基于人体轮廓中线投影的步态特征提取

Gait Feature Extraction Based on Midline Projection of Body Silhouette
WU Qingjiang, XU Wenfang, WANG Qingli
(College of Information Sciences and Engineering, Huaqiao University, Quanzhou 362021)
Bg (x, y) = med{g (k , x, y)}
背景差分得
Dis tan ce(Bg (x, y), g(k, x, y)) =| Bg (x, y) − g(k, x, y) |
背景差分值取当前帧 f (k, x, y) 与背景 B(x, y) RGB 各分
量作差的绝对值最大的一个。
1.2 差分后二值化 经过当前图像与背景图像的差分获得的前景目标灰度图
样本总数为
NT＝N1＋N2＋,…,＋Nc
以初始样本集的协方差矩阵作为产生矩阵，即
( )( ) 1 c Ni
c=
T N
∑∑ i=1 j=1
Xi, j
−µ
T
1 c Ni
Xi, j − µ
,µ
=
T N
∑ i=1
∑ j =1
Xi,
j
式中， µ 为总体均值向量， Xi, j 为第 i 个人第 j 个步态样本
向量。
子进一步滤除噪声和填充小的空洞，并且执行连通分量分析
来提取一个单连通的运动目标。为了减小分割误差，又执行
作者简介：吴清江(1949－)，男，副教授，主研方向：图像处理与模 式识别；许文芳、王青力，硕士生 收稿日期：2006-10-24 E-mail：WuQingJiang@
了一种基于轮廓边缘相关的配准方法以进一步跟踪前景区 域。一个步态轮廓检测过程如图 1 所示。
1 预处理
1.1 背景建模 采用了取中间值的方法从图像序列中恢复背景图像。灰
度空间背景建模方法具体如下：
—192—
f (k, x, y), k =1,2,...,n 是一序列步态彩色图像，令 g(k, x, y)
表示由 f (k, x, y) 灰度变换后的灰度图像，Bg (x, y) 表示建立的
灰度背景，即
第 32 卷 第 24 期 Vol.32 No.24
计算机工程 Computer Engineering
2006 年 12 月 December 2006
·人工智能及识别技术·
文章编号：1000—3428(2006)24—0192—03 文献标识码：A
中图分类号：TP391.4
基于人体轮廓中线投影的步态特征提取
(a)lqf
Project Verctor
(b)nhz 图 4 1 个完整步态周期轮廓框图(24 帧)
50
40
30
20
10
0
-150
-100
50
-50
0
50
Midline Project Index
(a)lqf
100
150
40
30
20
10
0
-150
-100
-50
0
50
100
150
Midline Project Index
步态是指人行走的姿势，是在一种远距离情况下唯一可 感知的生物行为特征。步态具有难于隐藏和伪装、便于采集 和远距离低分辨率识别等优点。作为生物特征识别技术中的 一个新兴领域，步态识别近年来成为计算机视觉领域中备受 关注的前沿方向。
特征提取是识别的关键因素，可以划分为基于统计特性 和基于模型 2 类方法。基于统计的方法不需要构建模型，而 是先对研究对象提出假设，然后用图像序列中目标移动所产 生的时空模式的各类统计值，从步态中提取特征参数。最常 用的就是步态轮廓特征。主要的应用有：(1)Little 与 Body[1] 从光流图像中获取频率和相位特征来识别个人；(2)Kale[2]采 取的是一种以步行人的轮廓的宽度为特征进行识别。基于统 计特性方法的特点是计算量较小，有助于在实用环节中达到 实时运算的目的，但对背景和光照信号的变化敏感，一旦场 景中出现遮挡现象，识别能力将受到较大影响。
则在利用最近邻距离分类技术，即计算测试样本与这 p 个分
|原始图像 - 背景图像 | = 前景目标
二值化
轮廓提取
图 1 步态轮廓检测过程
人体区域检测：经过处理后的图像中，前景只包含人体，
根据像素值可以找出前景中包含人体的最小矩形区域。一个
右脚向前迈的步态周期图像样本如图 2 所示。
也可以按照两脚的跨度来划分步态周期
的区域在图 6 中就更亮，并且清晰地显示了步态的周期性。 这些图也能用来解释不同人运动信息：如图 5(a)lqf 中间的 2 个峰值比图 5(b)nhz 更陡，说明图 5(a)lqf 手臂的摆动比 图 5(b)nhz 更明显，图 4 可以用来印证，图 5(b)nhz 几乎没有 摆动。身材高的人相应要用更多的向量来描述，步伐的跨度 也比较大，如图 5 两端的峰值比较大。还有不同人的摆动的 梯度和步行的速度也有差别：图 6(b)nhz 要用 50 帧来描述一 个步态周期，其他人用 24 帧。在图 6 中，可以明显地看出其 具有周期性。
个数。
沿中线投影后坐标为
xp =| xi − xh |
其中，P 点的个数是身高像素点的 2 倍，对于外轮廓到中线
同一位置的投影不止一个像素点(i>p)的情况，则选择距离最
远的。
2.2 步态时域特征 步态轮廓图像描述方法只是提取一个序列中一帧的特
征，2 个不同人的完整步态周期(由 24 帧组成一个步态周期)
沿中线投影
x 前半身 后半身
1
0.8
0.6
0.4
0.2
0
中线
-150 -100 -50 0 50 100 150
图 3 前半身和后半身沿中线的投影及其归一化处理
本文选择人体轮廓的前半身和后半身沿中线的投影作为
步态空间特征。设中线方程为
xh
=
1 n
n i∑=1xi
其中， xi 是外轮廓像素点的横坐标，n 是外轮廓像素点的
吴清江，许文芳，王青力
（华侨大学信息科学与工程学院，泉州 362021）
摘 要：提出了一种新颖且简单有效的步态特征提取方法。用背景差方法得到运动人体的轮廓，对提取出来的轮廓沿中线进行投影，将二 维的数据压缩为一维的中线向量。用 PCA 和 SVM 相结合的方法对其进行了验证，结果证明了该特征提取方法的有效性及良好的识别效果。 关键词：特征提取；中线投影；主成分分析；支持向量机
【Abstract】This paper proposes a novel and simple method of gait feature extraction. Body silhouette extraction is achieved by background subtraction. The body silhouette is projected along its midline to obtain the fore-and-aft midline projection vectors, which are then combined into one dimensional data vector as the gait feature. PCA is applied to reduce data dimension, and gait classification and recognition is performed by support vector machine. The result of the experiment demonstrates that the approach is effective and has encouraging recognition performance. 【Key words】Feature extraction; Midline projection; Principal component analysis; Support vector machine
τn
=
∑ ( i<τn−1
Pi
×i
+
i
∑ >τ n −1
Pi
×i )/
∑ >τ n −1
Pi
运用此算法可自动获取二值化时的阈值，阈值为 T0。
1.3 步态轮廓处理 经过上述处理后，得到的二值图中的前景区域不一定都
是真正的运动目标。一方面需要将属于目标的离散点组合起
来，另一方面又要去除噪声和阴影。本文需要使用形态学算
像要提取清晰的步态轮廓，就必须进行二值化。然而，二值
化的阈值的选择却是非常困难的，尤其对于那些低对比度的
图像，由于亮度变化太低，因此难以从噪声中将运动目标完
全地提取出来。有的脚下还存在阴影，在此本文使用了迭代
的方法获得图像的阈值。设图像中灰度值为 i(i=0,…,255)的像 素点个数为 pi ，那么迭代公式可表示为
的外轮廓框图见图 4，相对应的两个人分别是 lqf 和 nhz。在
此基础上，本文从时间序列所包含的信息中进一步利用时域
特征来描述步态，人体外轮廓沿中线的投影叠加序列见图 5。
为了更好地看到时域上的步态信息，显示每帧投影向量，如
图 6 所示。
从图 5 可以清晰地看到对称的形成 4 个峰值，就是肢体
摆动区域(对应着手和脚)变化比人体其它区域大得多。相应
量的 97％以上。
对于求得的每个特征向量，重建初始样本集中的每个样
本，得到一个 K 维的权向量用于识别。经过这样的特征空间
变换，在保留初始样本集绝大部分信息的基础上，压缩了初