王燁

摘要：步態(tài)識別是采集人體步行的方式從而實現(xiàn)身份的識別，而步態(tài)作為生物特征信息識別技術(shù)也受到越來越多的關(guān)注，其自身的三大優(yōu)勢主要包括其非侵犯性、難以隱藏特性以及遠(yuǎn)距離識別的特征。本文提出了一種基于小波分析的有效的步態(tài)特征提取算法，進(jìn)行特征的輪廓提取，提取圖像輪廓信息中的多維列向量數(shù)據(jù)，得到較好的識別效果。

1 引言

人體運(yùn)動行為分析是一個包含了對人的圖像序列的檢測、跟蹤、分類及理解的研究方向，且綜合了很多學(xué)科的知識，例如圖像識別處理、故障診斷與模態(tài)識別、人工智能算法以及計算機(jī)視覺等等。因此，隨著這些領(lǐng)域的發(fā)展，人體運(yùn)動行為分析也在近數(shù)十年間不斷取得突破。人體運(yùn)動行為分析有以下幾個主要的應(yīng)用領(lǐng)域：在智能監(jiān)控系統(tǒng)中，通過對步態(tài)分析、人臉識別等方法可以使整個系統(tǒng)完成自主分析，該方法主要依靠攝像頭捕捉前端信息，從而為后端的評判做數(shù)據(jù)預(yù)處理，目前已應(yīng)用在盜竊等危險情況下的自主預(yù)警，如銀行領(lǐng)域等;其次是智能用戶接口，機(jī)器人通過前端的傳感器采集外界信息，從而自動感知人的信息，并自動獲取和上傳人體的視覺信息，如手勢、面部表情等，從而為人機(jī)交互界面更新提供數(shù)據(jù)支撐;運(yùn)動分析領(lǐng)域，通過提取傳感器采集的關(guān)鍵點信息，從而為訓(xùn)練指導(dǎo)提供依據(jù)，如體操、田徑訓(xùn)練、舞蹈等。

在計算機(jī)視覺基于人體各種運(yùn)動分析之中，步態(tài)分析具有重要價值。步態(tài)分析領(lǐng)域隸屬于生物識別技術(shù)，而其下又包含一主要領(lǐng)域——步態(tài)識別——一個通過人們走路姿勢對人們進(jìn)行身份識別的技術(shù)，相較于指紋、臉像識別等，步態(tài)識別具有能夠在遠(yuǎn)距離進(jìn)行識別、與被測對象無需接觸，對影像的分辨率要求不高、待測對象很難偽裝等的特點，因而被廣泛應(yīng)用于遠(yuǎn)距離監(jiān)控系統(tǒng)、動畫制作、人機(jī)交互等領(lǐng)域。它的步態(tài)特征的提取與描述的基本流程是：圖像預(yù)處理、場景建模、輪廓提取、基于輪廓的特征信號描述、輪廓特征信號處理。而它的識別又主要包含相似性評估和分類器選擇。

步態(tài)識別的特征提取決定了識別的存活率，對于步態(tài)識別特征參數(shù)的提取可以分為兩類方法：基于模型的步態(tài)識別，基于統(tǒng)計特性的步態(tài)識別。對于基于模型的步態(tài)識別方法主要分為三步：首先建立先驗?zāi)Ｐ汀⑵浯纹ヅ鋱D像的序列和模型、得出參數(shù)比較結(jié)果即識別結(jié)果。目前的模型主要有：橢圓模型、人字形模型和鐘擺模型。但是由于基于模型的方法計算量大，因而計算速度慢，而缺乏實時性。這里主要介紹基于統(tǒng)計特性的特征參數(shù)提取方法。和傳統(tǒng)的模型法相比而言，其優(yōu)點在于它不需要建立模型，而只需要通過對研究的對象的一些假設(shè)，依據(jù)圖像序列中目標(biāo)函數(shù)在時間空間狀態(tài)下移動的多類統(tǒng)計值，從而得到步態(tài)中蘊(yùn)含的特征參數(shù)。已知主要應(yīng)用有：文獻(xiàn)【1】依據(jù)光流圖像來獲取頻率以及相位特征從而識別個人;文獻(xiàn)【2】采取的是以步行人的輪廓寬度特征進(jìn)行識別。由于基于統(tǒng)計特性計算量小，因而更具有實時性而被更廣泛地應(yīng)用于實際。

除了步態(tài)特征提取，特征匹配是步態(tài)識別的另一關(guān)鍵點。步態(tài)輪廓特征匹配分為靜態(tài)匹配和動態(tài)匹配。輪廓靜態(tài)幀特征匹配關(guān)注單幀圖像形狀特點，文獻(xiàn)【3】直接對輪廓外形之間的互相關(guān)的統(tǒng)計量進(jìn)行比較，文獻(xiàn)【4-7】則依據(jù)輪廓解卷繞把邊緣的信息編碼為一維的形式。但由于靜態(tài)特征不含時域信息，且由于細(xì)節(jié)捕捉能力差導(dǎo)致區(qū)分局部的不相似度困難，因而正確分類率不高。相較之下，輪廓動態(tài)特征匹配則關(guān)注各幀圖像之間的關(guān)系，并建立基于完整周期序列特征的模型，文獻(xiàn)【8】對整個序列輪廓邊緣進(jìn)行離散傅里葉變換取得序列時變傅里葉的描述量，但由于提取特征信息損失大而精度低;文獻(xiàn)【9-10】構(gòu)造視頻鎖相環(huán)的同步相圖來識別個人特征，然后比較序列相似度，但計算量大;還有一種方法是主元分析，以圖尋找最優(yōu)主元的線性組合重建原有樣本，并最小化重建后樣本與原樣本誤差。

例如使用OpenPose對人的軀干、四肢甚至手指進(jìn)行跟蹤，并進(jìn)行姿勢估計，單人多人皆適用，具有較好魯棒性。而基于此的OpenMMD則可將真人視頻轉(zhuǎn)化為3D模型動畫，具有良好娛樂性及發(fā)展前景。

2 研究方法

隨著攝影與膠片技術(shù)的發(fā)展，相機(jī)能夠捕捉、揭示與動物主要是人類運(yùn)動的細(xì)節(jié)序列圖像，而這些并不能被人類裸眼觀測到。因此，本文將利用攝像頭在街頭補(bǔ)貨視頻（圖2），通過對單個行人行走過程中的每一幀圖片進(jìn)行分析，得到相應(yīng)的步態(tài)數(shù)據(jù)（圖3）。

基于小波分析的步態(tài)特征識別模型，在特征識別的階段，首先針對人體的靜態(tài)特性獲取低緯步態(tài)下的人體運(yùn)動步態(tài)特征向量序列，將該靜態(tài)向量序列作為整個算法識別的基準(zhǔn)信息，最終給出分類結(jié)果，方法流程如圖1所示。

首先采集步態(tài)輪廓下3個方向的投影進(jìn)而進(jìn)行步態(tài)輪廓特征參數(shù)的掃描，采用實驗驗證的方法從而驗證步態(tài)特征提取提取的有效性;然后運(yùn)用離散正交小波函數(shù)變換從而實現(xiàn)對時變的步態(tài)特征序列的行列數(shù)據(jù)維數(shù)約簡，從而在一定程度上降低計算的緯度，同時抑制步態(tài)輪廓二值化和投影數(shù)據(jù)提取中產(chǎn)生的噪聲;此外為獲得優(yōu)于傳統(tǒng)步態(tài)識別中廣泛采用的歐式距離度量分類法的分類性能，本文運(yùn)用支持向量機(jī)訓(xùn)練和應(yīng)用步態(tài)分類器進(jìn)行分類。

需要指出的是，此處我們使用“步態(tài)能量”這一概念來定義某一幀動畫中人的行為特征。為定義這一物理量，我們首先需要識別人的輪廓（或背景輪廓），由于人是運(yùn)動的，因此該輪廓可由相鄰兩幅圖中像素變化的點來識別。數(shù)學(xué)上即計算兩幅相鄰圖像對應(yīng)點像素的差值，如差值為0即為背景。進(jìn)一步，將背景像素定義為“全黑”（RGB：0，0，0），將行人輪廓以內(nèi)區(qū)域定義為“全白”（RGB：255，255，255）（圖4）。那么，“步態(tài)能量”就可定義如下，

式中，分別表示圖像的像素編碼，為像素。在t時間段內(nèi)，步態(tài)能量隨時間變化的相關(guān)關(guān)系。

特征向量集構(gòu)成如下：

（1）對二值輪廓圖進(jìn)行水平投影掃描來獲得規(guī)整列向量I1（維數(shù)：148*1）;

（2）對二值輪廓圖進(jìn)行垂直投影掃描來獲得規(guī)整列向量I2（維數(shù)：88*1）;

（3）對二值輪廓圖進(jìn)行斜向投影掃描來獲得規(guī)整列向量I3（維數(shù)：172*1）;

（4）將向量I1、I2、I3順序級聯(lián)，合并構(gòu)成規(guī)整列向量I（維數(shù)：408*1）。

3 結(jié)論分析

將相鄰兩點間的時間（圖中橫坐標(biāo)為幀標(biāo)號）定義為步態(tài)的半個周期，那么由此就可以近似得到某一時刻對應(yīng)的頻率。結(jié)果顯示小波分析的第二分階層已經(jīng)可以較為近似地反映出步態(tài)的運(yùn)動頻率。

通過對不同人群進(jìn)行步態(tài)分析得到相應(yīng)的步態(tài)數(shù)據(jù)，我們可以建立相應(yīng)的運(yùn)動數(shù)據(jù)庫。如在體育競技方面，通過對頂級田徑運(yùn)動員賽跑各個階段的步伐頻率分析，來指導(dǎo)和訓(xùn)練學(xué)員進(jìn)行科學(xué)的階段性訓(xùn)練;通過對肢體手術(shù)后康復(fù)人員臂力訓(xùn)練的運(yùn)動頻率進(jìn)行分析，得到相應(yīng)肌群恢復(fù)與訓(xùn)練強(qiáng)度之間的關(guān)系，從而建立更有針對性的個性恢復(fù)計劃;再如，通過手機(jī)等移動終端收集人的手指運(yùn)動信號，來設(shè)計不同頻率的指令，從而實現(xiàn)更少的鍵盤操作，增強(qiáng)用戶體驗的便捷性和趣味性?？傊?，對人體運(yùn)動行為的實時模擬和分析將是未來人工智能的一大趨勢，也是發(fā)展穿戴式智能設(shè)備的一個重要功能。在這類應(yīng)用中，小波分析由于其對時間和頻率的雙重刻畫，更加凸顯了其數(shù)學(xué)應(yīng)用的地位。

參考文獻(xiàn)

[1] Barclay C D，Cutting J E，Kozlowski L T. Temporal and spatial factors in gait perception that influence gender recognition[J]. Perception & psychophysics，1978，23（2）：145-152.

[2] Fink，Bernhard，et al.?Female Perceptions of Male Body Movements.?Evolutionary Perspectives on Human Sexual Psychology and Behavior. Springer New York，2014.

[3] Giudice，Nicholas A.，et al. "Spatial learning and navigation using a virtual verbal display."?ACM Transactions on Applied Perception7.1（2010）：1-22.

[4] 王鵬峰，and 程銘. "小波特征和協(xié)同表示的步態(tài)識別研究."?中國計量大學(xué)學(xué)報?3（2017）.

[5] 涂斌斌，et al. "一種使用自適應(yīng)小波去噪和SIFT描述符的步態(tài)識別研究."?小型微型計算機(jī)系統(tǒng)?v.39.06（2018）：254-258.

[6] 王竣，and 王修暉. "特征融合的多視角步態(tài)識別研究."?中國計量大學(xué)學(xué)報?2（2017）.

[7] 馬華兵.?基于機(jī)器學(xué)習(xí)和多視角信息融合的步態(tài)識別系統(tǒng)的研究. Diss. 西安理工大學(xué)，2008.

[8] 趙草原.?機(jī)器學(xué)習(xí)在可穿戴人體外骨骼系統(tǒng)步態(tài)識別中的應(yīng)用研究. Diss. 電子科技大學(xué).

[9] 姚健，and 張乾勇. "人體步態(tài)數(shù)據(jù)測量系統(tǒng)的設(shè)計與實現(xiàn)."?電子測量技術(shù)?08（2017）：189-193.

[10] 高云園，et al. "基于多源信息融合的膝上假肢步態(tài)識別方法."?儀器儀表學(xué)報?31.12（2010）：2682-2688.