang骨架算法效果c.中軸骨架算法效果d.Matlab自帶骨架算法效果)

分別運用中軸骨架提取算法和Matlab自帶骨架提取算法提取目標圖像4a骨架，效果如圖4c、圖4d所示。通過對比3種骨架提取算法提取效果發(fā)現：中軸骨架提取算法提取骨架具有良好的中軸性，但是提取的骨架存在不連通的問題；Matlab自帶骨架提取算法提取骨架具有良好的連通性，但是卻存在較多的無用骨架分支；Zhang的骨架提取算法提取的骨架不僅能夠實現骨架的連通，而且骨架的中軸性也能體現。故在人體動態(tài)特征提取算法中選用Zhang的骨架提取算法提取視頻中的目標骨架。

1.3 端點查找算法

在骨架提取算法提取到具有中軸性且連通的骨架后，通過遍歷骨架上的各個像素點，當某點p1的八領域（如圖3）滿足公式(7)時，p1即為查找的端點。

圖5是最終通過端點查找算法提取到的人體特征點。

圖5 視頻中人體目標特征點

圖 6 獲取實驗視頻

2 實驗演示

通過將背景自適應算法、目標定位算法、圖像骨架提取算法及端點查找算法相結合，實現了一種基于骨架提取算法的人體動態(tài)特征曲線提取算法。將一段時長為18s拍攝角度為90°的實驗視頻用該算法提取人體動態(tài)特征曲線，能夠實時的生成人體動態(tài)特征曲線?？赏ㄟ^掃描圖6中的二維碼觀看實驗效果。

3 總結

本文通過對視頻中運動目標骨架提取算法在骨架提取效果上的對比探究，提出一種基于骨架提取算法的人體動態(tài)特征曲線提取算法。經實驗該算法能夠實時提取出視頻中人體動態(tài)特征曲線。人體動態(tài)特征曲線能一定程度的反應出個體的行走特征，在視頻偵查及犯罪嫌疑人同一認定上具有一定的應用價值。

[1]蘭玉文,李躍威,喻松春,等.基于監(jiān)控視頻的人體動態(tài)特征應用識別技術研究[J].警察技術,2013(6):11-16.

[2]楊洪臣,劉松,魏東,等.視頻偵查中背景重構方法研究[J].中國刑警學院學報,2016(4):16-19.

[3]張洋,張三同.基于自適應差分的多目標檢測和跟蹤[J].現代電子技術,2011(16):149-151.

[4] Zhang T Y,Suen C Y.A fas t parallel algorithm for thinning digital patterns[J]. ACM,1984(3):236-239.