步态识别综述

Abstract As a newly emerged biometric identification technology，gait recognition refers to automatic identification of an individual based on his or her style of walking. This paper attempts to review the feature and background in gait recognition research. Several recognition methods are also being analyzed and categorized. Moreover，some research problems and future directions in gait recognition are discussed. Keywords Gait recognition Feature extraction Motion segment Recognition categorize
很难从中识别出单一的个体，但是此时利用步态可以缩小可能 下运动目标为检测和分割的解决提供了另一条思路。这类方法
匹配的范围[5]。下面本文对近年来该领域的研究文献进行简单的 的优点在于一般能够提供最完全的特征数据，对复杂背景情况
概述，有助于我们对步态识别这个研究领域有一个总体的认识 效果较好，但是对于动态场景的变化，如光照和外来无关事件的
论坛 专论
2012 年 2 月
总第 223 期
Forum Monograph
步态识别综述
王志波 1 陈庆财 2
（国家知识产权局专利局专利审查协作北京中心 （北京和利时系统工程有限公司 北京
北京 100190）1 100176）2
摘 要 步态识别作为一种新的生物认证技术，通过人的行走方式识别个体的身份。本文首先分析了步态识别的特点及其研究背
王 辉 男 ，1971 年出生，高级工程师，本科，广西大学计 算机软件专业。广西区检察系统信息技术类特出名高级工程师、 北海市政府采购评审专家、北海市科技专家、北海市优秀科技人 才，在本业务系统有着较大影响力。
（2）基于统计的方法 基于统计的方法是动态系统模式识别中识别效果最好的方 法，主要有隐马尔科夫模型（Hidden Markov Model，简称 HMM） 和动态贝叶斯网络（Dynamic Bayesian Network，简称 DBN），对于 人类的活动或行为识别，大多数研究都是用基于 HMM（隐含马 尔可夫模型）的方法，HMM 的方法与模板匹配方法相对。隐马尔 科夫模型是目前人体运动识别中应用最为广泛的识别方法，也 能够很好的应用于步态识别中，动态贝叶斯网络由于模型结构 复杂，参数繁多等原因，在步态识别中运用很少，但是动态贝叶 斯网络具有隐马尔科夫模型无可比拟的优越性，是步态识别方 法中发展的方向。
（4）步态识别算法在大规模数据库上的识别效果的研究还 不太多。
步态识别技术的不断成熟，为其广阔的应用前景提供了无 限可能。其未来应用不仅仅局限于生物特征方面，还可用于医 学推断，法医推断（犯罪分析现场），甚至可能用于动画片和电 影行业。在诸如监视、访问控制、雷达系统、城市场景和自动驾驶 中的驾驶支持等的许多应用领域，步态识别技术的需求仍不断 增长。
先，与指纹或虹膜不同，人的步态是高度改变的，它的唯一性是 要求较高的应用环境；不足在于算法对环境噪声较为敏感，并且
有限的[4]，其次，步态识别的识别准确度还不够高，并且对于数据 基于差分法的运动目标分割精度没有保证。
库较小时比较有效，对于数据库中的数据较多时仅仅利用步态
（2）背景估计：除差分法外，背景估计静止或缓慢变化背景
S urve y of Ga it Re cognition
Wang Zhibo1 Chen Qingcai2
（Patent Examination Cooperation Center Of SIPO Beijing 100190）1 （Beijing Hollysys System Engineering Co. Ltd.， Beijing 100176）2
1、运动分割
以上领域的研究是步态识别作为一种生物认证技术的科学
运动分割的目的是从序列图像中将变化区域从背景图像中
依据。
提取出来。运动分割可以分为在静止和运动背景下运动目标的
与已有的指纹、虹膜和人脸识别等生物识别方法相比，步态 检测和提取。现有的运动分割算法大体可分为如下三类：
识别的优势[3]在于唯一不受距离影响的生物特征、非接触性、难
一、引言
和了解。
生物特征识别技术是指利用人自身所固有的生理或行为 二、步态识别涉及方法的分类
特 征 进 行 身 份 鉴 别 ，运 用 到 的 生 物 特 征 主 要 有 ：指 纹 、掌 纹 、
步态识别涉及到的几项关键技术包括：视频处理、图像处
人脸、虹膜及步态等。在这些生物特征识别中，步态识别近年 理、模式识别。步态识别分析可以划分为特征抽取、特征处理和
景；其次，对目前步态识别中涉及到的几项关键技术所采用的方法进行了简单的描述及分类，并分析各种技术的主要优缺点，最后，
提出了目前步态识别问题研究中的几个薄弱点，指出进一步研究发展空间。
关键词 步态识别 特征提取 运动分割 识别分类
中图分类号 TP391.41
文献标识码 A
文章编号 120131- 6021
（2）现有步态识别算法多是假定图像中只有单个人行走， 或背景不太复杂的情况，而实际监控场景可能比较复杂，有多个 运动物体，因此研究图像噪声对识别的影响较为重要。
（3）在运动分割阶段，由于动态环境中捕捉的图像受到多 方面的影响，比如天气的变化，光照条件的变化，运动目标的 影子，甚至摄像机的运动等，这些都给准确有效的运动分割带 来了困难。
· 6 · 办公自动化杂志
Forum Monograph
总第 223 期
2012 年 2 月
论坛 专论
干扰等特别敏感。 （3）基于运动场估计的方法：此类方法通过视频序列的时空
相关性分析估计运动场，建立相邻帧对应关系，进而利用目标与 背景表观运动模式不同进行运动目标的检测与分割。与差分法 相比，运动场分析能够较好地处理背景运动的情况，适用范围更 广；缺点在于其计算的时空复杂度过高。
（下转第 22 页）
办公自动化杂志 · ห้องสมุดไป่ตู้ ·
技术 词汇
2012 年 2 月
总第 223 期
Tech
Vocabulary
既节省了软件开发费用又提高了软件系统的性能。 参考资料
1：JBoss Enterprise. http://jboss.org/jbpm[EB/OL]. 2：OpenSymphony. http://www.opensymphony.com/osworkflow/ [EB/OL]. 3：M. Cumberlidge. Business Process Mamagement with JBoss jBPM：a Practical Guide for Business Analysts[M]. Packt Publishing， Birmingham，UK，2007.
4：P. Green，M. Rosemann，M. Indulska，and C. Manning[M]. Candidate interoperability standards：An ontological overlap analysis. Data Knowledge Engineering，62（2）：274- 291，2007. 作者简介
来为越来越多的研究者所关注，成为一种较新的生物认证技 识别分类三个阶段。
术[1] ，它是通过人的走路方式来识别人的身份。步态被认为是
下面针对步态识别过程中的各种方法和算法进行分类
个体特有的，且完全决定于几百个运动学参数。这些运动学 概述。
参 数 包 括 特 定 关 节 点 的 角 速 度 、加 速 度 以 及 肢 体 的 边 界 [2]等 。
三、该领域存在的问题及发展趋势
目前对于步态识别的研究还只是处于初级阶段，步态识别 的研究是在以下几个假设条件下进行的：
（1）假设摄像机静止，并且摄像机的视角范围内只有一个人 的运动。
（2）人的行走方向固定。 （3）算法有效性检验时所使用的数据库比较小。 这就造成了步态识别问题的研究与实际问题相违背的情 况，主要体现在： （1）现有的算法只适用于假设人体按照固定不变的方向行 走无遮挡的情况下，而在现实环境中，人体的行走方向随时会发 生变化且会发生遮挡现象，这对特征的提取及识别算法都是一 个很大的挑战。
（1）帧间差分：差分法是最为常用的运动目标检测和分割方
以伪装且受环境影响小、对图像分辨率要求不高。
法之一。如时域差分方法是在连续的图像序列中两个或三个相
步态作为一种远距离身份识别的生物特征，虽然它具有其 邻帧间采用基于像素的时域差分并且阈值化来提取出图像中的
他的生物特征所不具有的一些优点，但也具有明显的缺点。首 运动区域。此类方法的优点是速度快，鲁棒性好，适用于实时性
四、结语
步态识别作为一个新型的研究领域，无论是在计算机视觉 领域还是在应用领域，都具有重要的理论研究意义和实用价值。 将步态的采集环境逐步与实际监控环境相逼近，处理实际的遮 挡及行走方向改变，是未来的发展趋势。 参考文献
[1]Tang Xiao- ou，Ma Song de，O ’Gorman Lawrence，et al. Guest editorial：introduction to the special issue on image and video based biometrics- part Ⅱ [J]. IEEE Transactions on Circuits and Sys-
2、步态特征的提取与表达 步态特征提取与表达是步态识别中的关键问题，在一定程 度上决定了最终识别率的高低。一般可以分为基于统计特征的 方法和基于模型的方法两大类。 （1）基于统计特征的方法 基于统计的方法重点关注人运动的静态信息，这类方法通 过从行人的图片序列中产生的时空模式的分析表示步态，直 接将从人体图像当中提取出步态的特征数据用于步态的识 别。它又可细分为很多类方法，现将比较有代表性的几类方法 介绍如下： ①基于运动的形状分析 Little 与 Boyd [6] 利用步态序列图像的光流的频率和相位信 息进行步态识别，从含有一组从高密度的光流分布的运动差中 获得的运动特征的形状。 ②对称分析 Hayfron- Acquach[7]使用广义对称性算子进行步态识别，描 述了基于分析人运动的对称的自动步态识别的方法，这种方法 利用的算子不依赖形状的边界，也不依赖总体形状，而是由它们 的对称的性质找出特征的位置，是一种综合平衡算子。 ③图片自相似 Chiraz Ben Abdelkade 等[8]使用特征空间中步态的自相似。他 们将走路的人的二维动态译成由人的图片序列的成对图片相似 点组成的二维图，对序列中的每个图片计算相似性图。 （2）基于模型的方法 基于模型的方法重点关注人的运动信息，这类方法预先建 立模型，通过模型和图像序列匹配获得模型参数作为步态特征 进行分类。Cunado 等[11]提出了钟摆模型，在此基础上，他和 Nixon 等人 进 [9，10] 行了改进，提出了一种基于模型的特征提取分析方 法，称为 VHT（Velocity Hough Transform）。VHT 方法应用了图像 序列之间的时间相关性 （这种时间相关性通常被用在视频压缩 技术里）来提取线性运动的锥体的最优参数。 3、步态特征识别 在提取了步态特征之后，需要将待测序列的特征与样本特 征进行比对完成识别任务，目前步态识别方法主要分为基于模 板的方法与基于统计的方法。 （1）基于模板的方法 基于模板的方法主要有模板匹配和动态时间规整。 建模时，模板匹配的算法对每个人体样本都建有一个或者 多个模板，识别时将获取的特征数据与模板进行匹配，计算两者 之间的相似度。模板匹配算法无法解决运动时间快慢的影响，这 是其最主要的缺点。 动态时间规整将两个不同时间长度的运动特征模板，按照 一定的时间规整曲线进行时间规整，使得特征模板时间长度达 到一致，然后再匹配。