基于SWA—Gabor特征的步态识别

郑慧平 李旭健 张阳

摘要：针对背包、外套等干扰因素致使步态识别率降低的问题，提出一种分割加权的步态识别方法。首先通过帧差法与阈值分割相结合的方法得到动态信息更加丰富的帧差阈值能量图（FTDEI），将该能量图分割为3部分，并对每部分添加相应权重，然后利用Gabor小波对分割加权后的FTDEI进行不同角度的特征提取，得到加权的滤波特征（SWA-Gabor），最后通过KNN分类器对SWA-Gabor特征进行分类和识别。基于分割加权的步态识别方法能够很好地避免背包等干扰因素的影响。为了验证该算法的识别效果，在中国科学院自动化研究所CASIA-B步态数据库上进行实验，结果表明，在携带背包和外套的情况下，该算法的识别率较其它算法提高了约5%，取得了很好的识别效果。

关键词：步态识别；步态能量图；分割加权；Gabor小波；SWA-Gabor

DOI：10.11907/rjdk.181328

中图分类号：TP301

文献标识码：A文章编号：1672-7800（2018）007-0040-04

Abstract：Inordertosolvetheproblemthatthegaitrecognitionrateisdecreasedduetotheinterferencefactorssuchasbackpacksandjackets，asegmentationweightedgaitrecognitionmethodisproposed.Firstly，aframedifferencethresholdenergymap（FTDEI）isobtainedbycombiningframedifferencemethodwiththresholdsegmentation，whichobtainsricherdynamicinformationWedividetheenergymapintothreeparts，addcorrespondingweightstoeachpart，anduseGaborwavelettoextractthecharacteristicsofFTDEIfromdifferentangles.Weightedfilteringfeatures（SWA-Gabor）areobtained.Finally，SWA-GaborfeaturesareclassifiedandidentifiedbyKNNclassifier.Thegaitrecognitionmethodbasedonsegmentationweightingcanreducetheinfluenceofinterferencefactorssuchasbackpacksbyweighting.Inordertoverifytherecognitioneffectoftheproposedalgorithm，experimentsarecarriedoutonCASIA-Bgaitdatabase.Experimentalresultsshowthattherecognitionrateoftheproposedalgorithmisimprovedbyabout5%comparedwithotheralgorithmsinthecaseofcarryingbackpacksandouterwear.

KeyWords：gaitrecognition；GEI；segmentationweighting；GaborWavelet；SWA-Gabor

0引言

步态识别作为人体重要的生物特征识别之一，因其具有远距离、非接触、可采集等优点，相比传统的生物特征识别方法能够很好地解决视频距离远、人脸模糊以及其它无法进行身份识别的情况，在智能监控、案件侦破等领域有着重要研究意义，成为身份识别的重要研究方向和研究热点[1-2]。

由于视频采集时间间隔长，人体外观可能会发生很大变化，例如外出携带背包，天气寒冷时穿着大衣，这些明显的外观变化将直接改变人体轮廓，进而影响识别结果，成为步态识别的一大难题[3]。为了克服外套和背包的影响，李孟歆等[4]提出只保留腿部局部信息，通过腿部运动变化进行步态识别，该方法很好地避免了上身背包和穿大衣对步态识别的干扰，但因删除了大量上身静态信息，所以识别率没有很大提升。

对此，本文提出分割加权的思想，将人体的FTDEI能量图划分为3部分：头部、上身及腿部，由于人体头部和腿部含有非常重要的信息，所以增加头部和腿部相应的权重，为了降低人体上身着装和携带物的影响，首先通过算法策略判断人体是否背包，如有背包则减小其权重。该方法既保留了人体运动的大量信息，又避免了背包因素的影响，最后用Gabor小波进行特征提取，利用中科院自动化所CASIA-B步态数据集进行实验，识别率较传统方法提高了约5%。

1算法实现

1.1GEI生成策略

GEI步态能量图是将一个周期内的步态帧经过二值化处理后，按其质心点叠加重合，得到一幅平均步态轮廓图像[5]，以此作为步态特征进行步态识别，该方法能够简化单帧图像的复杂性，用一张步态能量图代替一个周期的序列帧；忽略各帧之间的关联性，更多地考虑步态帧的统计特性，在步态识别上取得了很好的识别效果[6]。步态能量图定义如下：

其中，N代表一个周期内序列帧数，t代表某一时刻的步态帧，x代表二维步态序列帧图像中的横坐标，y代表纵坐标，B代表二值轮廓图，G代表最后得到的GEI灰度图[7]，图1为90°视角下步态能量图合成过程。

1.2FTDEI能量图获取

GEI图像虽然相比于一些基于模型的特征提取方法具有易获取、鲁棒性强等优点[8]，但GEI图像维数空間较高，含有较多冗余信息，为了突出关键动态信息，减小静态信息的影响，本文提出结合帧差法与阈值分割法获取动态能量图。

基于幀差法与阈值分割法相结合获取步态能量图的具体步骤如下：

图2中左侧（a）为帧差图像，（b）为一个步态周期内帧差图像的均值，（c）为帧差能量图经过阈值处理后的帧差阈值能量图。

1.3SWA分割加权算法

为减少背包外套对于步态能量图的影响，学者提出了不同的解决方法[10]，文献[4]提出将人体图像进行分割，只保留人体运动的腿部信息，通过腿部运动信息进行识别，该方法避免了上身外观改变对步态的影响，但相应减少了头部等重要信息，致使正常行走状态下的识别率降低。

对此，本文提出一种分割加权的思想，用来降低背包、外套等干扰因素的影响。通过分割加权算法将FTDEI能量图划分为3部分，分别为D1、D2、D3，如图3所示：D1为人体头部信息，特征较稳定，区分度较高；D2部分为人体上身部分，易受背包、外套等因素干扰；D3部分为信息丰富的腿部运动部分，含有较多的动态信息。图3为同一个人在不同状态下的FTDEI能量图，显然，同一个人在不同状态下获得的能量图在直观上就有很大区别[11]。最后通过加权算法对每一部分进行加权，以突出不同部分的贡献。

SWA分割加权算法中的分割算法如式（7）所示：

其中L（n）表示图像的分割线，通过该分割线将动态步态能量图划分为3部分。P表示帧差阈值能量图中间黑色部分的点集，如图4所示的中间黑色区域。公式中|x2-x1|表示点集P中同一水平线上x1与x2两点的水平距离。Ymax表示集合P中y取得最大值。PYmin|x2-x1|表示x2与x1两点之间水平距离最短时所对应的y值，此时根据人体先验模型比例图可知，PY取值范围为0.818Ymax

根据分割算法求得分割线后，下一步将进行权重分配，SWA分割加权算法中的权重分配公式如下：

2基于SWA-Gabor的特征提取

FTDEI能量图是通过帧差法与阈值分割相结合的方法获得的动态步态能量图，该能量图去除了大量静态信息，保留了人在走路过程中的动态信息。Gabor小波是描述图像局部灰度分布的有力工具[12]，并能在多尺度、角度和频率域中有效地对图像进行表述，所以本文采用Gabor小波变换完成步态特征的提取。

鉴于Gabor滤波器参数的考虑，最终选用5个尺度和8个角度的Gabor小波[13]。将FTDEI能量图与Gabor核函数进行卷积运算，取其幅值谱图作为动态区域图像的Gabor特征，形成5个尺度、8个角度的40张Gabor特征图[14]，这样原来的1个FTDEI特征对于GaborFTDEI变为40个，从GaborFTDEI到SWA-GaborFTDEI，需要引入权重向量，用W表示[15]，如式（9）所示，w1、w2、w3分别代表了D1、D2、D3区域的权重，在后续分类的时候，会根据前文所提到的算法判断是否含有背包，如果有就给W2一个比较小的权重。

SWA-GaborFTDEI的度量方法如式（10）所示。计算两个样本相似度的算法是计算这两个样本的所有GaborFTDEI特征的距离，并乘以相应的权重，然后将每一部分GaborFTDEI特征的距离加权求和后得到SWA-GaborFTDEI特征的相似度[16]。Sb代表有背包时的相似度，Sub代表没有背包时的相似度，观察式（10）和式（11）可发现在计算SWA-GaborFTDEI相似度时，唯一区别在于计算SWA-GaborFTDEI欧式距离时所乘的权重因子不同[17]。

其中Wi为背包状态下相应权重，Wui为没有背包状态下权重，W不是一个常量，Wi和Wui的取值是根据i的取值决定[18]。为了简化冗余的数据，降低数据维度，方便后续分类操作，采用PCA对SWA-Gabor特征进行降维[19]，得到最终的步态特征，在此基础上进行分类识别。

3实验结果

为了验证基于SWA-Gabor特征提取算法的有效性，实验在CASIA-B步态数据库上进行，为了方便比较，这里统一采用了KNN分类器[20]，GEI、AEI、FTDEI和SWA-Gabor特征对比如下：

图5为携包状态下各种算法在各个视角下的识别率。从图中可以看出，本文算法在各个视角下的识别准确率比较稳定，在携带背包的情况下平均识别率为73.1%，其它经典算法的平均识别率为68.2%，相对于其它算法提高了约5%，有较明显提高。衣着变化情况下各种方法在各个视角下的识别率如图6所示。本文算法的平均识别率为77.2%，其它经典算法平均识别率为73.7%，相对于其它算法在各个视角下均有明显提高。

4结语

本文简要介绍了GEI能量图生成策略，在此基础上对GEI进行优化得到FTDEI能量图，该能量图去除了大量低频信息，减少了信息冗余。为了降低背包、外套等干扰因素的影响，提出分割加权的思想，将FTDEI能量图分为3部分，通过权重分配方法自适应地得到每部分权重，并使用Gabor小波进行特征提取，得到丰富的SWA-Gabor特征。为了验证本文特征提取算法的有效性，利用CASIA-B步态数据库进行实验。实验表明，在有背包和外套干扰的情况下，本文提出的特征提取算法较传统经典算法在识别率上提高了约5%，取得了很好的识别效果。

参考文献：

[1]卢官明，衣美佳.步态识别关键技术研究[J].计算机技术与发展，2015，25（7）：100-106.

[2]MURAYAMAJ.Identificationofapersonbasedongaitrecognition[A].TheSocietyofInstrumentandControlEngineers（SICE）：2015：5.

[3]孙卓.基于序列轮廓特征的步态识别研究[D].西安：西安科技大学，2017.

[4]李孟歆，姜佳楠，贾燕雯.基于步态能量图的特征提取新方法[J].科技与创新，2016（22）：75-76.

[5]王竣，王修晖.特征融合的多视角步态识别研究[J].中国计量大学学报，2017，28（2）：234-240+268.

[6]刘玉淑.基于时间保持能量图和Radon变换的步态识别[J].计算机工程与应用，2011，47（29）：164-167.

[7]史东承，贾令尧，梁超等.基于相位一致性改进的步态识别方法[J].计算机工程，2017，43（10）：198-202+208.

[8]李凯，王国超.融合腿部局部特征的步态识别方法[J].计算机工程与设计，2016，37（5）：1340-1345.

[9]XINGXL，WANGKJ，YANT，etal.Completecanonicalcorrelationanalysiswithapplicationtomulti-viewgaitrecognition[J].PatternRecognition，2016，50（C）：107-117.

[10]刘萍.与服饰、携带物无关的多视角下的步态识别[D].长沙：国防科学技术大学，2015.

[11]涂润.非模型步态识别的算法研究[D].武汉：华中科技大学，2015.

[12]杨晓超，周越，署光，等.基于Gabor相位谱和流型学习的步态识别方法[J].电子学报，2009，37（4）：753-757.

[13]SHAOH，WANGY.GaitrecognitionmethodbasedonintegratedGaborfeature[J].JournalofElectronicMeasurement&Instrumentation;，2017（4）：87-93.

[14]王昳昀.基于集成Gabor特征的步态识别方法研究[D].沈阳：沈阳工业大学，2017.

[15]ZORANZ，FERDINANDVH.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction[J]，PatternRecognitionLetters，2006，27（7）：773-780.

[16]任胜兵，李兴超等.基于人体动静态特征融合的步态识别算法研究[D].长沙：中南大学，2012.

[17]王磊.基于步态能量图和加权质量向量的步态识别研究[D].长沙：湖南大学，2010.

[18]肖德贵，王磊.基于加权行质量向量的步态识别方法[J].计算机工程，2011，37（11）：215-217.

[19]EKINCIM，AYKUTM.HumangaitrecognitionbasedonkernelPCAusingprojections[J].JournalofComputerScience&Technology;，2007（6）：867-876.

[20]贾令尧.基于步态能量图的身份识别算法研究[D].长春：長春工业大学，2017.

（责任编辑：江艳）