基于能量图的步态识别算法研究

薛傲

摘要：该文提取步态能量图特征进行身份识别，首先通过提取人行走过程中单周期内侧影图像，进行背景减除和归一化处理后，提取其能量图。其次运用主成分分析（PCA）进行数据降维，用低维数据表达原始数据，提升算法运行效率。最后采用多分类支持向量机（SVM）进行分类识别。采集20人的自然行走步态数据进行处理，构建数据库进行试验，实验效果良好。

关键词：步态能量图；PCA 支持向量机

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）05-0160-02

随着生物识别技术的发展，针对传统识别方法的局限性，如人脸识别、虹膜识别，步态识别主要从视频数据中检测不同个体行走姿态的不同进行自动的身份识别，以其可远距离感知、无需客体配合、不易察觉等特性受到人们的广泛关注，步态研究在医学、信息安全和公安视频侦察领域都有着广泛的应用。近些年步态识别的优势与应用前景巨大，越来越多的学者投入到研究行列中。目前有两类方法。

一种是基于模型，王等人利用普氏分析对步态轮廓形状进行建模[1]。Bouchrika和Nixon利用椭圆傅里叶描述子建立一种运动基础模型，该模型是从人体关节提取关键特征[2]。然而，该方法的性能受人体定位的影响，并且从步态序列中提取特征比较困难。

另外一种是非模型的方法。一是首先将临时的识别和训练状态信息保存，识别的过程运用隐马尔可夫模型[3]。主成分分析（PCA）被用于提取步态的统计学空间特征描述子[4]。使用这种方法，为了达到好的效果，临时概率模型方法需要大量的训练样本。因此，该方法运行计算较为复杂，需大量储存空间。其他的非模型方法是将图像序列转换成一个简单的模板。刘等人提出对人体轮廓进行均衡化来进行步态识别[5]。韩提出步态能量图（GET）来构建真实和合成步态模板[6]。王等人提出一种称为时空步态图像（CGI）的空间临时步态模板，通过颜色的不同对时间信息进行编码来提高识别效率[7]。本文从视频数据中获取人行走过程中的步态图像信息，提取人的步态能量图的特征，运用PCA将高维的步态能量图降到低维进行分类识别。

1 预处理

轮廓提取与归一化。

人行走步态侧影轮廓的提取采用比较常用的背景减除法，先获取采集数据时所在环境的图像，即为背景图像。再将人在该环境中行走的步态图像从背景中获取出来。

轮廓提取完成之后需要对图像进行归一化，将步态图像宽度和高度统一到一定的维度，以便于后期的样本训练和分类识别，如图1。

本文运用完整步态周期提取步态能量图，如图3。步态能量图反映的是整个行走过程中所有能量的累积，每一帧图像就是某一时刻步态能量的反映，如图中所示灰度值较高的表示该像素点在步态周期出现的次数较多。文中即通过该方法表达步态特征。

上步提取步态能量图后，图像数据的尺寸大小为85×50，图像数据维度较大，故对其进行PCA降维。首先将图像数据展开成行向量，即原始数据变为1×4250的向量，总共选取20个人进行测试，每个人选取4个步态周期作为实验数据，因此样本即为80×4250的矩阵，该数据样本维度非常大，需进行PCA降维。

2.2 PCA算法

主成分分析（PCA）是一种将符合高斯分布的高维数据降到低维的方法，获得投影系数，然后作为分类识别特征[9]。该方法首先假设有M个人的样本数据，每个人包含N组，每组数据维度为m×n，将所有样本数据展开成行向量组成一个矩阵数据，计算平均向量、差值向量、协方差矩阵，将所获得的矩阵投影在变换空间的系数作为分类识别的特征。

3 分类识别

在提取行走步态能量图后，接下来运用该步态特征进行分类识别，支持向量机分类器在泛化能力方面具有较强的能力，处理样本较小的数据也有很大的优[10]通常SVM是基于二分类问题的，而实际应用中大多是多分类问题，本文基于能量图的步态识别也属多分类问题，故选取一对多分类法。其基本过程为：1）构造多个两分类器，样本类别数决定分类器数；2）开始训练时每个分类器将对应训练集中的对应类数据标记为正类，标记为+1，其余则划分为负类，标记为-1；3）在进行分类识别时，二分类器中输入样本数据，分别得到每个类别的输出值[fi=sgn（gi（x））]，如果获得的数值只有一个是+1，这样便可以将输入样本数据化为某一类别，如果获得不止一个+1，这种情况下就对每个输出值[gi（x）]进行比较，如果输出值最终没有一个+1，那么分类就不正确。

运用支持向量机来分类识别，是否能够很好地进行分类受核函数的影响很大，本文选择径向基核函数[K（ai，aj）=exp{-ai-aj2σ2}]，分类器泛化性能受函数参数的影响，这样参数的优化选取就显得非常重要，以获取最优的分类器参数。鉴于上述参数选择，本文的参数优化选取网格参数寻优方法。

4 实验与分析

实验数据采集20人自然行走步态，步态图像均为摄像机侧面拍摄，即与图像平面呈90度，每个人采集4个步态周期作为样本数据，原始步态图像数据在提取运动轮廓后、再进行归一化处理，最终获得尺寸大小为85×50的步态图像序列。本实验在MATLAB2013a环境下进行运行测试。

通过20人的视频数据提取每个人的步态数据，每个人包含四组步态数据，每组即为一个步态周期，在对每组步态数据进行步态能量图的提取，从而作为特征数。鉴于能量图数据维度稍大，在进行分类之前需要进行数据降维，本文运用PCA将数据维度降下来，在获取低维的特征数据后随机选取三组作为训练数据，最后一组作为测试数据。本文采留一校验的方法来自动获得分类识别率，即每个人包含四张步态能量图，然后该方法将自动选择其中三张步态能量图来进行训练，剩下的则用来进行测试，多次分类识别结果取平均值。实验的最终识别率为80%。

5结束语

文中在20人的步态视频数据中获取步态图像信息，首先提取步态轮廓信息、然后进行归一化等预处理过程，本文只选取了90度视角下的人体步态数据，运用一个步态周期的步态数据获取能量图特征，通常图像数据的维度非常大，不能直接作为输入值，需经PCA进行降维处理，再进运用SVM进行分类，识别率达80%，效果良好。基于步态识别在商业、公安视频侦察领域具有广泛的应用，本文下一步将就特征提取进行深入研究，以获得更好的分类识别效果。

参考文献：

[1] L. Wang， H. Ning， W. Hu， T. Tan， Gait recognition based on procrustesshapemanalysis， in： International Conference on Image Process， 2002， pp. 433-436.

[2] l. Bouchrika， M. Nixon， Model-based feature extraction for gait analysis and recognition， in： International Conference on Computer Vision/Computer Graphics Collaboration Techniques， 2007， pp. 150-160.

[3] C. Chen，J. Liang， H. Zhao， H. Hu， Gait recognition using hidden Markov model in： Advanced in Natural Computation， 2004， pp. 399-407.

[4] L. Wang， T. Tan， H. Ning， W. Hu， Silhouette analysis-based gait recognition for human identification， IEEE Transactions on Pattern Analysis and Machine Intelligence 25 （2003） 1505-1518.

[5] Z. Liu， S. Sarkar， Simplest representation yet for gait recognition： averaged silhouette， in： International Conference Pattern Recognition， 2004， pp. 211-214.

[6] J. Han， B. Bhanu， Individual recognition using gait energy image， IEEE Transactions on Pattern Analysis and Machine Learning 28 （2006） 316-322.

[7] C. Wang， J. Zhang， J. Pu， X. Yuan， L. Wang， Chrono-gait image： a noveltemporal template for gait recognition， in： European Conference on Computer Vision， 2010， pp. 257-270.

[8] 任胜兵，李兴超，陆赤彰，等.基于人体静态特征融合的步态识别算法研究[J].计算机应用与软件，2012，29（12）.

[9] 赵鑫，汪维家，曾雅云，等.改进的模块PCA人脸识别新算法[J].计算机工程与应用，2015，5（2）

[10] 张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-42.