基于下肢角度特征的步态识别方法
- 格式：pdf
- 大小：280.93 KB
- 文档页数：3
ｌＳＳＮ １００９－３０４４ Ｃｏｍｐｕ￣ｒＫｎｏｗｌｅｄｇｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ电脑知识与技术 Ｖｏ１．６，Ｎｏ．２，Ｊａｎｕａｒｙ ２０１０，ｐｐ．４０３—４０５ Ｅ—ｍａｉｌ：ｅｄｕｆ＠ｃｅｃｃ．ｎｅｔ．ｃｎ
ｈｔｔｐ：／／ｗｗｗ．ｄｎｚｓ．ｎｅｔ．ｅｎ
Ｔｅｌ：＋８６—５５ １－５６９０９６３ ５６９０９６４
基于下肢角度特征的步态识别方法
曾莹．刘波
（湖南农业大学东方科技学院，湖南长沙４１０１２８）
摘要：基于人行走时的下肢角度变化包含丰富的个体识别信息。的观点，提出利用下肢角度特征进行步态识别的新方法。对每个步态
序列，依据人体解剖学的先验知识定位下肢关节点，计算相邻关节点连线与竖直线的夹角，以此作为下肢角度；通过步态周期分析，
提取一个步态周期的下肢角度变化序列作为特征向量表征步态。最后，采用针对小样本问题具有很好分类效果的支持向量机技术
实现步态的分类决策。ＣＡＳＩＡ步态数据库上的仿真结果证明本方法具有较高的识别性能。
关键词：步态识别；支持向量机；下肢角度；轮廓特征；步态周期
中图分类号：ＴＰ３９３ 文献标识码：Ａ 文章编号：１００９—３０４４（２０１０）０２—４０３—０３
Ｇａｉｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｉｌ Ｌｏｗｅｒ－—ｌｉｍｂ Ａｎｇｌｅｓ
ＺＥＮＧ Ｙｉｎｇ，ＬＩＵ Ｂｏ
（Ｅａｓｔｅｒｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｅｇｅ，Ｈｕｎａｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１０１２８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｔｈｅ ｉｄｅａ ｔｈａｔ ｌｏｗｅｒ—ｌｉｍｂ ａｎｇｌｅｓ ｏｆ ｍｏｔｉｏｎ ｂｏｄｙ ｃｏｎｔａｉｎｅｄ ｒｉｃｈ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｈｕｍａｎ ｉｄｅｎ￣ｆｉｃａｆｉｏｎ，ａ ｇａｉｔ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｌｏｗｅｒ—ｌｉｍｂ ａｎｇｌｅｓ ｗａｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｅ ｐａｐｅｒ．Ｆｏｒ ｅａｃｈ ｇａｉｔ ｓｅｑｕｅｎｃｅ，ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｉｎ ｂｏｄｙ ａｎａｔｏｍｙ，ｔｈｅ
ｃｏｏｒｄｉｎａｔｅｓ ｏｆ ｌｏｗｅｒ－ｌｉｍｂ ｊｏｉｎｔｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ．Ｔｈｅｎ ｇｏｔ ｆｏｕｒ ｄｉｆｅｒｅｎｔ ａｎｇｌｅｓ ｏｆ ｌｏｗｅｒ ｌｉｍｂｓ．Ｗｉｔｈ ａｎａｌｙｓｉｓ ｏｆ ｇａｉｔ ｃｙｃｌｅ，山ｅ ｔｒａｊｅｃｔｏｒｉｅｓ ｏｆ ｌｏｗｅｒ—ｌｉｍｂ ａｎｇｌｅｓ ｉｎ ｏｎｅ ｃｙｃｌｅ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ａｓ ｆｅａｔｕｒｅ ｖｅｃｔｏｒｓ．Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ）ｗｈｉｃｈ ｈａｓ ａＤ ｅｆｅｃｄｖｅ ｃｌａｓｓｉｆｙ ａｂｉｌｉＷ ｆｏｒ ｓｍａｌｌ ｓａｍｐｌｅ ｐｒｏｂｌｅｍ ｗａｓ ｕｓｅｄ ｆｏｒ ｇａｉｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｎ ＣＡＳＩＡ ｄａｔａｂａｓｅ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ａｐｐｒｏａｃｈ ｈａｓ ｅｎｃｏｕｒａｇ— ｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ．
Ｋｅｙ ｗｏｒｄｓ：ｇａｉｔ ｒｅｃｏｇｎｉｔｉｏｎ；ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）；ｌｏｗｅｒ——ｌｉｍｂ ａｎｇｌｅ；ｓｉｌｈｏｕｅｔｔｅ ｆｅａｔｕｒｅ；ｇａｉｔ ｃｙｃｌｅ
步态识别是～种新兴的生物特征识别技术，旨在通过人行走的姿势来识别人的身份。因其具备在远距离或低视频质量情况下
的识别潜力，且难以隐藏或伪装，近年来引起了各国学术界及研究机构的广泛关注。
人的步态是自身生理结构、行为习惯、心理状态锚诸多因素在行走时的外在综合表现。由于个体之间存在差异，步态亦不尽相 同．故步态特征可以为人的身份识别提供独特的线索。步态特征既包括身高、体形等基于几何度量的特征，也包括对行为变化较敏
感的运动学特征，如关节点的运动轨迹及位移速度、肢体关节角度等。直观上，人类视觉对步态的识别很大程度上依赖于人体轮廓
形状随时间的变化过程＿】１，因此，现有的步态识别方法大多基于人体轮廓特征。文献 应用傅立叶描述子描述人步行时的轮廓特征，
利用模板匹配法获取待测样本与训练样本的相似度，最后采用最近邻分类器进行决策；文献＿引利用人体二值图像的侧面外轮廓宽度 矢量作为步态特征，使用隐马尔可夫模型（ＨＭＭ）进行步态识别；文献Ｉ４１提出一种是基于Ｐｒｏｃｒｕｓｔｅｓ形状分析的步态识别方法，利用统
计形状分析提取步态特征向量，分别采用最近邻分类器、Ｋ近邻分类器及最近标本分类器进行分类识别。
上述方法经实验验证是成功的．但存在一定不足：人体轮廓特征虽然能反映运动人体的形状变化，但无法直接表达步态的运动
特性，属于步态的低层信息；而且人体轮廓形状容易受服饰改变、外物遮挡等因素的影响，识别性能很不稳定；在分类识别方面，上 述方法采用的是最简单的模式分类方法，如最近邻分类器、隐马尔可夫模型等，其共同理论基础是经典统计学，采用的是样本数目
趋于无穷大时的渐进理论，但在实际问题中，研究样本的数目是有限的，因此这些分类方法的分类效果并不十分理想。
针对这些问题，本文提取一个步态周期内的下肢角度变化轨迹构造步态特征向量。下肢角度是重要的步态运动学参数，能有效
反映步态运动的细微变化，相较于人体轮廓，包含了更丰富的步态模式变化信息。在获得了有效的特征向量之后，关键问题是设计 具有良好分类能力的分类器 支持向量机无需先验知识，与传统的模式识别方法相比具有推广性能强、能保证全局最优等优点，故
采用支持向量机与最近邻分类原则相结合的策略进行分类决策。
１步态特征提取
１，１步态检测
采用中值法嘲估计图像序列的背景帧；然后使用背景减除法检测图像中的运动目标，并在设定的阈值下对图像进行二值分割。
二值化后的图像会出现噪声，使用３ｘ３的腐蚀和膨胀滤波算子去除噪声点，并执行连通性分析进一步填充小的空洞。对预处理后的
二值图像进行边界跟踪，即可获得人体外轮廓边界线。
１．２下肢关节点定位
在人体轮廓图像上定义一个能包含整个人体的最小矩形框，如图１所示，人体身高即为矩形框的宽度，记为Ｈ。根据图２给出 的解剖学中人体下肢比例关系［６１，可以确定盆骨、膝、踝关节点的纵坐标分别为：ＹＩ＝０．５３Ｈ、Ｙ２＝０．２８５Ｈ、Ｙ３＝０．０３９Ｈ。各关节点横坐标
收稿日期：２００９—１０—２０ 基金项目：湖南省科技厅科学基金项目（２００９ＣＫ４０１０）；湖南农业大学引进人才科学基金项目（０８Ｙｊ１３）
作者简介：曾莹（１９８２一），女，湖南长沙人，助教，硕士，主要研究方向为数字图像处理，模式识别；刘波（１９６９－），男，湖南常德人，副
教授，博士，主要研究方向为人工智能，模式识别。
本栏目责任编辑：唐一东 ＊
＊人工智能及识别技术＊＊４０３ ＣｏｍｐｕｔｅｒＫｎｏｗｌｅｄｇｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ电脑知识￣ｔｔｉ．，ｇ
的定位过程如下：
１）盆骨关节点：从左至右水平扫描轮廓图像的第Ｙ１行，记录像素值
为１的点的坐标。由图１可知，这样的点有两个，分别位于盆骨点左右两 侧的轮廓边界线上，其横坐标分别记作ｘ１ 、ｘ１，；盆骨关节点的横坐标
Ｘ１可用下式计算：
ＸＩ＝ＸＩ ＋（Ｘ１ －ＸＩ ）／２ （１） ２）膝关节点：需要确定左、右膝关节点的位置。以坐标点ｆｘ１，Ｙ２）为起 始位置，分别向左、右两侧水平扫描轮廓图像的第Ｙ２行：然后按步骤１
的相同方法得到左、右膝关节点的横坐标值。
３）踝关节点：定位方法类似于步骤２。 第６卷第２期（２０１０年１月）
… 镞、
≈辚 …
图１ 下肢关节点位置 图２ 下肢占身高的比例
人在行走时，膝、踝关节点在某些时刻会出现自遮挡现象，此时无法 检测出它们的位置。本文采用插值的方法获得近似的关节点位置。同一步态序列中，插值公式为：
Ｘｎ＋２ ＋ｚ ＋ｌ一
ＹⅪ＋ｊ ＹＭ＋ｚ ｌ—ＹⅪ）
其中下标ｎ、ｎ＋１分别代表第ｎ帧和第ｎ＋ｌ帧步态图像，第ｎ＋２帧为遮挡点所在的帧，（ｘ，ｖ）表示关节点的坐标。
１．３下肢角度计算 （２）
（３）
得到各关节点的坐标后，用直线连接相邻关节点以代表人体下肢，如图１所示。下肢角度可以用关节点连线与竖直线的夹角表
示。如图３所示，设人体的左大腿、右大腿、左小腿、￣ｓｌ，／Ｅ与竖直线的夹角分别表示为：０１、０２、ｐ１、ｐ２，使用下面的公式可以计算任 意一个下肢角度Ｏｔ：
ｔａｎ一 【（ — 。）／（ｙ—ｙ‘）］ １ 其中（ｘ，ｙ），（ｘ ，ｖ，）分别表示任意两个相邻关节点的坐标。
步态运动是一种时空相关的行为模式，有效的步态描述不仅需要包含丰富的步态空间特征．还
应描述步态随时间的变化信息。步态的时间特性体现在一个步态周期内步态的变化。因此，对每个步 态序列，使用一个步态周期的四个下肢角度变化序列作为步态特征矢量Ｄ，则Ｄ记为：
Ｄ＝［ｏｌ（ｔ），ｐｌ（ｔ），０２（ｔ），ｐ２（ｔ）］ ｆ５１
本文通过分析运动人体轮廓的宽度和高度信号来实现步态周期检测。从人体侧影图像序列可以
看出，人在行走过程中，其侧影轮廓宽度会呈现出周期性的变化，即从最大值到最小值再到最大值； 而人体的高度变化却很小。因此，本文利用运动人体轮廓的宽度与高度之比进行步态
周期分析。图４为运动人体轮廓的宽高比随时问变化的曲线图，定义一个步态周期Ｔ
为相邻的三个波谷之间的时间间隔。
２分类识别
２．１支持向量机的基本原理
支持向量机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）是一种泛化能力很强的分类器，建立在统
计学习理论的ＶＣ维理论和结构风险最小原理基础上．主要用于解决小样本、非线性及
高维模式识别问题［７１。在模式识别方面，对于手写体识别、语音识别、人脸识别等问题，
ＳＶＭ算法的精度已超过传统学习算法。 支持向量机理论的主要思想是寻找一个满足分类要求的最优分类超平面，该超平
面在保证分类精度的同时，能够使超平面两侧的空白区域，即分类间隔最大化Ｉ８１。这里，
最优超平面的构造问题实质上是约束条件下求解一个二次规划问题．其最优分类函数为
，（ ）＝ｓｇｎ（∑ ｊ＿ｙｉ （ ， ）＋ｂ） 图３ 下肢角度
图４步态周期分析
其中ｓｇｎ０是符号函数，Ｋ（Ｘ ，ｘ）表示核函数，ｎ为训练样本的个数，Ｙ。∈ｆ一１，＋１｝是特征空间的类标记，ｂ是分类阈值。在分类函数 中，某些Ｘ。对应的Ｏｔ。为０，某些Ｘ．对应的Ｏｔ．＞０，这些具有非零值的Ｏｔ。对应的向量支撑了最优分类面，被称为支持向量。
对于线性问题，核函数Ｋ（ｘ＿’ｘ）就是两向量的点积运算；对于非线性情形，由核空间理论，首先通过非线性变换将输入空间变换到
一个高维空间，然后在这个新空间中求取最优线性分类面，而这种非线性变换是通过定义适当的核函数实现的。不同的核函数将形
成不同的ＳＶＭ算法，目前常用的核函数主要有多项式、径向基函数和Ｓｉｇｍｏｉｄ函数等［９１。
２．２基于支持向量机的步态识别
ＳＶＭ本质上是一种二分类方法，而步态识别是一个典型的多分类问题，为此，本文采用“Ｏｎｅ—ａｇａｉｎｓｔ—Ｒｅｓｔ”ｆ即“一对多”）Ｔｙ案， 通过构造多个ＳｖＭ二值分类器来达到多分类的目的
