基于能量图匹配的步态识别方法研究

侯一民，贺广文，张娜，白佳文

(东北电力大学自动化工程学院，吉林吉林132012)

生物特征识别是随着计算机图像处理和模式识别等学科的发展而逐步形成的新兴研究方向，是为了进行身份验证而采用自动技术测量人身体的特征或行为特点，并将这些特征或特点与数据库中的模板数据进行比较，完成认证的一种方法。

人体步态识别是一种新兴的生物特征识别技术，它通过视觉技术采集人的行走图像，并在图像中提取出人类步态特征加以分析，达到身份识别的目的。医学研究表明:人的步态具有24种不同的特征，如果把所有特征都充分加以考虑，则可认为人体步态具有个体唯一性，因此，如能够准确提取人类步态特征，就可实现身份、健康状况等信息的识别。此观点已经得到广泛认同。步态识别的应用领域非常广泛。医学领域对步态的分析主要是研究处在康复期病人的步态与正常人步态的差异，从而判断病人的恢复情况。体育训练中，通过分析可以获得人体下肢的运动信息，为运动员的优化训练提供依据。电脑动画游戏同样借助虚拟现实技术建立人体步态模型，以达到非常逼真的运动效果。人机工效学、体育训练及电脑动画等领域的人体运动分析原理是一致的，都是分析人体各部分之间的运动学和动力学关系［1，2］。

在国外，卡耐基梅隆大学致力于从视频序列图像当中提取人体生物特征并且利用所提供的生物特征进行个人身份认证的研究。研究人员利用K均值算法对训练样本序列与测试样本序列进行聚类，分别求出它们的聚类中心，然后计算测试样本序列的聚类中心与训练样本数据库中所有的训练样本序列聚类中心的相似性，最后利用最邻近算法完成步态的分类识别［3］。乔治亚技术学院的研究中重点在于提供一种恢复静态人体参数和走路幅度的相关数据的方法。将人体自身的身高、步幅、头顶到腰椎的距离、腰肢到两脚之间的最大距离这些静态形状参数构成的四维特征向量作为步态特征。对每一个步态序列只考虑两脚之间的距离达到最大时的四维特征矢量，序列中所有的特征矢量构造一个高斯模型，利用最大似然估计进行步态的分类识别［4］。A.Kale等利用人的二值化图像的侧面轮廓宽度矢量作为步态特征，采用经典的主分量分析算法进行矢量的降维处理，最后利用时间规整技术计算序列之间的相似性进行步态识别［5］。N.Cuntoor综合利用多种特征的融合进行步态识别的研究。具体包括人体高度与人手臂和腿运动的融合、人正面视角步态图形与侧面视角步态图像的融合。融合策略使用最简单的加和、乘积、最小值原理等。利用多特征融合方法取得了比单一特征稍高的识别率［6］。Nixon等对步态识别技术研究的新进展进行了总结并且对步态识别的前景进行了预测和分析［7］。Cunado.D等将大腿和小腿建立为链接的钟摆模型，并从其与垂直方向之间的夹角信号中获得步态特征［8］。

国内的一些学者也在此领域做了一定的研究工作。我国关于步态识别的研究起步较晚，但一些大学和科研机构在步态识别方面取得一定的成果，其中居于领军地位的是由归国博士谭铁牛所领导的中科院自动化所。其中王亮和胡卫明提出了基于统计主元分析的方法，其研究文章被国外的许多研究机构所引用［9－11］。

但目前的步态识别手段仍存在一定的缺陷，主要问题是识别率较低。针对此问题，本文提出了一种基于能量图匹配的步态识别方法。应用背景建模提取步态目标之后，获取能量图，运用模板匹配方法得到目标识别结果。

1 步态目标提取

步态目标提取是步态目标识别方法中的重要步骤，它是指从视频或者图像序列中提取完整人体目标的过程。由于步态识别中可能需要用到人体目标中的各个部分的运动特点作为识别依据，因此，能够准确、完整的提取出步态目标就成为步态识别能否成功的关键。

目前的步态目标提取一般是在静态背景下完成的，采用的目标提取方法包括两种:背景建模和前后帧差影。

1.1 背景建模

背景建模方法是运用序列图像中所有图像的信息，采用平均法重建无目标背景的一种方法。假定I={I1，I2，…，In}代表整个图像序列，Ik，k=1，2，…，n代表序列图像中的某帧，n为帧数，则背景建模所采用的方法可以表示为

其中:B(i，j)为建模之后的背景中的像素点，(i，j)为像素点坐标，其取值范围为图像大小。

建模之后的背景用来作为目标提取的依据，其提取过程可以表示如下:

其中:M(i，j)为目标提取之后的图像中的像素点值。但针对一般图像数据，M(i，j)的取值可能是0－255中的任意值，因此运用此法得到的目标图像并非目标特征提取过程中所需要的二值图像，而是灰度图。将灰度图转化为二值图像，需要进行图像二值分割。

图像M(i，j)像素构成简单，大部分不为零的像素集中在目标部分，则可以运用简单的二值分割得到目标，即

公式(3)中的M'(i，j)为二值化之后的图像像素点值，ε为分割阈值。

二值化之后的图像往往存在噪声，仍不能满足目标特征提取和识别的要求，需要运用形态学滤波进行处理，滤波过程如下:

公式中的M″为形态学滤波之后的图像，“。”为形态学“开启”操作，“·”为形态学“闭合”操作，P为形态学算子。

完成以上流程之后，目标被从静态背景下的序列图像中成功提取。

2 能量图

能量图法是一种步态目标特征提取方法。其过程主要应用了对目标序列图像的平均方法。如果目标图像序列中包含的帧数足够多，在平均之后的能量图中，能够充分体现目标在运动过程中身体各个部位的运动部位特点。

能量图的获取过程可以描述为如下过程:

其中:Q(i，j)为计算之后的能量图中像素点值。能量图求取结果如图1所示。

图1 能量图计算结果。

从图1可以看出，能量图为灰度图像，它几乎包含了由0至255之间的所有像素值，它体现的是人体目标在运动过程中身体各个部位的运动范围、幅度以及身体主要姿态等信息。它对一个人在正常行走过程中的特点有较好的体现。

3 目标识别与实验分析

3.1 目标识别

步态识别中，根据所求得的能量图，在识别目标身份的过程称为目标识别。其整个识别过程表示如下:

目标识别中运用的法则众多，主要应用的有欧氏距离法、模板匹配法等。欧氏距离法可表示为

图2 步态目标识别流程图

其中:W和H分别表示能量图的宽度和高度，M″1(i，j)表示步态库中的某目标能量图，M″2(i，j)表示当前目标能量图。欧氏距离法计算的相似度R其取值范围较大，不宜作为本文应用的相似度计算方法。

模板匹配法可表示为

模板匹配法实际上是运用两组数据之间的协方差计算数据间相似性的方法，它被广泛应用于各种模式识别过程中，是一种简便有效的方法。本文采用此方法进行步态目标识别。

3.2 实验与分析

本文采用的实验素材取于步态数据库MITAI，是建立于2001年的室内步态数据库。实验步骤遵循图2所示的流程，部分实验结果见表1。

表中列出了数据库中获取的5组序列图像并进行了目标提取，以此作为识别的模板，根据模板序列图像计算出了相应的能量图。还列出了一组隶属于模板3的其他序列图像，也进行了相同的操作。根据文中给出的模板匹配方法进行了相似度计算，其结果见表中的“R”列。可以看出，目标图像能量图与模板3序列图像的能量图具有较大的相似性，此结果与事实相符。

实验中还对比了其他50组步态目标，识别结果的准确率达到了98%。

表1 基于能量图的步态目标识别实验

4 结论

本文针对一种新兴的生物特征识别技术，步态识别展开研究，旨在提高步态识别率。首先，运用各帧图像平均的手段，即背景建模法建立背景模型并提取人体运动目标;之后，采用了形态学滤波器优化目标提取的结果，去除了二值图像中残留的噪声;然后，采用求各帧均值的方法获取整个图像序列的能量图;最终，讨论了模板匹配法在识别过程中的应用。采用MITAI步态数据库作为实验对象进行实验，证明了本文方法的效果。

［1］吴杰.基于人体步态轮廓的步态识别关键技术研究［D］.合肥:合肥工业大学，2008.

［2］傅春燕.步态识别中的目标轮廓提取和特征维数约减研究［D］.重庆:重庆大学，2008.

［3］D.Tolliver and R.Collins，Gait shape estimation for identification［C］，International Conference on Audio-and Video-based Biometric Per-son Authentication，2003:734－742.

［4］Johnson，Bobick.A Multi-viewed Method for Gait Recognition Using Static Body Parameters［C］，In 3rd International Conference on Audioand Video-based Biometrics Person Authentication，2001:301－311.

［5］A.Kale，N.Cuntoor，B.Yegnanarayana，A.N.Rajagopalan，R.Chellappa.Gait Analysis for Human Identification［C］，International Conference on Audio-and Video-based Biometric Person Authentication，2003:706－714.

［6］N.Cuntoor，Amit Kale，Rame Chellappa.Combining Multiple Evidence for Gait Recognition［C］.IEEE International Conference on Acoustics，Speech and Signal Processing，2003:575－562.

［7］Nixon.M.S.，Carter.J.，N.Shutler，J.N.Grant.New Advance in Automatic Gait Recognition［J］.Elesvier Information Security Technical Report.2003，7(4):23－35.

［8］Cunado.D，Nixon，M.S and Carter J.N，Automatic Extraction and Description of Human Gait Models for Recognition Purpose［J］，Computer Vision and Imagine Understanding，2003，90(1):1－41.

［9］王亮，胡卫明，谭铁牛.基于步态的身份识别［J］.计算机学报，2003，26(3):353－360.

［10］Liang Wang，Huazhong Ning，Weiming Hu and Tieniu Tan.Gait Recognition Based on Procrustes Shape Analysis［J］.IEEE International Conference on Image Processing(ICIP).Rochester，New York，September，2002:22－25.

［11］Liang Wang，Tieniu Tan，Huangzhong Ning and Weiming Hu.Fusion of Static and Dynamic Body Biometrics for Gait Recognition［J］.IEEE Transactions on Circuits and Systems for Video Technology，2004:149－158.