一种基于模型的步态识别方法

步态识别论文

课程论文 步态识别 学号： 班级：通信122 姓名：楚舒琦

目录 摘要 (3) 一、背景介绍 (4) 二、相关研究 (4) 三、主题（算法） (5) 基于线图模型的动态特征提取 (6) 基于整体的静态特征提取 (8) 识别 (9) 四、实验 (9) 五、结果讨论 (12) 六、总结 (12) 七、应用前景 (12) 八、技术难点及解决途径 (14) 技术难点 (14) 解决途径 (15) 九、参考文献 (16)

摘要 步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。 关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正

一、背景介绍 步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。 人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。 二、相关研究 信息融合：感知融合是人类感知外部世界的本能之一。人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。 信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。按照信息抽象的个层次可将信息融合分为3级（像素级融合特征级融合和决策级融合）。 像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。

【CN110070029A】一种步态识别方法及装置【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910309192.7 (22)申请日 2019.04.17 (71)申请人 北京易达图灵科技有限公司 地址 100013 北京市朝阳区安定门外大街1 号1幢9层905室 (72)发明人 袁飞　华仁红　马向军　孙文凤　 (74)专利代理机构 北京路浩知识产权代理有限 公司 11002 代理人 王庆龙　苗晓静 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/46(2006.01) G06N 3/04(2006.01) (54)发明名称 一种步态识别方法及装置 (57)摘要 本发明实施例提供一种步态识别方法及装 置。方法包括：获取待识别视频中任一行人对应 的人体关键点特征向量序列；将人体关键点特征 向量序列输入至目标神经网络，根据目标神经网 络的输出结果，识别人体关键点特征向量序列对 应的行人身份；其中，目标神经网络是根据带有 行人身份标签的人体关键点特征向量序列进行 训练后得到的。本发明实施例提供的方法及装 置，通过获取待识别视频中任一行人对应的人体 关键点特征向量序列，并将该序列输入至目标神 经网络，根据目标神经网络的输出结果，识别该 序列对应的行人身份。通过充分利用人体关键点 特征，自学习人体的步态特征，大大提高了步态 识别的鲁棒性和准确性，并且，对硬件的要求较 低， 便于实际应用。权利要求书2页 说明书8页 附图2页CN 110070029 A 2019.07.30 C N 110070029 A

权　利　要　求　书1/2页CN 110070029 A 1.一种步态识别方法，其特征在于，包括： 获取待识别视频中任一行人对应的人体关键点特征向量序列； 将所述人体关键点特征向量序列输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述人体关键点特征向量序列对应的行人身份； 其中，所述目标神经网络是根据带有行人身份标签的人体关键点特征向量序列进行训练后得到的。 2.根据权利要求1所述的方法，其特征在于，所述获取待识别视频中任一行人对应的人体关键点特征向量序列，包括： 获取待识别视频，所述待识别视频中包括若干个行人； 对所述待识别视频进行采样，得到多帧图像并组成采样图像序列； 将所述采样图像序列输入至人体关键点检测模型，得到所述待识别视频中任一行人对应的人体关键点特征向量序列。 3.根据权利要求1所述的方法，其特征在于，所述将所述人体关键点特征向量序列输入至目标神经网络，之前还包括： 获取多个样本视频和每一样本视频中每一行人对应的行人身份标签，并获取每一样本视频中每一行人对应的人体关键点特征向量序列； 将每一行人对应的人体关键点特征向量序列和行人身份标签的组合作为一个训练样本，得到多个训练样本并组成训练集； 通过所述训练集对原始神经网络进行训练，得到所述目标神经网络。 4.根据权利要求3所述的方法，其特征在于，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括： 将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的行人身份标签计算所述原始神经网络的损失值； 若所述损失值小于第一预设阈值，则将所述原始神经网络作为所述目标神经网络。 5.根据权利要求3所述的方法，其特征在于，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括： 将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的行人身份标签计算所述原始神经网络的损失值； 若所述损失值小于第一预设阈值，则将所述原始神经网络作为候选神经网络； 多次调整所述神经网络的结构，每调整一次则重复执行训练过程以得到对应的候选神经网络，并从得到的多个候选神经网络中选择一个作为所述目标神经网络。 6.根据权利要求5所述的方法，其特征在于，所述从得到的多个候选神经网络中选择一个作为所述目标神经网络，包括： 从所述多个候选神经网络中，选择损失值小于第二预设阈值的若干个候选神经网络； 基于验证集对所述若干个候选神经网络中的每一候选神经网络进行验证，得到每一候选神经网络的准确率，并将准确率最高的候选神经网络作为所述目标神经网络。 7.根据权利要求1-6任一所述的方法，其特征在于，所述目标神经网络为长短期记忆网络。 8.一种步态识别装置，其特征在于，包括： 2

基于计算机视觉步态识别系统的方法研究

第21卷第4期湖　北　工　业　大　学　学　报2006年08月 V ol.21N o.4　Journal of H ubei U niversity of T echnology Aug.2006 [收稿日期]2006-05-23[作者简介]程　琼(1959-),女,湖北武汉人,湖北工业大学副教授,研究方向:模式识别及计算机控制. [文章编号]1003-4684(2006)0820101203 基于计算机视觉步态识别系统的方法研究 程　琼,庄留杰 (湖北工业大学电气与电子工程学院,湖北武汉430068) [摘　要]对目前步态识别系统的研究方法进行了分析、归类与总结,并在原有的研究方法基础上提出了三维 系统建模与跟踪新方法.计算机视觉技术为步态识别系统提供了强有力的分析工具. [关键词]步态识别;计算机视觉;研究方法[中图分类号]TP391.41 [文献标识码]:A 步态识别作为一种新兴的生物特征识别技术, 当前已成为基于视觉的人体运动分析领域的研究热点.步态识别是一种潜在的行为特征,相关研究已证实它可以用于身份识别. 1　步态识别系统组成 步态识别是从相同行走行为中寻找和提取相应个体的可区分的变化来自动进行身份识别.基于视 觉的步态识别系统,如图1所示,监控摄像机用于捕捉监控领域中的行人,结合背景的自动建模和更新,步态检测用来检测行人.行人在二维或三维空间中被连续跟踪.从跟踪结果中,步态模式的一些个性化特征被相应地提取.结合在步态数据库中已经存储的步态模式,分类器最后给出识别结果 . 2　基于视觉的步态分析 步态作为生物特征的可用性在早期已得到证明,关健是如何利用计算机视觉方法来获取个体运动特征.人体建模的选择对于从图像中识别人的形状,正确分析人的运动是非常重要的.骨架图模型是 以直线近似在关节点处所连接的骨骼来表达人体;立体模型能更好地表达人体,它利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节[1]. 许多研究将人的运动定义为身体运动的不同姿势.有2种主要方法来建模人的运动:一种是基于模型的方法,即选择人体模型后,该模型的三维结构从图像序列中进行恢复;另一种方法重在确定运动场的特征,而不需结构的重构.运动行为的识别可以认为是时变数据的分类问题. 可以看出,人体建模、跟踪与运动识别技术等视觉方法已为步态分析提供了一种强有力的分析工具. 3　步态识别方法分类 当前的步态识别方法有:1)使用行人的时空模式得到步态特征;2)通过光流分布来提取特征;3)特征化实际运动的外观.而如何紧支有效地表达分割出来的或跟踪的行人是非常重要的,因为它将直接或被进一步分析,以获取用于识别的步态特征. 步态包括2类分量:结构化分量,它捕捉了一个人的身体形状;动态分量,它捕捉人体行走期间的运 动特征.根据分析,步态识别方法一是基于模型或结构的方法,它通常建模人体结构并且提取图像特征来影射它们为模型的结构化分量,或者衍生出人体部分的运动轨迹来识别个体;二是非结构或者基于运动的方法,它通常特征化人体的整个运动模式来获取运动特征,而不考虑潜在的结构[2].

步态识别方法的分类及各类方法的比较

步态识别方法的分类及各类方法的比较 程汝珍1,2 1河海大学计算机及信息工程学院，江苏南京(210098) 2水文水资源与水利工程科学国家重点实验室，江苏南京(210098) E-mail：chengruzhen@https://www.wendangku.net/doc/9f6300304.html, 摘要：步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份。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,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。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段。在最近的文献中已经有许多研究尝试，提出了许多步态识别的具体方法。但国内外尚无将步态识别技术分类，本文提出了步态识别的六类分类法，且初步比较了每类方法的适用范围和优缺点，使读者较为全面了解步态识别技术现状。 关键词：步态识别；分类；适用范围；优缺点；比较 中图分类号：TP391.4 1.引言 步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份[1]。根据早期的医学研究[2]人的步态有24个不同的分量，在考虑所有的步态运动分量的情况下步态是唯一的。精神物理学[3]中的研究结果显示即使通过受损的步态信息人们也能够识别出身份，这表明在步态信号中存在身份信息。 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,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[4]。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段[5]。 步态识别部分 图1 步态自动识别系统框图 Fig1 the framework of gait automatic recognition system 步态识别系统的一般框架如图所示[6]。监控摄像机首先捕捉监控领域来人的行走视频，然后送入计算机进行检测和跟踪，提取人的步态特征，最后结合已经存储的步态模式进行身份识别。若发现该人是罪犯或嫌疑人，系统将自动发出警告。

基于贝叶斯网络的步态识别

邮局订阅号：８２－９４６３６０元／年 技术创新 人工智能 《ＰＬＣ技术应用２００例》 您的论文得到两院院士关注 基于贝叶斯网络的步态识别 ＨｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ （北京科技大学）张 磊刘冀伟 Ｚｈａｎｇ，ＬｅｉＬｉｕ，Ｊｉｗｅｉ 摘要：步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。本文提出了一种基于贝叶斯网络的步态识别方法。首先应用背景差方法获得运动人体侧面二值图像，将侧面像分为七部分来提取特征，采用最大方差法对 训练集进行离散化，对各部分分别建立贝叶斯网络，最后利用“投票” 规则将网络推理结果进行组合。将该方法在Ｓｏｔｏｎ步态数据库上进行试验，取得了比较理想的识别效果。关键词：生物特征识别；步态识别；贝叶斯网络 中图分类号：ＴＰ３９１．４ 文献标识码：ＡＡｂｓｔｒａｃｔ：Ｇａｉｔｈａｓｒｅｃｅｎｔｌｙｇａｉｎｅｄｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎａｓａｎｉｍｐｏｒｔａｎｔｂｉｏｌｏｇｉｃｆｅａｔｕｒｅｆｏｒｉｔｓａｂｉｌｉｔｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎａｔｄｉｓｔａｎｃｅ． ＴｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓａｈｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ．Ｆｏｒｅａｃｈｋｅｙｆｒａｍｅ，ａｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｐｒｏｃｅｄｕｒｅｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｍｏｖｉｎｇｓｉｌｈｏｕｅｔｔｅｏｆｔｈｅｗａｌｋｉｎｇｆｉｇｕｒｅｆｒｏｍｔｈｅｂａｃｋｇｒｏｕｎｄ．Ｅａｃｈｓｉｌｈｏｕｅｔｔｅｉｓｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｎｐａｒｔｓｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓ．Ｔｈｅｔｒａｉｎｉｎｇｄａｔａｉｓｄｉｓｃｒｅｔｉｚｅｄｂｙｔｈｅｍｅｔｈｏｄｏｆｍａｘｉｍａｌｖａｒｉａｎｃｅｄａｔａｄｉｓｃｒｅｔｉｚａｔｉｏｎ．ＴｈｅＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓａｒｅｓｅｔｆｏｒｅａｃｈｓｕｂ－ｒｅｇｉｏｎｏｆｔｈｅｓｉｌｈｏｕｅｔｔｅ．Ａｔｌａｓｔ，ｔｈｅｒｅｓｕｌｔｓｏｆｉｎｆｅｒｅｎｃｅａｒｅｃｏｍｂｉｎｅｄｗｉｔｈｖｏｔｉｎｇｒｕｌｅ．ＴｈｉｓｍｅｔｈｏｄｉｓｔｅｓｔｅｄｏｎｔｈｅＳｏｔｏｎｇａｉｔｄａｔａｂａｓｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓａｒｅｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅ．Ｋｅｙｗｏｒｄｓ：ｂｉｏｍｅｔｒｉｃｓｒｅｃｏｇｎｉｔｉｏｎ，ｇａｉｔｒｅｃｏｇｎｉｔｉｏｎ，ｂａｙｅｓｉａｎｎｅｔｗｏｒｋｓ 文章编号：１００８－０５７０（２００６）０９－２－０２６３－０３ １前言 近年来在例如视频监视，智能交互等许多重要领域中对自动身份识别系统的需求显著增加，极大的促进了基于计算机视觉的远距离身份识别的研究。步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。相对于指纹、虹膜等生物特征，步态还具有非入侵、难伪装等特点。 步态识别是指通过人走路方式来判断人的身份。虽然步态识别仍是生物特征识别中的新兴领域，但近年来已经涌现出了大量的研究成果。ＵＭＤ的ＣｈｉｒａｚＢｅｎＡｂｄｅｌｋａｄｅｒ等通过估计人体高度参数和步幅参数来进行识别。中科院的王亮等提出了基于Ｐｒｏｃｒｕｓｔｅｓ形状分析的识别方法。ＭＩＴ的ＬｉｌｙＬｅｅ采用七个椭圆描述人的侧面二值图像，采用椭圆参数和人体质心的高度作为特征，通过模板匹配方法进行步态识别。 贝叶斯网络是对不确定知识进行表达和推理的拓扑结构，广泛应用于人工智能、决策评估等领域。作为一种分类器，贝叶斯网络能清晰的表示上下层之间的依存关系，由于模仿了人的推理机制，贝叶斯网络能较好的表达知识的不确定性，并且能实现快速推理，因此本文提出了基于贝叶斯网络的步态识别方法。首先利用背景差获得人体侧面二值图像，以文献中的图像表示方法为基础，将其改进后用于特征提取。根据各特征间的独立关系建立贝叶斯网络，通过贝叶斯网络推理实现对步态的识别。 ２步态特征提取 人体行走是一个周期运动，如果对周期中每个静态姿势提取特征，特征维数过高，训练数据有限，建模将会非常困难。考虑到步态周期中双足支撑期和单足支撑期姿态相对稳定，因此，取这两个姿态作为关键姿态。 运动人体侧面二值图像通过背景差的方法获得，侧面二值图像的宽度随时间呈周期变化，以宽度为标准获取关键帧，这种方法算法步骤少，效率高，虽然精度有限，但仍然可以满足后面工作的要求。 Ｌｅｅ提出了将人体侧面二值图像分为七部分并用椭圆来拟合的表示方法。本文以这种方法为基础，文献中的人体结构比例，采用如下方法将侧面像分成七个区域：取人体质心，质心上半部分１／３作头部部分， ２／３作躯干部分， 质心下半部分平均分成两份，除了头部部分，用通过质心的垂线把人体区域分成前后两部分，形成共７个区域，如图１ａ所示。 这７个区域分别用一椭圆来匹配，如图１ｂ。以椭圆参数构成子区域特征向量，这些参数包括：归一化后的质心（ｘ／ｈ，ｙ／ｈ），长短轴比例（ｌ），长轴方向（α）以及相对面积（ｎ／ａｒｅａ），即各子区域的特征向量为ｒｉ＝（ｘｉ／ｈ，ｙｉ／ ｈ，ｌｉ，αｉ，ｎｉ／ａｒｅａ）， ｉ＝１，２，．．．７，ｒｉ，与人体区域的质心相对高度张磊：硕士研究生 北京市“现代信息科学与网络技术”重点实验室资助项目（基金项目编号为：ＴＤＸＸ０５０３） ２６３－－

步态识别论文

课程论文 步态识别 学号：12426009 班级：通信122 ：楚舒琦 目录 摘要 (3) 一、背景介绍 (4)

二、相关研究 (4) 三、主题（算法） (5) 3.1基于线图模型的动态特征提取 (6) 3.2基于整体的静态特征提取 (8) 3.3识别 (9) 四、实验 (9) 五、结果讨论 (12) 六、总结 (12) 七、应用前景 (13) 八、技术难点及解决途径 (14) 8.1技术难点 (14) 8.2解决途径 (15) 九、参考文献 (16)

摘要 步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。 关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正

一、背景介绍 步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。 人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。 二、相关研究 信息融合：感知融合是人类感知外部世界的本能之一。人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。 信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。按照信息抽象的个层次可将信息融合分为3级（像素级融合特征级融合和决策级融合）。 像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。