基于周期特性的步态分析方法

寇向阳+刘永康+胡梦楠

摘要：步态识别是生物识别中以人体走路时的姿态作为步态特征进行身份识别的技术。本文提出一种基于基线法周期特性的步态特征检测改进方法，对数据库中的步态序列进行周期检测，将序列中周期值作为特征向量进行识别。首先，对图像进行背景提取；其次，利用图像帧内运动目标轮廓的摆动距离进行周期特征计算；最后，对周期数据进行分析。

关键词：生物识别技术；步态特征；目标轮廓；预处理；周期特性

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）33-0171-03

1 引言

人员身份识别是安全排查的重要方面，传统的身份识别手段包括身份证、社保卡、电子密码等。这些方法存在易窃取、易伪造、易破解等问题，而生物识别技术有效避免了此类问题的出现。

步态特征识别是生物识别领域比较新的研究内容，其所具有的非接触性、远距离识别、隐蔽性、不需要特别高的分辨率、不易被模仿等特点，使其在智能识别方面具有很大的发展前景和应用潜力[1]。步态识别技术是一种基于行为特征的识别手段，在智能视频监控的大环境下，利用步态识别对监控范围内的人员进行跟踪和分析排查可疑人员，对发现重点人员、提高预警时间以及及时防范起到重要作用。研究步态识别技术对于提高智能监控水平、维护社会和谐稳定具有重要而深远的意义。

在步态行为分析中步态特征是实验分析的主要内容。针对步态特征，目前研究者提出了很多方法。文献[2]提出针对SarKar等[3]基于基线算法的步态周期检测的改进算法，通过对图像帧中运动目标的摆动距离的计算，根据摆动距离的周期性估算步态周期值。Yan-qiu Liu[4]等提出步态能量图结合步态周期的融合算法，利用傅里叶变换后的低频成分作为特征进行识别。本文提出步态周期检测的改进方法，使计算量更小且减少摆臂的干扰。

2 步态行为分析

步态行为分析是对步态数据库中的运动目标进行图像处理，获得运动物体的静态和动态信息，并对运动物体进行区分和识别，主要流程如图1所示。其中，预处理主要是获取背景图像。运动目标检测主要是提取运动目标和形态学处理。

2.1 图像预处理

通过预处理提取运动图像中背景图像。由于背景构成相对复杂，以及阴影、光照变化等影响，使得运动目标分割比较困难[5]。目前常用的是光流法和高斯法。每一种算法都有其特定的适用场景，根据客观条件的不同选择相应的算法来提取背景。由于数据库所使用的是固定镜头下拍摄的视频图像，背景、光线、距离等因素基本没有变化，所以本文采用背景减除法进行目标检测。

采用背景减除法，首先是建立背景模型。模型算法的效果直接影响背景提取的质量。原理是将一段特定视频中所有图像帧的像素平均值作为背景。平均值的计算以及更新规则都相对简单，因此该方法的实时性较好。由于光照变化会对图像亮度即像素灰度值产生较大影响，因此该方法对环境光照变化的适应性较差。平均背景模型的具体实现步骤如下。

2.2运动目标检测

运动目标检测是指从获取的视频图像中提取运动的目标，获得清晰的运动目标轮廓[6]。运动目标包含静态特征和动态特征，静态特征有人体高度和宽度、面积等，动态特征有关节角度、肢体摆幅、运动速度等，这些都可以表征运动目标特性。同时背景图像也分为固定场景和运动场景两种，由于场景是否静止，使得目标检测算法的选择不同。

运动目标检测是步态行为分析的基础内容，运动目标提取直接影响到到特征提取和分析。运动目标检测包括运动目标提取和形态学处理等操作。

首先，提取运动目标，对获取的背景图像和前景通过背景减除的方法进行处理，同时设置阈值理论值。调整阈值的大小，得到理想的二值圖像。如图3所示。

2.3 特征提取

在医学上步态周期的定义是：运动过程中，从一侧足迈步开始到同一侧足再次着地结束。也就是迈出左（右）脚最大距离到下次左脚最大距离时所需要的时间为一个步态周期。完整周期内，一侧下肢经历了两个阶段；即地面支撑阶段（站立期）和摆动期。站立期约占整个步态周期的60%，在这个过程中足跟完成着地到脚趾离地整个动作。摆动期为脚趾离地后到足跟再次着地的过程，约占整个步态周期的40%。一侧腿在摆动期的同时另一侧腿处在站立期。

2.3.1质心点定位

通过预处理操作获得运动目标轮廓，并提取运动目标质心。

3仿真实验与分析

步态行为分析以MATLAB软件进行实验分析，步态图像库采用CASIA数据库A中数据。CASIA数据库A中有20个样本，分三个角度，每个角度4个步态序列，共240个序列。目前实验只用到其中零度的80个序列。

按照以下步骤提取步态周期：

（a）读取数据库A中的样本序列。

（b）对图像进行质心提取操作，如图5所示。

（c）计算图像序列摆动距离变化趋势，如图6所示。

从表1中可以看出样本之间周期差值最小为0.07帧，且周期帧数在18～28之间。通过分析数据，发现zl周期帧数明显偏小。通过zl序列发现，提取到的运动目标轮廓有较大残缺，对运动目标质心获取和周期特性的获得产生较大误差影响，如图8。

当前实验数据是从80个图像序列中获得的，分析存在误差的主要原因有以下三种。第一，由于采用CASIA数据库A中数据作为基础，实验样本较少，造成误差较大。第二，由于图形处理过程中存在噪声干扰，使特征提取效果达不到理论值；第三，由于序列中存在异常轮廓导致数据变化发生突变，如图9所示。

4结论

本文通过获取图像帧中运动目标的摆动距离，利用摆动距离和步态周期的相关性得到周期特征。通过对实验数据分析，在图像处理的过程中存在无法消除的噪声，抑制噪声的同时产生新的噪声干扰；由于序列基数比较少造成运动周期值精度不够。在未来的研究中可以进一步补充样本数量，改进算法降低噪声干扰，以提高周期值的准确度。

参考文献：

[1]衣美佳. 步态识别关键技术研究[D].南京邮电大学，2015.

[2]马勤勇. 基于步态的身份识别研究[D].浙江大学，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]韦素媛. 实用步态数据库的建立和步态特征提取与表征方法[D].西安电子科技大学，2013.

[6]刘丽丽. 基于最外轮廓的步态识别研究[D].山东大学，2012.

[7]肖可. 基于步态特征的身份识别算法研究[J]. 计算机仿真，2012（4）：286-289.