远距离人体步态识别算法的研究
电脑知识与技术研究开发
电脑知识与技术
１引言
自“９．１１事件”
以来，世界加强了对反恐作战的研究，这就要求对远距离人的身份进行确认。生物特征识别是传统的模式识别问题，它是利用人的生理或行为特征进行人的身份识别。脸像、指纹、虹膜等第一代生物特征，通常要求近距离的或者接触性的感知（如指纹需要接触指纹扫描仪、脸像需要近距离的捕捉以提供足够的分辨率等）。在远距离的情况下，那样的生物特征将不可能被使用。此时，人的步态仍是可见的，且它可在被观察者没有觉察的情况下从任意角度进行非接触性的感知和度量。因此，从视觉监控的观点来看，步态是远距离情况下最有潜力的生物特征，例如美国国防高级研究项目署ＤＡＲＰＡ在２０００年资助的ＨＩＤ（Ｈｕ－ｍａｎＩｄｅｎｔｉｆｉｃａｔｉｏｎａｔａＤｉｓｔａｎｃｅ）计划，它的任务就是开发多模式的、大范围的视觉监控技术以实现远距离情况下人的检测、分类和识别，从而增强国防、民用等场合免受恐怖袭击的自动保护能力［２］。步态识别是生物特征识别技术的一个新兴子领域，仍处于探索阶段，下面本文对关于人体识别文献进行总体的简单概述，然后根据自己的研究进行分析，有助于我们对人体步态识别这一个新的研究领域有个总体的认识和了解。
２文献概述
最早识别行人的方法也许是由Ｎｉｙｏｇｉ与Ａｄｅｌｓｏｎ提出的［４］。Ｊ．Ｌｉｔｔｌｅ和Ｊ．Ｂｏｙｄ［５］利用步态序列图像的光流的频率和相位信息进行步态识别。Ｃｕｎａｄｏ［６］等将大腿建模为链接的钟摆，并从其倾斜角度信号的频率分量中获取步态特征。Ｍｕｒａｓｅ与Ｓａｋａｉ［７］提出了一种时空相关匹配的方法用于不同的步态。Ｌｅｅ［８］采用七个椭圆表达人的侧面二值化图像的身体的不同部分，每个椭圆用质心等四个特征表示加上整个身体图像的质心的的高度一共２９个特征表示整个人体侧面图像，通过模板匹配的方法进行步态识别。Ｐｉｎｇｓ［９］对于利用不同的时空域模板进行步态识别作了比较。Ｙｏｏ等人［１０］根据解剖学的知识，提取除头、脖颈、肩、胸、骨盆、膝盖和脚踝的位置。然后计算各个位置的运动学特征（相对于垂直方向的摆动角度）进行步态的分类识别。近来，Ｓｈｕｔｌｅｒ［１１］等提出了一种基于时间矩的统计步态识别算法；Ｈａｙｆｒｏｎ－Ａｃｑｕａｈ［１２］使用广义对称性算子进行步态识别；Ｊｏｈｎｓｏｎ与Ｂｏｂｉｃｋ［１３］在步态识别中使用了静态身体参数；Ｙａｍ等［１４］尝试利用跑步行为进行人的识别。但仍需强调的是，步态识别研究目前仍处于起步阶段：（１）实验通常是在受限的条件下实现的，如相对简单的背景、相对于摄像机
而言人的侧面行走等；（２）算法评估都是在小样本数据库上进行的，一般最多不超过７人，４０个测试序列［１］。
通过上面参考文献的简单概述，我们可以了解到基于远距离的人体步态识别所涉及到的几项关键技术包括：视频处理、图像处理、模式识别。人体步态识别主要是针对含有人的运动图像序列进行分析处理，通常包括图像的分割，特征提取，进行相似性计算，分类识别几个过程。
３图像的分割与形态学处理
（１）由于研究的重点在于步态识别和特征表达上面而且试验
是在一定的假设条件下进行的，大部分采用了背景减除算法，本文对整个运动分割方法进行概述［３］。
帧间差分：差分法是最为常用的运动目标检测和分割方法之一。此方法的特点是速度快，适用于实时性要求较高的应用环境；不足在于算法对环境噪声较为敏感，并且基于差分法的运动目标分割精度没有保证；
背景估计图像与当前图像帧差：除差分法外，背景估计是解决静止或缓变背景下运动目标检测和分割的另一条思路。这类方法的优点在于对复杂背景情况效果较好，它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感；
基于运动场估计的方法：此类方法通过视频序列的时空相关性分析估计运动场，建立相邻帧对应关系，进而利用目标与背景表观运动模式不同进行运动目标的检测与分割视频序列运动场
估计方法主要有光流法（ＯＦＥ）、
块匹配（ＢＭＡ）以及基于贝叶斯最大后验概率（ＭＡＰ）模型的统计方法。与差分法相比，运动场分析能够较好地处理背景运动的情况，适用范围更广；但计算的时空复杂度均远高于前者。
（２）运动目标分割出来后将图像进行形态学处理，包括图像二值化，腐蚀膨胀，边缘提取，特征的提取是步态识别的关键。如下图：
（下转第２１２页）
收稿日期：２００６－０６－０７
作者简介：李鹏（１９７９－），女，助教；黄红梅（１９７９－），女，助教，硕士；王华剑（１９８０－），男，助教，硕士。
远距离人体步态识别算法的研究
李鹏１，王红梅２，王华剑２
（１．九江学院电子工程学院，江西九江３３２００５；２．武警工程学院通信工程系，陕西西安７１００８６）
摘要：步态识别是一种新的生物特征识别技术，它旨在根据人们走路的姿势进行身份识别。本文就远距离人体识别算法以及步态识
别所涉及到的运动分割，特征提取，模式识别进行了研究，给出了实验图像。
特别对基于模型的步态特征识别和基于人体行走的步态序列特征进行识别两种方法进行了比较和分析。
关键词：人体识别；质心；步态序列；特征提取；图像分割
中图分类号：ＴＰ３１１
文献标识码：Ａ文章编号：１００９－３０４４（２００６）２６－０１４９－０１ＡｒｉｔｈｍｅｔｉｃＲｅｓｅａｒｃｈｏｆＨｕｍａｎ＇ｓＧａｉｔＲｅｃｏｇｎｉｔｉｏｎＬｏｎｇＤｉｓｔａｎｃｅ
ＬＩＰｅｎｇ１，ＷＡＮＧＨｏｎｇ－ｍｅｉ２，ＷＡＮＧＪｉａｎ－ｈｕａ２
（１．ＡｃａｄｅｍｙｏｆＥｌｅｃｔｒｏｎｉｃｅＥｎｇｉｎｅｅｒｉｎｇ，Ｊｉｕｊｉａｎｇｕｎｉｖｅｒｓｉｔｙ，Ｊｉｕｊｉａｎｇ３３２００５，Ｃｈｉｎａ；２．ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓＥｎｇｉｎｅｅｒｉｎｇ，Ｅｎｇｉｎｅｅｒｉｎｇ
ＣｏｌｌｅｇｅｏｆＣＡＰＦ，Ｓｈａｎｘｉ７１００８６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｉｓａｎｅｗｔｅｃｈｎｉｑｕｅｏｆｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｂｉｏｌｏｇｉｃｃｈａｒａｃｔｅｒ；ｉｔａｉｍｓｔｏｒｅｃｏｇｎｉｚｅｔｈｅｈｕｍａｎ＇ｓｉｄｅｎｔｉｔｙｂａｓｅｄｏｎｔｈｅｉｒｓｔｙｌｅｏｆｗａｌｋｉｎｇ．Ｔｈｉｓａｒｔｉｃｌｅａｎａｌｙｓｅｓｔｈｅａｒｉｔｈｍｅｔｉｃｏｆｇａｉｔｒｅｃｏｇｎｉｔｉｏｎａｎｄｅｘｐａｔｉａｔｅｔｈｅｍｏｔｉｏｎｓｅｇｍｅｎｔ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ，ｇｉｖｅｓｏｍｅｐｉｃｔｕｒｅｓｏｆｔｅｓｔ．ｅｓｐｅｃｉａｌｌｙｄｉｓｃｕｓｓｔｗｏｍｅｔｈｏｄｏｆｂａｓｅｄｏｎｔｈｅｍｏｄｅｌａｎｄｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒ．
Ｋｅｙｗｏｒｄｓ：ＨｕｍａｎＩｄｅｎｔｉｆｉｃａｔｉｏｎ；Ｃｅｎｔｒｏｉｄ；ＧａｉｔＳｅｑｕｅｎｃｅ；ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ；ＩｍａｇｅＳｅｇｍｅｎｔ
１４９
电脑知识与技术教育论坛
电脑知识与技术
（上接第１４９页）
（ｃ）膨胀后图像
（ｄ）腐蚀后图像
４步态特征提取与表达
步态特征提取与表达是步态识别的关键，可以分为基于模型的方法和基于特征的方法。基于模型的方法是将人用合适的模型表达，跟踪分析模型的参数，进行步态的识别。基于特征的方法是直接从人体图像当中提取出步态的特征数据用于步态的识别。
４．１基于模型的步态特征提取与表达
基于模型的方法可以分为椭圆模型和线图模型。
（１）椭圆模型。典型的例子如文献［８］的方法，采用七个椭圆表达人的侧面二值化图像的身体的不同部分，每个部分用一个椭圆表示。对于任意一个椭圆区域Ｉ（ｘ，ｙ），则该椭圆区域的质心为
，，Ｎ为该区域内所有像素总数
。
该区域的协方差矩阵为：
该协方差矩阵的特征值λ１，λ２与对应的特征向量ｖ１，ｖ２指示椭圆长短轴的长度和方向。特征值之比ｌ与长轴的方向ａ如下：ｌ＝
λ１／λ２，，ｘ表示单位矢量［１，０］则对于每一帧
的步态特征矢量可以用ｉ＝１…７表示上面的２８个特征，加上整个身体的质心ｙ坐标共有２９个特征表示一帧步态图像，以此２９个特征作为步态识别的特征。
（２）线图模型。如文献根据解剖学的知识假设人体的高度为
Ｈ，则依据解剖学的数据相应的脖颈、
肩胸、骨盆、膝盖和脚踝的高度分别为０．８７０Ｈ，０．８１８Ｈ，０．７２０Ｈ，０．２８５Ｈ，０．０３９Ｈ。利用线段表示身体的不同部分，在图像序列中跟踪各个部分的摆动角度，利用摆动角度作为特征进行步态识别［３］。
４．２基于特征的方法
基于特征的方法是特征化人体整个运动模式以得到简洁的运动特征表达。行人运动时人体的轮廓形状随着时间而变化，一般选取人体侧面轮廓作为研究的特征图像，人在行走时在足够长的时间里可以认为是一种周期变化的过程，为了减少计算的复杂程度，将二维轮廓形状变化转换为一维的距离信号来近似表达这种步态运动的时空变化模式［１］。人的运动区域获取后，基于连通性的边界跟踪算法用于获取它的轮廓，同时计算它的质心利用投影质心之间的归一化欧式距离ＮＥＤ来度量序列之间的相似度。假设两个序列的投影轨迹分别为ｐ１（ｔ）与ｐ２（ｔ），则很容易获得它们
的投影质心Ｃ１与Ｃ２：
每个投影质心间接表达了该类的一个主轮廓形状，它反映了步态模式的结构化模型。其归一化欧式距离可定义为。
通常情况下，选择ｄ的最小值作为分类的结果。
５步态识别算法
当前的步态识别算法可以归结为两大类：一种是结构化（基于模型）方法，即尝试对人的身体结构或运动进行建模，通过提取图像特征并且映射它们到模型的结构分量或导出体元的运动时间轨迹来识别个体；另一种是非结构化（基于运动）方法，它不考虑潜在的结构，而是特征化人体整个运动模式以得到简洁的运动特征表达。
６结论
步态识别是生物特征识别技术的一个新兴子领域，目前仍处于研究阶段，尽管目前涌现了许多步态识别算法，但更多地是出于探索性目的，步态识别研究仍处于起步阶段。未来的工作重点在于创建具有一定规模的评估数据库、提高系统的评估方法、按照科学的方法观察影响性能的关键因素、开发潜在的人体模型的静态参数特征以及关节角度的动态特征等，开发实时稳定的基于步态识别的远距离身份认证系统具有重要的理论和实际意义。
参考文献：
［１］王亮，胡卫明，谭铁牛．基于步态的身份识别［Ｊ］．计算机学报，２００３，２６（１１）．
［２］田光见，赵荣椿．步态识别综述［Ｊ］．计算机应用研究，２００５．５．［３］ＬｉｔｔｌｅＪ，ＢｏｙｄＪ．Ｒｅｃｏｇｎｉｚｉｎｇｐｅｏｐｌｅｂｙｔｈｅｉｒｇａｉｔ：ｔｈｅｓｈａｐｅｏｆｍｏｔｉｏｎ．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎＲｅｓｅａｒｃｈ，１９９８，１（２）：２－３２．
［４］ＭｕｒａｓｅＨ，ＳａｋａｉＲ．Ｍｏｖｉｎｇｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎｉｎｅｉｇｅｎｓｐａｃｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ：ｇａｉｔａｎａｌｙｓｉｓａｎｄｌｉｐｒｅａｄｉｎｇ．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔ－ｔｅｒｓ，１９９６，１７：１５５－１６２．
［５］ＰＳＨｕａｎｇ，ｅｔａｌＲｅｃｏｇｎｉｔｉｏｎＨｕｍａｎｓｂｙＧａｉｔｖｉａＰａｒａｍｅｔｒｉｃＣａｎｏｎｉｃａｌＳｐａｃｅ［Ｊ］．ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅｉｎＥｎｇｉｎｅｅｒｉｎｇ，１９９９，１３（４）：３５９－３６６．
［６］ＹｏｏＪＨ，ＮｉｘｏｎＭＳ，ＨａｒｒｉｓＣＪ．ＥｘｔｒａｃｔｉｎｇＧａｉｔＳｉｇｎａｔｕｒｅｓＢａｓｅｄｏｎＡｎａｔｏｍｉｃａｌＫｎｏｗｌｅｄｇｅ［Ｃ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆＢＭＶＡＳｙｍｐｏ－ｓｉｕｍｏｎＡｄｖａｎｃｉｎｇＢｉｏｍｅｔｒｉｃＴｅｃｈｎｏｌｏｇｉｅｓ，２００２．
［７］ＳｈｕｔｌｅｒＪ，ＮｉｘｏｎＭ，ＨａｒｒｉｓＣ．Ｓｔａｔｉｓｔｉｃａｌｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｖｉａｔｅｍｐｏｒａｌｍｏｍｅｎｔｓ．Ｉｎ：ＰｒｏｃＩＥＥＥＳｏｕｔｈｗｅｓｔＳｙｍｐｏｓｉｕｍｏｎＩｍａｇｅＡｎａｌｙｓｉｓａｎｄＩｎｔｅｒｐｒｅｔａｔｉｏｎ，Ａｕｓｔｉｎ，Ｔｅｘａｓ，２０００．２９１－２９５．
［８］Ｈａｙｆｒｏｎ－ＡｃｑｕａｈＪ，ＮｉｘｏｎＭ，ＣａｒｔｅｒＪ．Ａｕｔｏｍａｔｉｃｇａｉｔｒｅｃｏｇ－ｎｉｔｉｏｎｂｙｓｙｍｍｅｔｒｙａｎａｌｙｓｉｓ．Ｉｎ：ＰｒｏｃＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｕｄｉｏ－ａｎｄＶｉｄｅｏ－ｂａｓｅｄＢｉｏｍｅｔｒｉｃＰｅｒｓｏｎＡｕｔｈｅｎｔｉｃａｔｉｏｎ，Ｈａｌｍｓｔａｄ，Ｓｗｅｄｅｎ，２００１．２７２－２７７．
［９］ＪｏｈｎｓｏｎＡ，ＢｏｂｉｃｋＡ．Ａｍｕｌｔｉ－ｖｉｅｗｍｅｔｈｏｄｆｏｒｇａｉｔｒｅｃｏｇｎｉ－ｔｉｏｎｕｓｉｎｇｓｔａｔｉｃｂｏｄｙｐａｒａｍｅｔｅｒｓ．ＩｎＰｒｏｃＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｕｄｉｏ－ａｎｄＶｉｄｅｏ－ｂａｓｅｄＢｉｏｍｅｔｒｉｃＰｅｒｓｏｎＡｕｔｈｅｎｔｉｃａｔｉｏｎ，Ｈａｌｍ－ｓｔａｄ，Ｓｗｅｄｅｎ，２００１．３０１－３１１．
［１０］ＹａｍＣ，ＮｉｘｏｎＭ，ＣａｒｔｅｒＪ．Ｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｂｙｗａｌｋｉｎｇａｎｄｒｕｎｎｉｎｇ：ａｍｏｄｅｌ－ｂａｓｅｄａｐｐｒｏａｃｈ．Ｉｎ：ＰｒｏｃＡｓｉａＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，Ｍｅｌｂｏｕｒｎｅ，Ａｕｓｔｒａｌｉａｎ，２００２．Ｉ：１－６．
ｓｔｏｐＤｒａｇ（）；／／当鼠标左键松开时，停止拖曳
ｉｆ（！ｈｉｔＴｅｓｔ（＿ｒｏｏｔ．ｃ１））｛／／判断鼠标指针的位置是否不与当前影片
剪辑实例重叠
ｔｈｉｓ．＿ｘ＝ｘ；／／不与当前影片剪辑实例重叠时，回到原位置ｔｈｉｓ．＿ｙ＝ｙ；
｝ｅｌｓｅ｛／／与当前影片剪辑实例重叠时，当前影片剪辑实例定位
在正确的位置
ｔｈｉｓ．＿ｘ＝４０；ｔｈｉｓ．＿ｙ＝７０；
ｉｆ（ｈｉｔＴｅｓｔ（＿ｒｏｏｔ．＿ｘｍｏｕｓｅ，＿ｒｏｏｔ．＿ｙｍｏｕｓｅ，ｆａｌｓｅ）ａｎｄ＿ｒｏｏｔ．ｈ＝＝０）｛＿ｒｏｏｔ．ｋ＝＿ｒｏｏｔ．ｋ＋１；｝｝
ｉｆ（＿ｒｏｏｔ．ｋ＝＝９）｛
＿ｒｏｏｔ．ｔｘｔ１＝＂正确！＂；＿ｒｏｏｔ．ｔｘｔ２＝＂共用了＂＋＿ｒｏｏｔ．ｓ＋＂次＂；｝｝
按照上述方法，分别给其他文字影片剪辑实例“Ｔ２……Ｔ９”
加入相应的脚本程序。
实践证明：在多媒体课件中增加适量的动画更能激发学生的学习兴趣和积极性，激发学生的创造力。学生能异步自主、同步互动地借助课件自主学习，从而达到优化课堂教学的目的。
参考文献：
［１］沈大林．中文ＦｌａｓｈＭＸ案例教程［Ｍ］．高等教育出版社，２００４．
［２］余红．网络课程的特点、
构成及开发［Ｍ］．中国远程教育，２００１．［３］罗雅．ＦｌａｓｈＭＸ动画制作［Ｍ］．电子科技大学出版社，２００４．
２１２