基于贝叶斯网络的步态识别

邮局订阅号：８２－９４６３６０元／年技术创新人工智能《ＰＬＣ技术应用２００例》您的论文得到两院院士关注基于贝叶斯网络的步态识别ＨｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ（北京科技大学）张磊刘冀伟Ｚｈａｎｇ，ＬｅｉＬｉｕ，Ｊｉｗｅｉ摘要：步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。

本文提出了一种基于贝叶斯网络的步态识别方法。

首先应用背景差方法获得运动人体侧面二值图像，将侧面像分为七部分来提取特征，采用最大方差法对训练集进行离散化，对各部分分别建立贝叶斯网络，最后利用“投票”规则将网络推理结果进行组合。

将该方法在Ｓｏｔｏｎ步态数据库上进行试验，取得了比较理想的识别效果。

关键词：生物特征识别；步态识别；贝叶斯网络中图分类号：ＴＰ３９１．４文献标识码：ＡＡｂｓｔｒａｃｔ：Ｇａｉｔｈａｓｒｅｃｅｎｔｌｙｇａｉｎｅｄｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎａｓａｎｉｍｐｏｒｔａｎｔｂｉｏｌｏｇｉｃｆｅａｔｕｒｅｆｏｒｉｔｓａｂｉｌｉｔｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎａｔｄｉｓｔａｎｃｅ．ＴｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓａｈｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ．Ｆｏｒｅａｃｈｋｅｙｆｒａｍｅ，ａｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｐｒｏｃｅｄｕｒｅｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｍｏｖｉｎｇｓｉｌｈｏｕｅｔｔｅｏｆｔｈｅｗａｌｋｉｎｇｆｉｇｕｒｅｆｒｏｍｔｈｅｂａｃｋｇｒｏｕｎｄ．Ｅａｃｈｓｉｌｈｏｕｅｔｔｅｉｓｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｎｐａｒｔｓｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓ．Ｔｈｅｔｒａｉｎｉｎｇｄａｔａｉｓｄｉｓｃｒｅｔｉｚｅｄｂｙｔｈｅｍｅｔｈｏｄｏｆｍａｘｉｍａｌｖａｒｉａｎｃｅｄａｔａｄｉｓｃｒｅｔｉｚａｔｉｏｎ．ＴｈｅＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓａｒｅｓｅｔｆｏｒｅａｃｈｓｕｂ－ｒｅｇｉｏｎｏｆｔｈｅｓｉｌｈｏｕｅｔｔｅ．Ａｔｌａｓｔ，ｔｈｅｒｅｓｕｌｔｓｏｆｉｎｆｅｒｅｎｃｅａｒｅｃｏｍｂｉｎｅｄｗｉｔｈｖｏｔｉｎｇｒｕｌｅ．ＴｈｉｓｍｅｔｈｏｄｉｓｔｅｓｔｅｄｏｎｔｈｅＳｏｔｏｎｇａｉｔｄａｔａｂａｓｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓａｒｅｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅ．Ｋｅｙｗｏｒｄｓ：ｂｉｏｍｅｔｒｉｃｓｒｅｃｏｇｎｉｔｉｏｎ，ｇａｉｔｒｅｃｏｇｎｉｔｉｏｎ，ｂａｙｅｓｉａｎｎｅｔｗｏｒｋｓ文章编号：１００８－０５７０（２００６）０９－２－０２６３－０３１前言近年来在例如视频监视，智能交互等许多重要领域中对自动身份识别系统的需求显著增加，极大的促进了基于计算机视觉的远距离身份识别的研究。

步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。

相对于指纹、虹膜等生物特征，步态还具有非入侵、难伪装等特点。

步态识别是指通过人走路方式来判断人的身份。

虽然步态识别仍是生物特征识别中的新兴领域，但近年来已经涌现出了大量的研究成果。

ＵＭＤ的ＣｈｉｒａｚＢｅｎＡｂｄｅｌｋａｄｅｒ等通过估计人体高度参数和步幅参数来进行识别。

中科院的王亮等提出了基于Ｐｒｏｃｒｕｓｔｅｓ形状分析的识别方法。

ＭＩＴ的ＬｉｌｙＬｅｅ采用七个椭圆描述人的侧面二值图像，采用椭圆参数和人体质心的高度作为特征，通过模板匹配方法进行步态识别。

贝叶斯网络是对不确定知识进行表达和推理的拓扑结构，广泛应用于人工智能、决策评估等领域。

作为一种分类器，贝叶斯网络能清晰的表示上下层之间的依存关系，由于模仿了人的推理机制，贝叶斯网络能较好的表达知识的不确定性，并且能实现快速推理，因此本文提出了基于贝叶斯网络的步态识别方法。

首先利用背景差获得人体侧面二值图像，以文献中的图像表示方法为基础，将其改进后用于特征提取。

根据各特征间的独立关系建立贝叶斯网络，通过贝叶斯网络推理实现对步态的识别。

２步态特征提取人体行走是一个周期运动，如果对周期中每个静态姿势提取特征，特征维数过高，训练数据有限，建模将会非常困难。

考虑到步态周期中双足支撑期和单足支撑期姿态相对稳定，因此，取这两个姿态作为关键姿态。

运动人体侧面二值图像通过背景差的方法获得，侧面二值图像的宽度随时间呈周期变化，以宽度为标准获取关键帧，这种方法算法步骤少，效率高，虽然精度有限，但仍然可以满足后面工作的要求。

Ｌｅｅ提出了将人体侧面二值图像分为七部分并用椭圆来拟合的表示方法。

本文以这种方法为基础，文献中的人体结构比例，采用如下方法将侧面像分成七个区域：取人体质心，质心上半部分１／３作头部部分，２／３作躯干部分，质心下半部分平均分成两份，除了头部部分，用通过质心的垂线把人体区域分成前后两部分，形成共７个区域，如图１ａ所示。

这７个区域分别用一椭圆来匹配，如图１ｂ。

以椭圆参数构成子区域特征向量，这些参数包括：归一化后的质心（ｘ／ｈ，ｙ／ｈ），长短轴比例（ｌ），长轴方向（α）以及相对面积（ｎ／ａｒｅａ），即各子区域的特征向量为ｒｉ＝（ｘｉ／ｈ，ｙｉ／ｈ，ｌｉ，αｉ，ｎｉ／ａｒｅａ），ｉ＝１，２，．．．７，ｒｉ，与人体区域的质心相对高度张磊：硕士研究生北京市“现代信息科学与网络技术”重点实验室资助项目（基金项目编号为：ＴＤＸＸ０５０３）２６３－－技术创新中文核心期刊《微计算机信息》（嵌入式与ＳＯＣ）２００６年第２２卷第９－２期３６０元／年邮局订阅号：８２－９４６《现场总线技术应用２００例》人工智能（ｈｉｇｈ）共同构成３６维特征向量Ｒ＝（ｒ１，ｒ２．．．，ｒ７，ｈｉｇｈ）。

图１分成七部分的人体侧面像，并且每部分用椭圆来匹配３基于贝叶斯网络的步态识别３．１数据离散化为了减小数据量，提高网络效率，首先对训练数据集进行离散化。

离散化的方法有多种，例如常用的等频率和等间距方法等，本文选用最大方差法。

设某一数值型数据有属性值Ｎ个，先将其按由小到大排序，然后将其离散化为个区间，每组分别有数据ｎｉ个，即；，则数据的组间方差为：（１）其中，，分别为第ｉ组的均值和总均值。

组间方差反映了划分的质量，最优的划分是组间方差取得最大值时的划分，这是最大方差法的基本思想。

首先按等频率方法将ｋ－１个分隔点初始化，分别计算每组的均值ｘｉ，在此基础上计算组间方差，逐个调整分隔点的位置，将其调整到邻域中组间方差最大的位置。

重复调整分隔点，直到不再出现更大的组间方差，最后的分隔点即为最优分隔点。

３．２建立贝叶斯网络贝叶斯网络是一个带有概率注释的有向无环图（ＤＡＧ），它允许设计者通过拓扑连接的方式指出变量间相互依赖和相互独立关系，对于本文所选择的特征有良好的适用性。

一个正确表示的贝叶斯网络要求：当给定了父节点之后，每个节点都与其祖先节点条件独立。

考虑到采用的特征为各椭圆的参数，因此对７个椭圆分别建立贝叶斯网络，再进行组合。

取单足支撑姿态下的人体质心的相对高度，分别与两关键姿态下的ｒｉ构成新的子区域特征向量即，ｒｉ１、ｒｉ２分别为双足支撑期和单足支撑期的原子区域特征向量。

设样本库中共有Ｍ个人，即有Ｍ个类别Ｈｍ，分别对应数据库中的一个人。

我们的目的是根据贝叶斯网络推理得到的概率对特征数据进行分类，并用类别标签ｋ表示。

设有椭圆类别变量Ｅｉ，ｉ＝１，２，．．．７，值为类别标签，表示该椭圆属于某一个人，特征变量ＸｉｊＹｉｊＬｉｊＡｉｊＮｉｊＨ，ｉ＝１，２，．．．７，ｊ＝１，２，分别对应于两关键姿态归一化后的椭圆质心坐标、长短轴比例、长轴方向、相对面积以及单足支撑姿态下人体质心的相对高度，值为各特征所对应的状态。

在所有特征中人体质心相对高度是对人体区域的整体描述，其余特征则是对人体局部区域特征的描述。

我们认为描述同一椭圆的参数相互独立，当椭圆的类别标签确定后，人体质心相对高度与其余特征分别条件独立。

因此，根据贝叶斯网络语义可以得到如图２所示贝叶斯网络结构。

下面为每一个变量指定局部条件概率。

条件概率表可以使用专家知识或频率计数的方法获得。

第二种方法直接使用从研究领域观测所得的数据，通过分析数据计算描述某些事件发生频率的可能性表，再将其归一化获得条件概率表。

本文采用这种基于频率计数的方法。

图２本文所建立的贝叶斯网络结构３．３贝叶斯网络推理当得到了某个观察步态序列，需要计算类别变量的后验概率，即进行贝叶斯网络的推理。

贝叶斯网络中的推理可以分为精确推理和近似推理，由于本文所建立的贝叶斯网络结构比较简单，变量个数比较少，因此采用精确推理。

首先，考虑单一姿态下的精确推理，根据概率计算的基本公式：，由本文所采用的网络结构可以得到：（２）ｈ，ｘ，ｙ，ｌ，α，ｎ表示一组特定状态的特征。

对的所有取值而言，的值是保持不变的，可看作是的一个归一化常数，因此将其表示为一个常数ε，即。

根据贝叶斯网络的链式法则：（３）同时考虑完整的两个的姿态，上式可以改写为：（４）这也是本文所采用的推理公式。

３．４多分类器的组合 k i x Á,,2,1, = n j ,,2,1 =∑∑−=−===ÁÂÁÂÂÂÂÂx N x n x x n S ÁÁ)( ∑==ÁÂÂx n x 1 ∑∑===ÁÂÃÂx N x 1 ∑∑===ÁÂÃÂx N x 1ＨＥＸ１Ｙ１Ｌ１Ａ１Ｎ１Ｘ２Ｙ２Ｌ２Ａ２Ｎ２),()()|(b a P b P b a P = ),,,,,(/),,,,,,(),,,,,|(n l y x h P n l y x h E P n l y x h E P ααα= ),,,,,(/1n l y x h P α ),,,,,|(n l y x h E P α ),,,,,,(),,,,,|(n l y x h C P n l y x h E P αεα= ∏==ÁÁX parents x P x x P ))((),,( )/()/()/()/()/()/()(),,,,,,,,,,|(ÁÁÁÁÁÁE n P E P E l P E y P E x P h E P h P n l y x n l y x h E P αεαα∏==２６４－－邮局订阅号：８２－９４６３６０元／年技术创新人工智能《ＰＬＣ技术应用２００例》您的论文得到两院院士关注由于７个贝叶斯网络经过推理获得的７个类别标签ｋｉ难以保证相等，因此要将７个分类器进行组合，使对应于输入的特征向量有特定的类别标签ｋ输出。