基于HOG特征的步态运动目标提取

黄婷婷

摘要：利用HOG特征对步态序列图像进行预处理，可以框定人体所在区域；在此基础上使用图割算法，可以将该区域中的步态运动目标提取出来。实验结果表明，本文算法有效克服了传统的人体轮廓分割算法容易产生的人体轮廓缺失及人体阴影的问题。

关键词：步态识别；图像预处理；HOG；图割

中图分类号：TP31 文献标识码：A 文章编号：1009-3044（2018）27-0188-02

步态识别是一种新颖的生物特征识别技术[1]，在国际上从90年代开始发展起来。它起源于心理学的相关研究，通过人体的行走姿势来识别和验证人的身份[2]。它的优点是采集数据不需要实际的物理接触，是隐藏的、非侵入性的。其工作原理为：（1）摄像机采集行人视频；（2）从背景图像中分割出目标轮廓；（3）图像预处理，提取特征；（4）特征分类，然后利用步态数据库进行识别。从其工作原理来看，利用图像处理从背景中检测出的字符是步态识别的基础。如果检测到的数据不完整或丢失，将影响步态特征提取的完整性和有效性。

传统的人体轮廓分割算法有背景差分法、Codebook算法、高斯背景建模方法等。背景差分法是对一个步态周期内的每一帧图片采用前景减去背景的差值图的方法，该方法的优点是算法简单、容易实现，缺点是要求背景静止且对光照敏感，在户外光照条件下容易出现轮廓缺失。CodeBook算法可以解决背景差分法在动态背景建模方面的问题，但算法复杂度较高，需消耗大量内存，且存在人体阴影问题。高斯背景建模方法对光照不敏感，但算法复杂耗时，且仍不能解决人体阴影。总之，当前困扰人体轮廓分割的难题有两个：1） 轮廓缺失问题；2）人体阴影问题。

本文的研究背景为在步态序列图像中将目标轮廓从背景图像中提取出来，图像背景选择为户外，便于验证算法对光照的敏感度。本文提出了一种新的将人体轮廓从背景中分割出来的方法。该方法提取HOG特征并进行分类，从而框定人体区域，然后再用图割算法提取人体轮廓。

1 HOG特征框定人体区域

1.1 HOG特征

其中[Gx]和[Gy]分别为x方向与y方向的梯度。之所以选择HOG特征是因为：第一，HOG计算针对图像的局部方格，所以对光照不敏感；第二，只要直立姿势不变，行人的动作对检测效果的影响较小。

1.2 HOG特征提取及分类步骤

提取HOG特征的步骤如下：

1） 归一化处理。首先对图像作灰度化处理和伽马校正，目的是抑制噪声干扰。

2） 针对每个像素计算梯度。主要是在进一步减少光的干扰的同时，捕获轮廓信息。

3） 将图像划分为8个像素/单元，对每个方格计算梯度直方图，形成单元描述子。

4） 将每一个相邻的四个单元作为块处理，并将块中所有单元的特征描述符连接在一起，以获得块的HOG特征描述符。

5） 将这些特征描述子串联起来，得到可用做分类的HOG特征向量。

6） 利用支持向量机分类器进行分类。

1.3 实验结果

针对步态序列图像进行HOG特征提取并分类后，可以框定疑似人体区域，如图1所示：

2 图割算法分割人体轮廓

2.1 图割算法

GrabCut图割算法是一种基于图论的图像分割方法。基于图论的分割技术是图像分割领域中新的研究熱点，该方法基于能量优化算法，将图像分割问题转换为图的最小割优化问题[4]。在 GraphCut算法的基础上，作了以下三方面的改进而得到该算法：

1） GraphCut是对灰度图像作处理，目标和背景的模型是由梯度上升到彩色图像处理。用高斯混合模型（GMMM）代替直方图来描述前景像素和背景像素的分布。

2） GraphCut用单个最小估计替换GrabCut，以完成交互式迭代过程的能量最小化（分区）计算过程，该迭代过程连续执行分段估计和模型参数学习。

3） GraphCut需要用户手动指定种子点，GrabCut只要选择框中的目标，框外的所有像素都将用作背景。

GrabCut图割算法[5]首先要定义一个吉布斯能量函数，然后求解这个函数的最小分割，这个最小分割就是前景背景的分割像素集合。用于分割的吉布斯能量公式为：

3 结束语

本文提出了一种新的将人体轮廓从背景中分割出来的方法。该方法先利用HOG特征对步态序列图像进行预处理，从而框定出疑似人体所在区域；接着在找到的疑似人体区域中做比较，将最大的那个作为人体区域；最后使用图割算法，进而将该框定区域中的人体轮廓提取出来。实验结果表明，本文算法有效克服了传统的人体轮廓分割算法容易产生的人体轮廓缺失及人体阴影的问题。

参考文献：

[1] 高海燕.人体步态识别研究[D].北京：北京交通大学，2010.

[2] 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.

[3] N.Dalal and B.Triggs.Histograms of oriented gradients for human detection.IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego：[s.n.]， 2005 ：886-893

[4] 朱伟，赵春光，欧乐庆，等.OpenCV图像处理编程实例[D].电子工业出版社，2016.

[5] Carsten Rother，Vladimir Kolmogorov，AndrewBlake.“GrabCut”—Interactive Foreground Extraction using Iterated GraphCuts.Acm Siggraph，2004，23 （3）：309-314.

[通联编辑： ]