基于特征融合的步态识别算法研究

薛傲

摘要：本文对足底压力分布和步态数据进行研究，运用数据融合的方法进行人身识别。运用比利时FootScan压力信息采集系统采集20名测试者赤足足部压力数据，获取动态变化压力作为实验数据，同时，通过监控录像同步录制每名测试者的视觉步态图像信息；提取生物特征数据，包括提取压力中心线、峰值压力和步态能量图作为身份识别的特征；利用像素级数据融合技术进行特征融合，采用多分类支持向量机（SVM）对样本数据进行训练和测试。 实验结果表明，运用特征融合的方法显著提高了分类识别率。

关键词：步态识别；PCA；SVM；数据融合

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）25-0210-03

随着计算机技术的不断发展，对于人们的身份认证不再局限于视觉的认定，正向着计算机自动识别的方向发展，生物识别技术应运而生，越来越多的生物特征被运用到身份识别中，生物识别技术的不断发展与成熟已经受到很多研究者的广泛关注，关于足底压力的研究较早出现在医学领域，研究表明由于人体先天的骨骼生长差异及后天的行走习惯影响，使步态特征在一定年龄段具有一定的稳定性，总体上看人的足底压力特征和步态特征都具有一定的稳定性，这样就为步态识别的研究打下了坚实的基础[1]。GiaKas等[2]证明人行走过程中足部与地面的反作用力相对较稳定并且也具有对称性，测试时间和频率等特性证实患病者与健康人群步态特征是存在差异的；Prabhu等[3]对糖尿病患者进行了足底压力分析，在分析足底溃烂程度时，用高频压力区域与低频压力区域的比值来衡量患者的严重程度；Moustakidis等[4]从频域角度分析地面反作用力并提取有效的特征用来进行身份识别，在40人的数据库上进行验证实验，识别效果较好；林尔东等[5]从時域和频域的角度分析了地面反作用力，并运用小波分解的方法进行了特征提取，用多分类器进行分类识别，在测试样本数据较少时取得了较好的识别正确率。目前关于步态识别算法研究主要有两种：基于模型的方法和非基于模型的方法。基于模型的步态识别方法优点在于能够很好的体现步态图像序列当前的变化，也能够预测过去和未来的状态。基于非模型的方法是通过对步态相关特征进行预测来建立相邻帧间的关系，其中特征包括位置、速度、形状等，其中基于形状特征的方法较为常见。Lee等[6]先将人体的侧影图像序列进行二值化处理，根据人体的质心比例关系将人体划分为7个区域，用椭圆形的模型对划分的7个区域进行建模，计算椭圆模型的质心、离心率等参数，将计算所得参数作为特征进行分类识别，Cunado等[7]早期运用了基于模型的方法，将大腿部与水平的倾斜变化作为特征进行步态识别，王俊等[8]将步态能量图中动态部分与Gabor小波特征进行融合进行分类识别。本文中将动态足底压力与步态能量图特征融合进行身份识别。

1 数据采集

1.1 压力数据的采集

本文中选取了比利时Rscan公司生产的FootScan压力采集系统，其组成包括一块压力地板和采集系统。采集的数据为动态压力数据，选取了20个青年人作为测试者进行数据采集，每名测试者在没有进行其他附加穿戴的情况下，赤足自然行走经过压力地板，每次有一只脚踩在压力地板上，由采集系统自动记录压力数据，返回起点重复采集，让另外一只脚踩在压力地板上，两只脚分别采集一次为一组，每名测试者采集4组实验数据，总共80组数据。如图1所示，导出动态压力数据，导出数据为xls格式的数据，数据以矩阵的形式呈现在表格中，表格中的数值代表每个压力传感器所记录的压力值，连续的表格数据代表动态过程中压感器记录的动态压力变化过程。

1.2 数据步态数据的采集

本文选取海康威视的筒状高清网络摄像机进行步态数据的采集。实验过程中在室内垂直于行走方向视角分别架设一台摄像机，同步采集两个方向的视频步态数据，在采集的过程中通过监控画面边采集边观察以保证数据的可用性。同样选取了20名测试者，每名测试者均按照自己的个人行走习惯进行视频数据采集，完成视频数据采集后，从每名测试者视频数据中截取4个完整步态周期的数据作为实验数据，视频数据的采集与压力数据为同步采集。

2 特征提取

2.1 预处理

实验采集动态压力变化数据，原始数据来源于FootScan压力采集系统，分别将每名测试者的原始数据导出到指定文件夹，导出数据均为xls格式，每个文件即对应一帧压力数据。由于每名测试者足部尺寸大小各不相同，导出数据维度也大小不同，进行特征提取的过程中需数据维度统一。因此，依据样本维度最大的数据确定参照标准，维度没有达到参照标准的，以零补充，获得统一的数据维度。图2所示为左足压力峰值数据，表格中的每个数据对应一个压力峰值，压力单位为牛顿，表格从下至上，依次为足掌区、足弓区、足跟区。

针对视频数据首先从视频流中获取步态图像序列， 通过背景建模和目标检测提取步态轮廓，并对图像进行剪切获得合适大小的步态轮廓图像，如图3所示。

2.2 压力峰值特征提取

将压力系统中提取的动态压力变化数据运用计算机进行叠加，记录每个传感器压力变化过程中的峰值，从而形成足底压力的峰值数据，以此作为特征。

2.3 压力中心线特征提取

在足底压力矩阵数据中，假设其中某列的非零压力值坐标如公式1所示：

[（xi，y1），（xi，y2），（xi，y3），...，（xi，yj）] （1）

其中[i>0]，小于矩阵的最大列数，[j]为非零行的矩阵最大行数，[i，j]均为整数。该列的压力中心点如公式2所示：

[fi（xi，yj）=（xi，j=1n（yj）/j=1nj）] （2）

其中[i>0，j>0]，将计算所得每列的压力中心点[f1，f2，f3，...，fn]连接起来形成压力中心线。

2.4 步态能量图特征提取

提取步态能量图进行分类识别，首先提取完整步态周期人体侧影，其次对侧影图像进行二值化处理，最后计算完整步态周期能量图。如公式3所示：

[I（x，y）=1Nt=1NBt（x，y）] （3）

公式3中N为完整步态周期包含的侧影图像，[（x，y）]表示像素点坐标，[Bt（x，y）]表示像素点对应坐标值。如图4所示，选取行走过程中一侧足跟接触地面至该侧足跟再次接触地面作为完整步态周期。

本文运用完整步态周期提取步态能量图，如图5所示，每帧二值化步态侧影图像就是某一时刻步态的能量图，通过对整个步态周期中所包含的能量图序列进行累积求均值，得出整个步态周期的步态能量图。能量图中亮度较高的像素点在步态周期中出现频率较高。

3 特征融合

在身份识别过程中，单一的生物特征进行身份识别具有其局限性，所以本文中为了获得更好的识别率，首先运用主成分分析法（PCA）分别对压力峰值、压力中心线、步态能量图特征进行特征选择，达到降低数據维度的目标。其次针对已获得的三组特征运用加法原则，在特征层上对特征数据进行融合，最后形成一组反映一个人步态信息的特征，运用特征融合的方式获得步态特征具有单一特征所不具有的动静结合的特点，能够更好地用于身份识别。

4 分类识别

本文完成压力中心线和压力峰值特征提取后，运用SVM分类算法进行识别。SVM应用于实际中，通常解决多分类问题，支持向量机（SVM）理论最初仅用以处理二分类问题，无法解决多分类问题[9]。目前，为实现对多分类问题的处理，将支持向量机理论进行扩展，主要方法有：一对一法、一对其余法，其主要思路是构造多个二值分类器，从而解决多值分类问题。从二类分类器构建的方法来看，一对其余方法是构造K个二分类器，判别时测试样本通过K个分类器，构建K个决策函数，测试样本被划分为具有最大决策函数值的一类。一对一方法在每两类样本间训练一个分类器，构造[K（K-1）/2]个分类函数，在判决阶段采用投票机制，得票最多类别即为输出结果。通常来说，针对N个类别的分类方法是构建多个分类超平面，将不同类别区分开来。具有N个决策函数满足公式4 ：

[y（x）=sgn（i=1lyiαiK（xi，x）+b）] [yk（x）（1≤k≤N）] （4）

所以可以将N分类问题看作一个判别向量，这样分类的结果就是最大分量的指数。

支持向量机在处理多分类问题过程中，分类识别的准确率很大程度上会受参数选取的影响，径向基核函数： [K（ai，aj）=exp{-ai-aj2σ2}]，核函数中的主要参数为[σ2]，在评估样本点的过程中引入惩罚因子C，决定对偏离样本的重视程度。因此，参数的优化选择，对于分类结果有着重要的影响。

5 实验结果

本实验采集了20个人正常行走状态下的足底压力数据，每名测试者左、右脚采集4组，共80个样本数据，分别选取每名测试者单足3组压力中心线和动态压力数据作为实验数据，编号为1-3，共60个样本。将每名测试者序号为1、2、3的压力数据作为训练样本，序号为4的压力数据作为测试样本。同时，同步采集20名测试者自然光条件下的步态视频，监控摄像架设在测试者侧面位置，与测试者呈90度，每名测试者采集4个完整步态周期作为实验数据，每名测试者一个步态周期包含60张左右侧影图像，利用侧影图像提取一个步态周期能量图作为特征。每名测试者提取四组能量图，样本空间包含80组数据，60组训练样本，20组测试样本。实验结果如表1所示，运用压力中心线特征进行分类识别率为60%，压力峰值、步态能量图特征分类识别率为85%，融合三种步态特征进行分类识别效果最佳，识别率为90%。

6 小结

本文中针对不同生物识别方法各有优缺点，受一定的环境及其他因素影响，致使识别效果降低，采用了信息融合技术提升分类识别率，实验结果证实该方法具有可靠性，但由于用于数据分类的人数限制，基于特征融合的分类方法仍没有充分显示其优越性，后续将通过对实验人数的增加来进一步验证该方法的优越性。

参考文献：

[1] Rosenbaum D，Becker H P.pressre distribution measurements-technical background and clinical applications[J].Foot and Ankle Surgery，1997，3：1-14.

[2] Giakas G，Baltzopoulos V.Time and frequency domain analysis of ground reaction forces during walking：an investigation of variability and symmetry[J].Gait & Posture，5（3）：189-197.

[3] Prabhu K C，Patil K M，Srinivasan S.Diabetic feet at risk： a new method of analysis of walking foot pressure images at different levels of neuropathy for early detection of plantar ulcers[J].Medical and Biological Engineering and Computing，2001，39（3）：288-293.

[4] Moustakidis S P，Theocharis J B，Giakas C.Subject recognition based on ground reaction force measurements of gait signals[J].Systems Man and Cybernetics Part B： Cybernetics，IEEE Transactions on，2008，38（6）：1476-1485.

[5] 林尔东，姚志明，郑重，等.一种改进的基于地面反作用力的步态识别方法[J].模式识别与人工智能，2011，24（3）：353-359.

[6] lee L，Grimson W.E.L.Gait analysis for recognition and classification[A].In：Proceedings of the Fifth IEEE International Conference on Automatic Face Gesture Recognition[C].Washington DC，USA，2002：155-162.

[7] Cunado D，Nixon M，Carter J.Using gait as a biometric via phase-weighted magnitude spectra.Proceeding International Conference on Audio and Video-based Biometric Person Authentication，Crans-Montana，Switzerland，1997：95-102.

[8] 王俊，王修辉.特征融合的对视角步态识别研究[J].中国计量大学学报，2017，28（2）：235-240.

[9] 胡国胜，钱玲，张国红.支持向量机的多分类算法[J].系统工程与电子技术，2006，28（1）：127-132.

【通联编辑：唐一东】