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].

3.1　基于结构的方法

基于结构的方法是指对人体或者运动进行建模.它通常需要在行走序列的每一帧中进行模型匹配.

3.1.1　基于人体模型的方法　在基于人体模型的方法中,骨架图、区域模型或者立体模型的人体模型需要和每一帧中的运动特征进行匹配,从而在模型上加以度量.

另一个方法是使用下肢关节角度轨迹来识别个体.这些关节角度被投影到行走平面,那样的角度轨迹更能鲁棒地从标记数据中获得.为了弥补系统从一种情况到另一种情况的时间变化,行走步数加以固定,并且通过动态时间规整D TW(Dynamic Time Warping)对轨迹进行了归一化.

3.1.2　基于运动模型的方法　在步态识别中最重要的一个方面就是准确地捕捉腿的位置,因为它们是衍生步态特征的最好来源,包含了更多的步态模式变化.腿的运动通常可以采用正弦谐波运动来加以公式化.在基于运动模型的方法中,通常需要创建

,并且每个人的模型参数需要从图像序列中学习而得到.

早期的建模步态作为一个链接的钟摆运动的模型,使用动态霍夫变换从序列图像中提取代表大腿的直线;最小平方方法用来平滑大腿倾斜数据;付立叶变换分析用来揭示腿的倾斜变化的频率分量.这项工作同时揭示了步态作为独特的生物特征不仅可使用其频率分量,还有其相位信息.

3.1.3　基于身体参数的方法　基于身体参数的方法,通常使用人体的几何结构化特征,来特征化一个人的步态模式.不过,它易受在3D空间恢复这些参数所需要的视觉方法的影响.

一种使用特定行为参数特征的步态识别方法由Bobick与Johnson提出.这种方法没有直接地分析步态模式的动力学特性,而是利用行走行为来恢复个体行走时的静态身体参数(如头和脚的垂直距离、头与骨盆的距离、脚与骨盆的距离、左右脚之间的距离).

总之,基于模型方法的优点是模型在某种程度上能处理遮挡和噪声,并且提供了可直接从模型参数中获取步态特征的能力.但基于结构方法的有效性在运动建模和参数提取方面仍有局限.

3.2　基于非结构的方法

非结构的方法,通过行人在图像中的轮廓所产生的时空模式的统计特征性,来特征化步态运动. 3.2.1　状态空间方法　状态空间模型已被广泛用于预测、估计和检测时间级数.它们通常将运动表达为一组序列配置,使用状态空间方法来进行识别.它包括隐马尔可夫模型方法、子空间方法、基于动态归整的方法.

3.2.2　模板匹配方法　基于模版匹配的方法首先整体考虑步态运动,并且转换图像序列为紧支的静态形状模式来特征化它的时空分布.而在识别时,只需要和预先存储的原型进行比较.

1)时空分析方法:基于时空分析方法的运动识别将运动作为一个整体,通过运动人在图像中所形成的三维数据来特征化其时空分布,其中空间维和时间维被同时分析以更好捕捉步态的时空特征.而最早识别人的方法是从行人的时空模式中获取步态特征的平移和时间空间,头和脑的运动有着不同的模式.这些模式被处理以确定身体运动的封闭轮廓,然后由五个线棒所组成的模型相匹配.步态特征从速度归一化后所匹配的模型中获得.

2)基于矩的方法:统计识别方法通常对运动图像集进行统计描述.因为矩算子通常用来描述点集的形状,因此基于矩的方法在步态分析中应用广泛.新近开发的速度矩方法可描述目标在图像序列中的运动.速度矩是中心矩的时间扩展形式,合成图像上的分析结果显示,速度矩与传统的矩相比,对噪声不太敏感,这极大地归因于整个序列的数据集成.

4　步态识别方法研究

4.1　步态特征的自动跟踪和提取

计算机视觉中的建模、跟踪、运动识别等技术迫切需要完善.在技术方面,图像序列分析对于运动特征的自动提取是关键.对于步态,需要分割和跟踪运动目标,而且需要从跟踪的图像序列中提取步态特征.动态特征提取是无标记步态分析的关键.即没有标记的帮助,计算机必须能自行提取和识别所感兴趣的特征[3].

4.1.1　运动分割　由于动态环境中捕捉的图像受到多方面的影响,如天气的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或者物体与物体之间的遮挡等,从而使得基于形状的识别方法不再可靠.因此,利用时空统计的方法构建自适应的背景模型,对于不受限环境中的运动分割是很好的选择.

4.1.2　遮挡处理　目前的运动分析系统不能很好地解决目标之间互遮挡和人体自遮挡问题.遮挡时,人体只有部分是可见的,而且这个过程一般是不可训练的,简单依赖于背景减除进行运动分割的技术将不可靠.为了减少遮挡或深度所带来的歧义性问

201湖　北　工　业　大　学　学　报2006年第4期