张朕

摘 要：在视频侦查越来越普及，越来越有效率的今天，分析监控视频中嫌疑人的行走步态特征已经成为侦查破案重要的一环，但是在破案一线工作中，视频中人体运动信息却往往仅凭人的观察和总结，应提供大量的数据实验以及量化标准支撑。Codamotion三维动作捕捉系统能有效准确的分析人体运动上的规律，总结出人体运动的稳定特征和特定特征，为侦查破案提供有效的数据支持。

关键词：三维动作捕捉 步态分析 视频监控

中图分类号：DF7 文献标识码：A 文章编号：1672-3791（2017）09（b）-0197-02

步态是指人们行走时的方式，这是一种复杂的行为特征。同时，步态特征又具有较高的稳定性和特定性。步态特征的分析有着多方面的研究价值，在医疗领域，对于进行康复治疗的人进行步态分析，以确定治愈程度和康复计划的可行性；在运动领域，结合运动生物力学来帮助运动员更高效地进行体育运动、以优化和提高运动成绩；在人身识别方面，虽然现在的识别方法较为先进，例如人脸识别，指纹识别，虹膜识别等，但是步态识别方法在人身识别方法中独具特征——远距离性和隐蔽性等。还可以结合行为人步态的变化来对足迹特征作出具体的量化分析，对足迹学进行更深入的量化研究。

步态具有唯一性。早期的医学研究已经证明了步态虽然是一种复杂的行为特征，但具有唯一性。步态是很难伪装的，即具有稳定性。

本文介绍的在国内外现阶段都属先进的人体三维动作捕捉系统codamotion，对于研究人体行走时上肢和下肢等肢体关节及身体部位对应的变化规律有着独特的优势，为进一步人体运动规律的分析和识别做出基础性分析与分类，以确定具有较高分析价值的关节、肢体部分及其对应的分析策略。

1 实验方法

Codamotion系统是世界上较为先进的三维动作捕捉系统，以主动红外捕捉的方式，获取被捕捉物体各环节的动作，提供便捷、高效、精确的三维数据采集，被广泛应用于动作科研分析、步态生物力学研究、临床步态分析、神经行为和感知、人机工程学等各个领域。单个采集点动态采集频率最高达5800hz，分辨率高达0.05mm，完全可以适用于人体各种運动动作的分析中。Codamotion系统可在数分钟内完成任意marker方案的设定，自定义曲线图表、棍状演示图、实时设置、关节角度、刚体均可定义，做到精确分析单个标记点的位置变化以及多个标记点之间的相对关系，对人体的步态特征进行量化描述。

1.1 实验准备

首先对受试者进行基础信息采集，包括受试者性别、年龄、身高、体重等，然后依据年龄对受试者进行分组。

（1）着装要求：要求受试者身穿着紧身衣裤，使标记点更靠近人体骨骼，系统建模更准确。实验人员专门采购的平底布鞋同一款式不同型号若干双，由受试者选择适合自己的穿着。

（2）贴marker标记点：由一名专门试验人员负责粘贴marker，保证每个人用同样的粘贴标准，粘贴在相同部位。确保左右对称，如果条件允许，则依据人体骨骼模型，对应骨关节进行贴点。

（3）在采集测试数据时，若区分速度，则采用节拍器对受试者步频进行适应性训练。行走时，保证受试者目视前方，身体自然。

1.2 实验方法

实验需在室内进行。由专门负责粘贴marker的实验人员贴点后，让受试者自由活动一段时间，以适应穿戴实验装备后运动的状态。如果实验要求对受试者不同速度进行分别实验收集数据，则需要受试者按照节拍器的节奏进行行走准备，以保证速度控制在要求的范围内。

实验进行时，受试者在要求的范围内做行走或者慢跑动作，由于数据采集的marker点会受到衣物或者肢体部位的遮挡，进而对实验数据的完整性造成影响，所以在每种测试条件下应多进行几次实验。数据采集后应及时保存有效运动信息，删除无效数据，避免对冗余数据对计算机运算速度造成影响。

1.3 数据分析

利用Codamotion系统可以准确高效的采集到实验研究中所需要用到的数据，这比传统的数据采集精度更高，速度更快，可以不断变换数据采集策略进行研究。利用codamotion系统对对象身体关节及部位的运动状态进行数据采样。这套系统所采集的数据为三维坐标模型数据，能输出然后利用数据分析软件SPSS Statistics 或者MATLAB软件对系统所采样到的数据进行分析拟合，并根据分析结果得出结论，判断该项数据所反映的关节及部位是否具有稳定性和特定性，最终确定所提取的数据和分析方法的有效性和鲁棒性。

实验所提取的各部位运动特征数据是为后期数据分析，确定不同个体的独特性，个体识别做准备。个提识别是根据所得未知身份人的步态，在数据库中搜寻与之匹配的人的步态，从而确认其身份[2]。这个过程中会用到SPSS Statistics 20.0和MATLAB R2014b软件对需匹配的数据进行分析，在分析过程中，结合了国外较为先进的肢体数据分析方法，对数据中蕴含的特征分量进行合理放大分析以便于深入开发数据的有用性，并制定匹配方案，最终得出匹配率。

2 比较分析

国内外较多的步态分析研究团队采用的是基于视频域分析的方法。但是罪犯或许会通过化装改变自己的外貌，谨慎的不让指纹或头发留在作案现场，但他们却很难控制他们走路的姿势。步态风格的微小变化可以被用作生物标识符来识别个体的人。该参数有时空相关（步长，步宽，步速，周期时间）和运动相关（髋，膝，踝，指的是髋/膝/踝关节角度和大腿/躯干关节旋转/脚角度）等的特性[3]。

在人员监控，身份识别以及视频侦查领域，较多的是直接运用视频数据分析，但笔者认为，基于视频、图像的身份识别，步态分析等应用，应该是建立在对人体本身运动特征的分析基础之上。

（1）先以数据为支撑，通过更为标准严格的运动三维数据来确定人体运动是否具有同一人同一状态下的稳定性。国内外的研究大多数是建立在默认这一结论的基础上，但是并没有大量的实验数据支撑。endprint

（2）继而通过实验论证，数据分析出人体某些部位，关节点等在特定运动条件下的各个特征分量具有稳定性，可分析性。

（3）重点是在确定稳定性的基础上，对这些特征进行分类，确定不同运动特征变量阈值。同时确定不同识别算法，并通过对比，可行性论证确定特征价值。

本文采用的实验设备codamotion系统通过直接准确的采集运动状态信息，直接分析人体运动的特征，对于捕捉运动过程中肢体关节及身体部位的运动有着较为独特和先进的采集办法，无需考虑复杂的背景干扰和行走环境问题，对步态数据实现了全方位，高频率的采集。这样与直接运用视频图像的研究思路相比，研究思路更为清晰，结论支撑更为强大，数据基础更为准确。基于视频的研究是本研究方向的下一个目标，只有基础理论充足，下一步研究才更具科学性。并且视频域的图像目标识别和提取是一项长久的跨学科的任务，需要与步態特征并行研究，本文研究思路可缩短实现步态识别研究成果的时间。

本项目研究特点和创新之处在于采用了国内外较为先进的codamotion三维动作捕捉系统，分析算法上借助spss软件以及借助matlab软件在算法开发、数据可视化、数据分析以及数值计算等方面较为高级开发研究环境，在步态分析领域实现更高水平的数据挖掘。

3 结语

近年来，视频监控领域，侦查犯罪领域，运动健康恢复领域等都需要在人体步态分析方面的研究成果。随着计算机技术以及人工智能的强势发展，科研人员越来越对步态识别投入更多的重视，尤其在视频侦查方面，对监控录像中的人员进行步态分析和确定识别个体方面，有着极其重要的意义，这都促进了这一领域的深入研究。继指纹识别，虹膜识别，DNA鉴定，人脸识别之后，步态识别将会再次掀起人身个体识别的新浪潮，从而实现远距离对人体远距离这一其他识别方法无法达到的能力[4]。同时还将带动，图像模式识别，医学研究，光电设备，新型安防设备等领域的大力发展。

参考文献

[1]胡荣.人体步态识别研究[D].华中科技大学，2010.

[2]曾莹.基于角度及轮廓特征的步态识别方法研究[D].中南大学，2008.

[3]黄涛，李新建.篮球专项学生的步态特征和足底压力研究[J].运动，2015（19）：88-89.

[4]郑晓雯，王仝杰，李彩琴.基于步态的人体身份检测与识别[J].计算机工程与应用，2004，40（5）：82-83.endprint