杜慧 赵晓东

摘 要：针对运动状态下人体步态的特征识别，本文采用了一种基于轮廓的方法对步态特征进行提取，先把目标从背景中分离出来，再提取人的整体轮廓，本文中所提取的人在行走过程中的特征就是人的质心点到轮廓边缘各个像素点之间的距离。然后使用BP神经网络算法根据步态数据库进行步态识别。结果表明，本文中的步态识别算法准确率优于其他算法。

关键词：轮廓；特征提取；BP神经网络；步态识别

绪论

随着社会与科学技术的发展，人们希望计算机能够更智能化，并且完成一些只有人类智能才能做到的复杂工作。计算机信息处理过程在一定程度上模拟了人脑信息处理过程，都经过了输入、处理和输出三个阶段。人体步行特征识别是生物识别技术中一个新的领域，它对于身份的识别主要是依据人行走时的步行姿态以及腿部特征。人体的步行特征识别具有非侵犯性并且很难伪装，它是不需要物理接触的，但是指纹识别、人脸的面部识别以及虹膜识别需要近距离接触才能提取想要的特征。近年来，人体行走特征识别使广大研究人员产生很大的兴趣。一些传统的人体步行特征识别方法提取到的都是二维特征和信息，由摄像机拍摄到的人们走路的图片，提取图片中人们走路时的一些腿部特征，如步间距、步行周期等。这些都是属于二维的步态特征，人在走路或者运动的时候这些信息都被忽略，这样无法体现人的状态过程。对于这些问题，本文通过轮廓图提取了三维特征参数。利用摄像机采取单帧步态图像序列，根据人身体的结构知识和摄像机标定的知识通过人体的整体轮廓图提取人走路时的三维特征数据，然后进行分析，进而达到步态识别的目的。[2]

步态特征提取

人体步态特征信息是人的整体轮廓周期变化的一个过程，包括动态特征和静态特征。轮廓的距离特征具有旋转、平移不变[3]等特性。人的行走过程是时空运动，空间方面体现在每帧图片中的运动轮廓，时间方面体现在静态特征随着时间的变化过程。人的行走过程是周期变化的，所以人的整体轮廓随着时间的变化也是周期性的，对于不同的人轮廓也有所不同，通过轮廓特征能够较充分的得到人在运动过程中的变化特性。

2. 步态检测及分割

运动目标检测及分割是从同时含有前景和背景的视频图像中，提取出运动目标，一般使用背景差分法、帧间差分法、光流法和能量最小化法来进行检测，本文中用的是背景差分法。步态分割是步态识别中的重要一步，也是摄像机采集到步态图像系列后的第一步，通过步态分割可以估计出人体的步态轮廓。[4]人体步行检测方法如下：

先检测运动目标，通过视频进行检测。然后对目标的运动图像进行整体的轮廓提取。本文采用中值法恢复背景，利用背景差分法对目标的帧图像和背景进行分离，对差分图像直方图进行均衡，利用迭代阈值法进行二值化，最后分割出当前图像中运动的像素。结果如图1所示。

2. 基于轮廓的特征提取

上面对获取到的实验者的图像进行了步行检测和分离，然后选取特征信息清晰易提取的图像进行动态步行特征提取。不同的人体行走过程的特征都是有明显差异的，本文选取实验者腿部的特征作为运动过程中步态识别的关键特征。

一般来说，人体行走过程识别只需在一个步行的周期内获取步行序列的行走特征。在上面人体下边沿轮廓图的基础上提取的人体轮廓边缘图并找出质心。如图2所示：

人体轮廓的边缘图是二维特征信息，边缘轮廓线可以用下式表示：

可以用Ns个像素点的信息来表达人体的每个轮廓。为了方便计算，可以将二维的步态剪影特征用一维特征向量[5]来表示。具体来说就是，依据前面的方法得到人的轮廓边缘图，列出轮廓边界上所有像素点的坐标值，人体轮廓图像的质心坐标（Xo，Yo）可用下式计算：

图2中，中间标注的点是人体质心，箭头指向是质心到人体边沿像素点的距离信号，轮廓中心距的大小就是人的轮廓质心到边缘像素点的距离大小。

将距离特征向量用N个bins的直方图显示，形成N维距离向量，利用直方图统计出不同人的轮廓距离特征的分布，这样就解决了特征维数带来的麻烦，同时对数据的处理提供了方便。由于人的行走过程具有周期性，所以一个步态序列就会含有多个步行周期，假设第k个周期内得到的特征向量为Vk，k=l，2，...，n，那么一个序列中的步行特征如下式所示：

根据中科院自动化所提供的人体步行数据库，提取出人在行走过程中的步行序列轮廓，再通过直方图对轮廓的距离信号进行了深入研究，如图3、图4、图5所示，从下面的直方图可以得出一个结论，同一个人的不同步行序列直方图几乎是一样的，不同的实验者行走过程序列的直方图明显不同，所以根据这个特征我们可以对人体行走过程进行识别。

2.3 分类识别

对所提取的特征进行分类的方法十分多，一般常见的包括以下几种：支持向量机、K—近邻分类器以及神经网络分类法。文中采用的是BP神经网络算法，BP神经网络步态识别算法就是把通过直方图提取到的特征数据输入到神经网络中，然后进行模拟仿真。再把测试样本的步行序列数据导入到之前模拟好的神经网络的模型里，估算模拟好的网络模型跟输入模型之间的相似程度，找出两者相似程度最大的特定目标，这个特定目标就是测试样本类别的ID号。文中基于BP神经网络的步态识别流程如图6所示：

用软件Matlab进行整个人体行走特征程序的编写和仿真，按照上面的方法来进行步态识别。本文实验中的数据是采用中科院步态数据库中的数据。为了保证人体行走特征识别的准确性，需要反复进行实验，文中利用分类正确率CCR作为步行识别的评价表准：

从识别算法来看，本文识别算法在识别率上要优于基于角度直方图[7]的步态识别算法，证明了本文的神经网络算法跟其他步态识别算法相比具有很大的优越性。

3 结语

本文主要从步态的分离检测、人体行走特征的提取以及分类识别来进行深入研究。其中行走过程中的特征提取是关键问题。在步态分离检测方面使用了背景差分算法检测出视频图像序列中的所需要的部分，然后提取出人在行走过程中的相对完整的轮廓图。再从人行走过程中的完整的轮廓图中提取步态序列的距离特征信息，用BP神经网络算法结合现有的步态数据库对步行数据进行分类识别，进而达到人体行走识别的效果，并在准确率方面明显优越于其他步态识别算法。

参考文献：

[1]Lily Lee Gait Analys is for Classification[R].AI Technical Report Massachusetts Institute of Technology-Artificial Intelligence Laboratory，June 2003.

[2]邓秀春，王仁芳.基于三维步态特征的步态识别方法[J].计算机仿真，2011，（4）.

[3]张恒.基于轮廓的步态识别[D].南京信息工程大学，2011.

[4]赵钦佩，等.一种新的基于背景的红外图像分割方法[J].计算机仿真，2007，（5）.

[5]Wang L，Tan T， Ning H， et al. Silhouette Analysis-Based Gait Recognition for HumanIdentification[J].Pattern Analysis & Machine Intelligence I-EEE Transactions on，2003，25（12）：1505-1518.

[6]丁冉冉（導师：阮秋琦）.基于步态识别的人体目标检测与跟踪.北京交通大学硕士论文，2017，（5）.

[7]赵子健，吴晓娟，刘允才.基于角度直方图的步态识别算法.计算机工程与科学，2006-06-30.