黃婷婷

摘要：利用HOG特征對步態(tài)序列圖像進行預(yù)處理，可以框定人體所在區(qū)域；在此基礎(chǔ)上使用圖割算法，可以將該區(qū)域中的步態(tài)運動目標提取出來。實驗結(jié)果表明，本文算法有效克服了傳統(tǒng)的人體輪廓分割算法容易產(chǎn)生的人體輪廓缺失及人體陰影的問題。

關(guān)鍵詞：步態(tài)識別；圖像預(yù)處理；HOG；圖割

中圖分類號：TP31 文獻標識碼：A 文章編號：1009-3044（2018）27-0188-02

步態(tài)識別是一種新穎的生物特征識別技術(shù)[1]，在國際上從90年代開始發(fā)展起來。它起源于心理學的相關(guān)研究，通過人體的行走姿勢來識別和驗證人的身份[2]。它的優(yōu)點是采集數(shù)據(jù)不需要實際的物理接觸，是隱藏的、非侵入性的。其工作原理為：（1）攝像機采集行人視頻；（2）從背景圖像中分割出目標輪廓；（3）圖像預(yù)處理，提取特征；（4）特征分類，然后利用步態(tài)數(shù)據(jù)庫進行識別。從其工作原理來看，利用圖像處理從背景中檢測出的字符是步態(tài)識別的基礎(chǔ)。如果檢測到的數(shù)據(jù)不完整或丟失，將影響步態(tài)特征提取的完整性和有效性。

傳統(tǒng)的人體輪廓分割算法有背景差分法、Codebook算法、高斯背景建模方法等。背景差分法是對一個步態(tài)周期內(nèi)的每一幀圖片采用前景減去背景的差值圖的方法，該方法的優(yōu)點是算法簡單、容易實現(xiàn)，缺點是要求背景靜止且對光照敏感，在戶外光照條件下容易出現(xiàn)輪廓缺失。CodeBook算法可以解決背景差分法在動態(tài)背景建模方面的問題，但算法復雜度較高，需消耗大量內(nèi)存，且存在人體陰影問題。高斯背景建模方法對光照不敏感，但算法復雜耗時，且仍不能解決人體陰影。總之，當前困擾人體輪廓分割的難題有兩個：1） 輪廓缺失問題；2）人體陰影問題。

本文的研究背景為在步態(tài)序列圖像中將目標輪廓從背景圖像中提取出來，圖像背景選擇為戶外，便于驗證算法對光照的敏感度。本文提出了一種新的將人體輪廓從背景中分割出來的方法。該方法提取HOG特征并進行分類，從而框定人體區(qū)域，然后再用圖割算法提取人體輪廓。

1 HOG特征框定人體區(qū)域

1.1 HOG特征

其中[Gx]和[Gy]分別為x方向與y方向的梯度。之所以選擇HOG特征是因為：第一，HOG計算針對圖像的局部方格，所以對光照不敏感；第二，只要直立姿勢不變，行人的動作對檢測效果的影響較小。

1.2 HOG特征提取及分類步驟

提取HOG特征的步驟如下：

1） 歸一化處理。首先對圖像作灰度化處理和伽馬校正，目的是抑制噪聲干擾。

2） 針對每個像素計算梯度。主要是在進一步減少光的干擾的同時，捕獲輪廓信息。

3） 將圖像劃分為8個像素/單元，對每個方格計算梯度直方圖，形成單元描述子。

4） 將每一個相鄰的四個單元作為塊處理，并將塊中所有單元的特征描述符連接在一起，以獲得塊的HOG特征描述符。

5） 將這些特征描述子串聯(lián)起來，得到可用做分類的HOG特征向量。

6） 利用支持向量機分類器進行分類。

1.3 實驗結(jié)果

針對步態(tài)序列圖像進行HOG特征提取并分類后，可以框定疑似人體區(qū)域，如圖1所示：

2 圖割算法分割人體輪廓

2.1 圖割算法

GrabCut圖割算法是一種基于圖論的圖像分割方法?；趫D論的分割技術(shù)是圖像分割領(lǐng)域中新的研究熱點，該方法基于能量優(yōu)化算法，將圖像分割問題轉(zhuǎn)換為圖的最小割優(yōu)化問題[4]。在 GraphCut算法的基礎(chǔ)上，作了以下三方面的改進而得到該算法：

1） GraphCut是對灰度圖像作處理，目標和背景的模型是由梯度上升到彩色圖像處理。用高斯混合模型（GMMM）代替直方圖來描述前景像素和背景像素的分布。

2） GraphCut用單個最小估計替換GrabCut，以完成交互式迭代過程的能量最小化（分區(qū)）計算過程，該迭代過程連續(xù)執(zhí)行分段估計和模型參數(shù)學習。

3） GraphCut需要用戶手動指定種子點，GrabCut只要選擇框中的目標，框外的所有像素都將用作背景。

GrabCut圖割算法[5]首先要定義一個吉布斯能量函數(shù)，然后求解這個函數(shù)的最小分割，這個最小分割就是前景背景的分割像素集合。用于分割的吉布斯能量公式為：

3 結(jié)束語

本文提出了一種新的將人體輪廓從背景中分割出來的方法。該方法先利用HOG特征對步態(tài)序列圖像進行預(yù)處理，從而框定出疑似人體所在區(qū)域；接著在找到的疑似人體區(qū)域中做比較，將最大的那個作為人體區(qū)域；最后使用圖割算法，進而將該框定區(qū)域中的人體輪廓提取出來。實驗結(jié)果表明，本文算法有效克服了傳統(tǒng)的人體輪廓分割算法容易產(chǎn)生的人體輪廓缺失及人體陰影的問題。

參考文獻：

[1] 高海燕.人體步態(tài)識別研究[D].北京：北京交通大學，2010.

[2] 盧官明，衣美佳.步態(tài)識別關(guān)鍵技術(shù)研究[J].計算機技術(shù)與發(fā)展，2015.25（7）：100-106.

[3] N.Dalal and B.Triggs.Histograms of oriented gradients for human detection.IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego：[s.n.]， 2005 ：886-893

[4] 朱偉，趙春光，歐樂慶，等.OpenCV圖像處理編程實例[D].電子工業(yè)出版社，2016.

[5] Carsten Rother，Vladimir Kolmogorov，AndrewBlake.“GrabCut”—Interactive Foreground Extraction using Iterated GraphCuts.Acm Siggraph，2004，23 （3）：309-314.

[通聯(lián)編輯： ]