基于曲线相似度的步态识别研究

桑伟波

（中国刑事警察学院，辽宁 沈阳 110854）

0 引言

国内外步态识别方面的研究已经有很多了，这些方法总体来说可以分为2 类，即基于非模型的方法和基于模型的方法。非模型的方法不考虑人体的组成部分，只针对目标的轮廓信息或统计信息进行研究，研究的重点是通过采集目标连续运动视频图像，通过对目标图像的处理获取目标行走运动信息，根据运动规律提取表达步态信息的变化特征，根据这些变化特征进行步态识别。这些方法的计算相对简单且得到的数据准确，但是它们提取的特征不能够保证信息的完整性。基于模型的方法是利用人体结构建立步态模型，通过对人体结构（例如手臂、腿部、各处关节、骨骼等）进行建模，同时对受试对象在行走过程中建立的模型参数变化特征，通过这些参数变化特征来进行步态识别[1]。常见的模型包括钟摆模型、双足模型、条形模型、椭圆模型等，然后使用模型拟合原始步态信息，将原始信息数据的身体部分与建立的模型相对应的部分进行匹配计算，通过模型匹配后进行步态特征提取再识别。这些方法都能保证提取的信息相对完整，但是计算量相对较大，且如果存在遮挡，建模难度较大。

步态识别技术主要还是研究图像序列采集、图像分割预处理、步态特征提取以及识别算法等相关技术，特征提取的好坏程度决定了识别的难易程度。目前对特征的提取主要还是集中关注于对图像上二维单关节特征的研究，包括人体各部分轮廓长宽度、身体各关节平面角度等。但是都会存在或多或少的遮挡问题，有研究表明，前后实验对象仅穿一件风衣，建模的难度提升很大且识别的精确度由80%降至60%。因此，该文提出以足部特征为研究重点，通过Codamotion 三维动作捕捉系统提取多人步态序列，进行个人足部特征稳定性分析和不同人特征差异性分析，得出足部特征具备识别的基础条件，再通过弗雷歇曲线相似度进行个人识别。

1 研究方法

人体行走运动依赖于左右足交替完成支撑和摆动运动，足部特征主要体现在左右足在完成支撑和摆动时期形成的各种特征。该文通过Codamotion 采集受试者数据，主要是左右足根骨下端点与第5 个跖骨端点连接形成的空间角度，也称为脚摆角[2]，及其在3 个面上的投影角度为研究重点，通过对这4 个特征角度的变化规律进行研究，分析同一人稳定性，不同人差异性以及基于曲线相似度进行个人识别。

实验对象：20 名受试者参与实验，为了保证数据的可靠性，采集10 名男生和10 名女性的数据，每名实验对象均无行走运动障碍和足部缺陷，均为身体健康的年轻人。

着装要求：要求受试者身穿紧身衣裤，足部穿袜子，这样可以使标记点更靠近人体骨骼。

关节点标记：经过对人体骨骼位置的学习和掌握后，粘贴Marker 点，准确识别每个人的关节点处，保证同样的角度和位置。

实验器材：三维动作捕捉系统Codamotion 及其配套硬件设备。

数据采集：采集过程中，要求受试者按照预定速度行走，按照系统操作步骤先后采集每名受试者的10 组步态序列。采集后对数据进行汇总整理，并用Codamotion 软件初步观察受试者身上标记点的出现率，判断数据的完整性后将数据导出。

2 数据分析

将Codamotion 采集的步态序列数据导出并存储为Excel文件，利用Microsoft Excel2010 和SPSS 22.0 软件进行稳定性分析以及MATLAB 软件进行差异性分析，目的是探索脚摆角等特征是否具有同一人稳定性和不同人差异性。

2.1 同一人脚摆角稳定性分析

通过观察分析，以矢状面脚摆角的周期为整个步态周期，截取其他角度关键片段，将通过Codamotion 步态采集系统采集的受试者A 正常行走的空间脚摆角，及其3 个面上投影角度步态周期内的变化曲线放在同一个坐标系中，横坐标为时间，纵坐标为角度，如图1 所示。观察可见，同一人的脚摆角步态周期序列曲线呈现出比较明显的连续性和周期性变化特征。

对稳定性进行分析时采用SPSS 软件对完整周期数据进行单样本K-S 检验，探索其渐进显著性，验证是否符合正态分布，再通过绘制变量间散点图来描述两两变量之间是否具有线性分布性质。对连续变量符合正态分布且两两变量之间具有线性关系的空间脚摆角和矢状面脚摆角，通过SPSS 软件的Pearson 相关性来分析稳定性，对不符合正态分布的水平面脚摆角和冠状面，采用Spearman 相关性分析其稳定性，得出特征稳定，见表1。从表1 可以看出左右足形成的脚摆角具有稳定性。

表1 特征稳定性

图1 脚摆角周期序列图

2.2 不同人脚摆角差异性分析

差异性分析是基于角度变化曲线进行分析，所以采用弗雷歇距离来分析不同人特征曲线之间的差异性。通过同一人特征曲线之间的弗雷歇距离值较小，不同人特征角度曲线之间的距离值较大的差异来说明，不同人特征角度曲线具有显著差异性。以受试者H 为例，将受试者H 与其他人脚摆角曲线分别输入MATLAB 软件中，运行算法得到两两曲线之间的弗雷歇距离值，见表2。

表2 受试者H 特征曲线与所有人曲线之间的弗雷歇距离值

从表2 中可以看出，受试者H 特征曲线与样本数据库特征曲线进行比对，同一人特征曲线之间的弗雷歇距离值集中再某一区间，而不同人特征曲线之间的距离值显著大于同一人特征曲线之间距离值，这说明不同人之间具有差异性。对每个特征进行算法处理，得出不同人之间的4 个特征都具有较高的差异性，具备识别不同人特征曲线的条件。

3 个人识别

上文分别采用SPSS 软件分析相关性来探究同一人特征稳定性，同时采用MATLAB 软件基于弗雷歇距离来分析不同人特征曲线的差异性，得出同一人的每个特征均具有稳定性，不同人特征曲线之间具有明显的差异性。因此，可以利用这4 个特征进行个人识别。

3.1 数据库建立与算法编程

选取每个人每个特征的2 组曲线，1 组为实验对照组，1组为样本组，通过对每个人样本组的4 个特征曲线数据进行整合，得到所有人的样本数据库。算法编写是基于弗雷歇距离评价曲线的相似度来进行个人认定，距离越小，曲线越相似，越表明2 条特征曲线为同一个人。因此，编写算法进行个人特征曲线识别，需要通过调用样本数据库和个人部分，为弗雷歇距离算法定义与主算法来实现。

3.2 个人识别

将上述算法运行得到的实验对照组数据与所有人的样本数据库进行对比，对比其弗雷歇距离值，以受试者H 为例，运算得到弗雷歇距离值。通过曲线的相似度计算，如公式（1）所示。

对上述表格进行运算得到每个特征的曲线相似度，再对这4 个特征相似度求均值，得到受试者H 与样本数据库中所有人的总体特征曲线的相似度，见表3。

从表3 中可知，受试者H 特征曲线与样本数据库特征曲线进行比对，可以得出同一人的特征曲线相似度极高，受试者H 的特征曲线与样本中8 号的特征曲线平均相似度为91.14%，因此可以倾向认定受试者H 与样本数据库中的8 号人员为同一人，达到个人识别的效果。

表3 受试者H 与样本数据库中所有人特征曲线的相似度

4 结论

足部角度特征相对于其他关节角度特征具有不容易被遮挡的优势，左右足形成的脚摆角更包含丰富的变化信息，因此，足部特征的研究对步态识别技术中特征的提取具有重要意义。通过Codamotion 三维动作捕捉系统平台对20名受试者的足部空间脚摆角，及其在3 个面上的投影角度的变化规律，进行个人特征自身稳定性分析和不同人特征角度曲线之间的差异性分析，得出具备个人识别的基础条件，通过这4 个特征能够进行个人识别。通过基于弗雷歇距离的曲线相似度研究，确定这4 个特征可以用于个人识别，个人识别率达到91.14%。因此，在今后的步态识别研究中，可以考虑加强对足部特征的研究。