基于加权区域特征的快速步态识别

基于加权区域特征的快速步态识别
叶汉民;黄培亮
【摘要】为提高步态识别率根据不同肢体部位对识别贡献程度的不同,提出一种基于加权区域面积特征的步态识别新算法,将人体轮廓侧影划分为多个可变区域,分别提取每个区域的面积作为步态特征,计算特征向量各元素的贡献度,然后对特征向量进行加权处理,并改进最近邻分类器进行分类,最后在UCSD和CASIA步态数据库上进行充足的实验,实验结果表明了该方法具有较高的识别率.
【期刊名称】《计算机工程与应用》
【年(卷),期】2016(052)010
【总页数】5页(P157-160,200)
【关键词】步态识别;可变区域面积;加权处理;最近邻分类器
【作者】叶汉民;黄培亮
【作者单位】桂林理工大学信息科学与工程学院,广西桂林541006;广西矿冶与环境科学实验中心,广西桂林541006;桂林理工大学机械与控制工程学院,广西桂林541006
【正文语种】中文
【中图分类】TP391
YE Hanmin,HUANG Peiliang.
Computer Engineering and Applications,2016,52（10）：157-160. Abstrac：In order to improve the gait recognition rate,depending on the
extent of the contribution of the different body parts for identification,a new gait recognition algorithm based on the weighted area features is proposed,dividing the body contour silhouette into a plurality of variable regions,extracting the coverage of each region area as gait features, calculating the contribution of each element of the feature vector,getting the feature vector weighted,improving the nearest neighbor classifier for classifying,and finally conducting plenty of experiments on the UCSD and CASIA gait databases. Experimental results show the high recognition rate of this method.
步态识别是一种旨在根据人行走的方式来识别身份的生物特征识别技术，与其他生物识别技术（例如指纹，虹膜，人脸，掌纹等）相比不需要被识别人参与操作，具有非侵犯性，非接触性，易于感知，难于隐藏，难于伪装等优势[1]。

鉴于上述诸多优点，步态识别在模式识别领域和计算机视觉等领域引起了广泛的关注。

在门禁系统，安全监控，医疗诊断，人机交换等领域具有广泛的应用前景和难以估量的经济价值。

近年来，国内外众多学者提出了大量有关步态识别的新方法：柴艳妹等[2]提出一种基于区域面积特征的步态识别方法；贾楷熙等[3]提出一种用Zernike矩来描述步态特征法；吴育锋等人[4]提出一种基于傅里叶描述符优化形变轮廓插值法；王开杰等[5]等提出一种用列质量向量来表征步态并结合SVM步态识别法；Mu等[6]提出利用一种脚步运动信息来表征步态的识别方法；Yoo等[7]进一步拓展了2D人体杆状模型；Ioannidis等[8]提出融合Krawtchouk矩，圆周综合radon变换量和径向综合radon变换量的方法。

虽然上述方法均取得了较好的识别率，但是它们仍然存在一定的缺陷：一方面，提取特征过于复杂，计算量大；另一方面，没有考虑到人体不同部位对识别贡献程度是不同的[9]这一关键影响因素，对不同身体部位按照相同权重来进行识别，从而
对监控实时性要求和识别率产生了一定的影响。

针对上述不足，本文提出了一种基于加权区域面积特征的新算法，提取简单的区域面积作为步态特征，不需要复杂的跟踪计算，大大降低了计算的复杂度，减少了训练时间，增加了算法收敛速度，从而满足监控的实时性需求；根据不同肢体对识别贡献程度的不同，引入权重向量，计算每个部位的权重并改进了最近邻分类器进行分类。

实验结果表明该方法对步态识别率有了很大的提高。

2.1 人体轮廓提取
为了获取人行走时步态特征，首先要提取2维人体轮廓侧影[10]，普遍使用的提取方法包括光流法，背景减除法，帧间差分法等，本文采用背景减除法来提取运动人体轮廓侧影[11]，具体步骤如下。

2.1.1 背景建模
用均值滤波法进行背景建模，令I表示一个含有N帧的图像序列，该序列中第t帧图像在点(x，y)处的像素值用It(x，y)来表示，背景图像的像素值可以表示为：2.1.2 运动目标检测与二值分割
利用背景差分法，设T为分割阈值，则有原图像与背景图像的差分表示如下：
经过上述步骤得到的二值化图像会含有噪声和小孔，因此可以使用形态学中腐蚀和膨胀滤波算子除去一些小的孤立噪声点，然后对图像进行连通性分析填充小的孔洞[12]。

为了避免图像因尺度等问题对训练和识别产生的影响，对经预处理后的图像进行模板化操作。

最后为方便对人体区域进行划分操作，提取了经预处理后的二值化图像的轮廓边界线。

上述步骤所得图像如图1所示。

2.2 动态区域面积特征提取
2.2.1 区域面积特征提取
通过观察可知，人体的不同部位在行走过程中会发生不同的变化：（1）头部的运动特征不太明显，大多数人在走路时头部会有轻微的晃动。

（2）躯干基本保持不
变，但手臂摆动的幅度较大而且向前与向后摆动的幅度也不一定相同，有的人在走路时手臂会伸直摆动而有的人手臂不会伸直，有的人偏向于把手放在口袋里行走，因此手臂部位的运动特征较大。

（3）腿部的运动变化最大，步伐的大小，关节的弯曲程度等都会不断的变化而且具有一定的周期性。

对于不同的人，这几个部位的运动特征也是不同的，人体运动的这些显著特征构成了用于步态识别的独特信号，在行走过程中，由于身体各部分在某个固定区域内的面积会不断变化，而且变化越大，则说明该身体部位的运动幅度就越大，对步态识别的贡献程度也越大，因此可将可变区域面积特征作为步态特征来识别身份[13]。

根据人体生理学特征，通过上述分析，利用人体不同部位随步态变化不一样这个特点，首先把人体按中线分为前半部分和后半部分，再按上下不同的肢体结构划分为头部区域（20%），躯干区域（40%）和腿部区域（20%）三个不同的区域，总共划分为如图2所示的六个区域。

分别计算六个区域的目标面积作为步态特征，这里的目标面积在二值化图像中为目标像素的个数，它只和目标的大小有关。

各区域的面积计算公式如下：
其中，
k表示区域号，f(x，y)表示点(x，y)处的像素值，Dk表示图中第k个区域，Rback表示第v个区域的背景部分，Rtarget表示第k个区域的目标部分。

2.2.2 权重向量的计算
根据大量的生理学研究表明，在步态识别过程中，手臂对识别的贡献度要大于头部对识别的贡献度，而腿部对识别的贡献度最大且明显大于头部和手臂的贡献度。

基于上述理论，引入权重向量来表征步态特征向量中不同元素对识别贡献度来进一步提高步态识别率，权重向量中值大的元素对应特征向量中贡献度大的元素。

计算方法如下：
步骤1对于第i类样本，设该类内的步态周期总数为Nt，首先分别求取该类内每
一个周期相对应的特征向量的平均值，即将本周期内的所有帧图像的特征向量求和再除以帧数得到，则总共有Nt个平均值特征向量，然后由它们组成一个含有Nt
个元素的周期平均值特征向量样本集，设uj表示第j(1≤j≤Nt)个步态周期的平均
值向量，则有第i类的周期平均值特征向量样本集为[u1，u2，…，uNt]，该特征
向量集的平均值为：
步骤2设xm表示u中第m(1≤m≤6)个元素，将周期平均值特征向量样本集中第
j个向量的第m(1≤m≤6)元素表示为，则第m个元素的方差：
则第m个元素的权重为：
则第i类的权重向量为：
3.1 改进的NN
本文采用归一化欧式距离作为距离度量指标来度量测试样本与训练样本间的相似度，由于引入权重向量对步态特征进行加权处理，因此改进了一种加入权重向量因子的最近邻分类器。

假设待测试样本和训练样本的步态特征向量分别为x1和x2，且该待测样本属于第i类，则有二者的欧式距离为：
其中，Mλi是以第i类权重向量各元素为对角线元素的对角矩阵。

3.2 分类与识别
对于给定的C个训练序列，其中每一帧图像步态特征均可以用一个6维特征向量
来表示。

其中，分别表示图2中D1，D2，…，D6六个区域特征的面积。

由于步
态具有周期性，分别选取待测试序列和样本序列的一个周期进行计算，为了提高识别率，首先将一个周期内两个序列对应帧度量相似度，然后将所有帧的相似度求和，再将所有周期的计算值相加作为最后的两个序列之间的距离。

假设一个待测试序列含有M个步态周期，且每个步态周期有N帧图像，可令：
分别表示待测序列和样本序列的第m个步态周期，其中上角 p和q分别表示测试序列和样本序列(1≤n≤N，1≤m≤M)。

由公式（9）可得两个序列之间的欧式距离
为：
假设训练集中有K种样本{k1，k2，…，ki，…，kK}，当
成立，且ki∈wi则有NN的分类决策为k∈wi，即分类为第i个类。

4.1 实验目的与数据来源
目前，国际上还没有统一的作为步态识别衡量标准的数据库，同一算法在不同的数据库上实验可能产生不同的识别效果。

柴艳妹等人在文献[2]中采用了类似的提取
步态特征的方法进行步态识别，为了验证改进的算法相对于文献[2]的优越性，在
相同的UCSD数据库下进行对比实验，该数据库是由加州大学圣地亚哥分校提供，库中含有6个人的数据，每个人有7个序列，总共42个序列，均为侧面视角（90°）。

另外为了测试本文算法对不同视角的识别效果，采用了由中国科学院自动化研究所提供的Dataset B库（多视角）进行实验，该库有124人的数据，每
个人有11个视角（0°，18°，36°，…，180°），在普通，穿大衣，携带包裹三种条件下采集，该实验中在普通条件下进行，该条件每个视角有6个人图像序列，
每个序列有2-3个周期。

最后将实验2中90°视角条件下的识别率以及算法的计
算时间（合并特征提取和分类时间）与传统方法进行对比，结果如表3所示。

4.2 实验过程及结果分析
实验1使用UCSD数据库，该库共含有42个序列，首先，在这些序列中提取完
整的步态周期序列并分别将原始图像模板化为64×64和104×104两种大小，再
按照本文的方法划分人体轮廓区域并提取各区域的面积作为步态特征，然后计算每个类的权重向量，最后采用加入权重因子的最近邻分类器，使用留一校验法估计识别率[14]，对于该库的所有42个序列，每次抽取一个用来测试，剩下的作为样本
进行训练，总共进行了42次，实验分别在两种模板和Fast walk条件下进行并分别记为A，B，C。

将该实验的结果与文献[2]中最高的识别率比较，如表1所示。

实验2使用Dataset B数据库，为减少计算量，随机抽取库中50人进行实验，分
别在0°，54°，90°，144°，180°视角下（普通行走条件）实验，每个人选取两个序列，则相同视角下共100个序列，每次抽取一个用来测试，剩下的作为样本进
行训练，总共进行了100次。

实验结果如表2所示。

由表1可以看出，本文算法和文献[2]算法在UCSD数据库（90°视角）条件下对
比实验，在A，B，C三种实验条件下本文算法的识别率均高于文献[2]，原因在于：一、本文将侧影轮廓按中线划分为前后两个部分，进而将轮廓划分为6个区域，
相对于文献[2]中3个区域而言，对步态特征描述的粒度更细，更能精确表征步态
信息。

二、引入权重向量并改进最近邻分类器可以充分体现不同肢体对步态识别贡献程度的不同，对于身体运动信息量大的部位赋予更高的识别权重，从而提高了步态的识别率。

由表2可以看出，本文算法在实验的条件下，达到了62.314%～95.470%之间的正确识别率，说明了有比较高的总体识别率。

90°视角（侧面）条件下，识别率达到最高95.470%；54°和144°（倾斜）视角下识别率次之，分别87.652%和87.334%，但仍然有较高的识别率；0°（正面）和180°（背面）识别率较低，分别为64.735%和62.314%。

原因在于本文算法是以人体轮廓面积作为步态特征，90°视角条件下人体轮廓面积在行走时变化最大，在0°和180°视角下
人体轮廓面积在行走时变化较小，因此角度不同识别率也就不同。

由表3中本文
算法与传统算法的识别率对比数据可以看出，本文算法的识别率明显高于传统算法在该角度下的识别率，进一步证明了本文引入权重向量算法在识别率方面的优越性。

另外，从表3中的计算时间对比数据可以看出，本文算法的计算时间为0.15秒，相对于文献[4-5，15]等传统算法分别减少了34.8%，87.6%，77.9%，从而证明
了本文算法具有计算复杂度小，时间花销大大减少，能够满足监控的实时性需求这一优势。

综上，本文经过改进的算法相对其他算法识别率有较大的提高，另外特征提取简单，实时性好，在90°视角下的识别率最高，但容易受角度变化的影响。

提出了一种基于加权区域特征的步态识别新方法：根据人体生理学特征将人体轮廓
划分为六个不同的区域，并提取目标区域面积作为步态特征，不需要复杂的跟踪计算，特征提取简单易行，计算的复杂度小，大大降低了时间的花销，能够满足监控的实时性要求；根据人体不同部位对步态识别贡献程度的不同，计算每个部位的权重向量并改进最近分类器进行分类识别。

实验结果表明本文提出的算法能够有效地提高步态识别率。

但该算法受角度变化影响较大，多视角识别[16]将是以后的研究重点。

[8]Ioannidis D，Tzovaras D，Damousis I G，et al.Gait recognition using compact feature extraction transforms and depth information[J].IEEE Trans on Information Forensics and Security，2007，2（3）：623-630.
[9]王科俊，刘丽丽，贲晛烨，等.基于步态能量图像可2维主成分分析的步态识别方法[J].中国图象图形学报，2009，14（12）：2503-2509.
[10]Ekinci M.Human identification using gait[J].Turkish Journal of Electrical Engineering and Computer Science，2006， 14（2）：267-291.
[11]张帆，李锐，刘帅.基于GVF Snake模型的步态识别轮廓提取[J].计算机工程与应用，2011，47（6）：181-183.
[12]李一波，孟迪.仿生模式识别理论在45°视角的步态识别中的应用[J].计算机应用与软件，2015，32（1）：190-193.
[13]丰明聪，葛洪伟.基于可变区域特征和SVM的步态识别研究[J].计算机应用，2007，27（12）：3081-3083.
[14]柴艳妹，夏天，韩文英，等.多特征融合的步态识别算法[J].小型微型计算机系统，2014，35（3）：636-641.
[15]Liu Yanqiu，Wang Xu，Wang Yumei，et al.Multi-view gait recognition
using Fourier transform[J].Computer Engineering and Applications，2012，48（6）：169-170.
[16]李一波，李昆，姬晓飞.多视角步态识别新算法的难点与动向[J].生物医学工程
学杂志，2014，31（1）：205-209.
【相关文献】
[1]Yang Xiaozhao，Zhou Yue.Gait recognition based on dynamic region analysis[J].Signal Processing，2008，88（9）：2350-2356.
[2]柴艳妹，赵荣椿.一种新的基于区域特征的快速步态识别方法[J].中国图象图形学报，2006，11（9）：1260-1265.
[3]贾楷熙，薛静.基于Zernike矩和BP网络的步态识别技术研究[J].西北工业大学学报，2010，28（5）：669-673.
[4]吴育锋，徐向艺，赵泽茂.基于傅里叶描述符优化形变轮廓插值的步态识别研究[J].科学技术与工程，2014，14（18）：237-242.
[5]王开杰，杨天奇.基于列质量向量和SVM的步态识别[J].计算机工程与应用，2015，51（7）：169-173.
[6]Mu Tingting，Pataky T C，Findlow A H，et al.Automated nonlinearfeature generation and classification offoot pressure lesions[J].IEEE Trans on Information Technology in Biomedicine，2010，14（2）：418-424.[7]Yoo J H，Nixon M S.Automated markerless analysis of human gait motion for recognition and classification[J]. ETRI Journal，2011，
32（2）：259-266.。