關節(jié)角度的變化能夠有效反映人體運動的主要特性。該文提出了一種基于關節(jié)角度信息的步態(tài)識別方法。首先對運動人體腿部建模，采用最小二乘法擬合邊界，獲取大腿和小腿關節(jié)角度的時序信息;根據步態(tài)運動的準周期性，將關節(jié)角度時序信息按傅立葉級數形式展開，采用遺傳算法搜索各次諧波的系數并進行尺度變換，生成特征向量;最后使用KNN分類器進行分類識別。該文在CMU庫上進行實驗，得到了令人滿意的識別結果，而且當步態(tài)發(fā)生遮擋或自遮擋時，該算法具有明顯的優(yōu)勢。

　　1引言

　　步態(tài)識別技術是一種新興的生物特征測量技術。

　　指出，步態(tài)特征具有唯一性，可以利用人體步態(tài)特征進行身份識別。基于人體的步態(tài)行為特征進行識別，可以在一定程度上克服傳統(tǒng)識別技術的不足，近年來逐漸被廣泛關注。

　　步態(tài)識別方法可分為基于統(tǒng)計特征和基于模型兩類。基于統(tǒng)計的方法直接從圖像序列中提取相應統(tǒng)計參數，作為對象分類識別的特征指標，如Huang等人[2]基于光流特征提出的主元分析法和線性判決方法混合變換，以及Wang等人[3]提出的基于輪廓的解卷繞識別方法等;而基于模型的方法則重點關注人的運動信息,預先建立人體模型,通過模型和圖像序列的匹配獲得模型參數,再利用這些參數作為步態(tài)特征進行分類，Lee等人[4]采用7個橢圓來匹配運動人體的二值化輪廓的不同的身體部位,然后提取橢圓的29個矩特征來分析、Yoo等人[5]根據解剖學的知識,進行軀體的拓撲分析,將人體的運動外輪廓簡化為一種2D的stick模型。

　　目前，兩類方法各自存在著一些缺點：基于統(tǒng)計的步態(tài)識別方法對背景和光照信號的變化敏感，且難以回避運動場景中的遮擋現象對識別能力所造成的嚴重影響;而基于模型的步態(tài)識別方法將整個步態(tài)序列的每幀單獨看待，損失了步態(tài)周期的有機整體性。文獻[6]指出身體的動態(tài)信息主要表現為大腿和小腿的擺動規(guī)律，因此可以在建立人體模型時作一些簡化。

　　針對上述問題，本文提出了一種基于關節(jié)角度信息的步態(tài)識別算法：將腿部輪廓邊界采用線段模型近似，并用最小二乘法擬合，計算出大腿和小腿的關節(jié)角度;考慮到步態(tài)運動的準周期性，將關節(jié)角度時序信息按傅利葉級數形式展開，利用遺傳算法搜索出各次諧波的系數，對各次諧波的幅度值進行尺度標準化，由此構成特征向量進行步態(tài)的分類識別。

　　2腿部關節(jié)角度信息提取

　　2.1運動人體輪廓提取

　　采用背景消減法來提取運動目標。先計算出背景圖像和當前圖像的差值，再對差值圖像進行二值化,得到二值圖像，如圖1(a),(b),(c)所示。對上述二值圖像做進一步的后處理。最終提取出來的人體輪廓如圖1(d)所示。由于采用背景消減法是運動目標檢測的常用方法，限于篇幅，在此我們就不贅述了。

　　2.2運動人體腿部建模

　　文獻[5]中的Stick模型把人體看成是由若干剛體構件組成的機構，并在該假設下將運動人體骨骼化為一組服從特定連接順序的線段，且每條線段都具有一定的轉動靈活性。基于運動學分析的步態(tài)識別研究，采用各關節(jié)角度的時序變化來描述人體步態(tài)行為。在Stick模型中關節(jié)角度可定義為相應線段與給定軸線之間的夾角。考慮到腿部運動是步態(tài)的主要組成部分，本文對Stick模型進行簡化，僅對運動人體的大腿和小腿進行局部建模分析。即由輪廓圖像生成腿部線段，獲得大腿和小腿的關節(jié)角度信息。

　　2.3腿部關節(jié)角度提取

　　運用邊界搜索檢測出輪廓圖像中的大腿(或小腿)邊界。采用線性最小二乘法對人體輪廓圖像中的大腿(或小腿)邊界進行線段擬合，將擬合結果作為本文模型中大腿(或小腿)的對應線段。設擬合出來的線段所在直線為：

　　則大腿(或小腿)對應關節(jié)角度

　　為：

　　對序列輪廓圖像依次進行上述處理，即提取出了大腿和小腿關節(jié)角度的時序信息。

　　3腿部特征信號提取

　　3.1步態(tài)信號周期性

　　Murray[1]的步態(tài)研究表明步態(tài)運動具有準周期性的特點。文獻[7]使用自相似圖表確定步態(tài)周期，本文則將最大輪廓寬度取得極大值時對應的圖像幀確定為步態(tài)周期的起始點。由于單個周期包含了周期信號的全部信息，本文算法選取步態(tài)序列中任意一個步態(tài)周期參與步態(tài)識別過程。

　　3.2遺傳算法搜索傅利葉級數系數

　　根據傅利葉理論，周期性連續(xù)信號可按傅利葉級數形式進行展開。例如，周期為的連續(xù)信號，可展開成下式：

　　式中，

　　為信號的直流分量，

　　對應信號各次諧波的系數，是最大諧波次數。對于步態(tài)信號而言，C.Angeloni等人[8]的研究表明，正常步態(tài)的最大頻率成分不超過5Hz，而正常步態(tài)單個周期的持續(xù)時間大約為1s，即正常步態(tài)的基波頻率為1Hz。鑒于此，本文對大腿和小腿關節(jié)角度的時序信息進行傅利葉級數展開時，均取=5。由于人體行進過程中的遮擋問題以及其它干擾因素的存在，總會出現某些幀的關節(jié)角度信息難以提取的情況，因此無法直接求解出各次諧波系數。

　　遺傳算法是模仿自然界生物進化機制發(fā)展起來的隨機全局搜索和優(yōu)化方法，它能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最優(yōu)(或近似最優(yōu))解。本文采用遺傳算法來搜索各次諧波的系數，本質上是根據提取出來的有限幀關節(jié)角度，對一個步態(tài)周期內關節(jié)角度的連續(xù)變化規(guī)律進行估計。本文選定的待優(yōu)化目標函數為:

　　進行多次搜索，選擇當取得最小值時的那組系數值作為步態(tài)周期的各次諧波系數。其中N為一個步態(tài)周期內的總圖像幀數，z(t)表示由第t幀圖像得到的大腿(或小腿)關節(jié)角度值，則根據遺傳算法搜索得到的系數帶入(4)式計算得到。圖2給出了根據已知關節(jié)角度信息，采用遺傳算法估計出來的某步態(tài)周期內大腿和小腿關節(jié)角度值的連續(xù)性時序變化過程。可以看出，在關節(jié)角度值已知處，估計值具有較高的估計精度。

　　實驗發(fā)現，同一個人在不同步態(tài)周期中，對應的大腿(和小腿)關節(jié)角度時序變化的估計曲線頗為相似，而不同人對應的估計曲線之間則存在一定的差異。圖3給出了不同人的大腿關節(jié)角度時序變化的估計曲線。

　　3.4生成步態(tài)特征向量

　　不同人正常步下步態(tài)周期的持續(xù)時間有一定差異，即便是同一個人，在不同步態(tài)模式下(如快步走與慢步走)對應的步態(tài)周期也是不一致的。顯然，必須對遺傳算法搜索出的各次諧波系數進行尺度變換，方能實現準確的步態(tài)識別。本文利用傅利葉變換的尺度縮放性質，對各次諧波系數所對應的頻率進行規(guī)一化，并將變換后所得各次諧波系數的幅度值

　　所組成的矢量，作為步態(tài)特征向量，用來進行步態(tài)的分類識別。

　　4實驗及分析

　　4.1步態(tài)數據庫

　　本文采用CarnegieMellon大學CMU步態(tài)數據庫進行實驗驗證。該數據庫共含25個人，每個人包含4種不同的步態(tài)模式:慢步走、傾斜走、快步走和抱球走，如圖4所示。每種步態(tài)模式有六個視角，則每個人對應有24個步態(tài)視頻序列。每一個視頻序列約11秒長,幀頻率30幀/秒，圖像分辨率為640×480。

　　4.2實驗結果及分析

　　本文從CMU庫中隨機選擇了單一視角下9個人的視頻序列進行步態(tài)識別(每人有4種不同的步態(tài)模式，共計36個序列)。

　　實驗選擇了最近鄰分類器和K-近鄰分類器兩種模式分類方法，使用留一校驗法對本文方法的識別率進行無偏估計。每次留出一個樣本，然后訓練所有余下樣本。最后，根據留出樣本與余下樣本的相似性來對被留出的樣本進行分類。表1給出了分別采用NN和3NN分類器的正確識別率。

　　從表1可以看出，將特征向量采用級聯(lián)方式的融合，并選用3NN分類器進行分類，可以獲得更高的識別率。特征向量級聯(lián)在一定程度上避免了由于單個關節(jié)特征數據誤差所導致的誤判。采用NN分類器時，對慢步走和抱球走兩種步行狀態(tài)，級聯(lián)識別率相對于小腿關節(jié)識別率并沒有明顯的提高，這可能跟樣本數量有限有關。

　　4.3算法比較

　　表2列出和本文采用相同或類似規(guī)模數據庫的文獻相關算法的識別結果,具有一定的可比性,從統(tǒng)計的結果可以看出本文算法具有較高的識別率。

　　5結語

　　本文提出了一種基于關節(jié)角度信息的步態(tài)識別算法，克服了通常情況下因遮擋而無法識別的難題。并在CMU庫上對該方法進行了實驗驗證，獲得了令人滿意的識別效果。本文僅考慮了單一視角(攝像機鏡頭的主軸與人的行走方向垂直)的情況。

　　進一步的研究包括：提高算法的實時性和魯棒性，在更大規(guī)模的數據庫中對本文方法進行識別性能測試，并分析特征提取對視角變化的敏感性，提取對于視角與人的行走速度不敏感的步態(tài)特征。

　　參考文獻

　　[1]MurrayM.P,DroughtAB,KoryRC.Walkingpatternsofnormalmen,J.BoneJointSurg,6-A(2)(1964)335–360.

　　[2]HuangP,HarrisC,NixonM.Humangaitrecognitionincanonicalspaceusingtemporaltemplates.VisionImageandSignalProcessing,1999,146(2):93-100

　　[3]WangL,HuWMandTanTN.Silhouetteanalysisbasedgaitrecognitionforhumanidentification.IEEETrans.PatternAnalysisandMachineIntelligence,2003,Vol.25,No.12,pp.1505-151