王鵬

摘 要：本文基于筆者的研究和交流，首先對(duì)本次研究的兩種前置技術(shù)：步態(tài)特征提取算法、步態(tài)特征分類識(shí)別進(jìn)行了介紹和分析，然后從具體的融合角度出發(fā)，完成了基于特征融合的步態(tài)識(shí)別算法理論研究。

關(guān)鍵詞：特征融合;步態(tài)識(shí)別;信息融合

一、序言

伴隨著信息技術(shù)的進(jìn)一步深入，公民安全也在得到進(jìn)一步的保障。生物特征識(shí)別技術(shù)是其中的一項(xiàng)代表性技術(shù)，能夠適用于各種場(chǎng)合的安檢需求，所以受到了社會(huì)各界的關(guān)注，希望能在視頻監(jiān)控方面得到深入的應(yīng)用。本文對(duì)生物特征識(shí)別技術(shù)中的步態(tài)識(shí)別進(jìn)行研究，基于國(guó)內(nèi)外的研究成果基礎(chǔ)上引入特征融合概念，為步態(tài)識(shí)別算法的推廣應(yīng)用提供依據(jù)和借鑒。

二、重要技術(shù)概述

1.步態(tài)特征提取算法

步態(tài)特征提取算法可以分為骨架特征、步態(tài)能量圖、Hu矩三個(gè)特征的提取。骨架特征主要是對(duì)步態(tài)圖像的形狀進(jìn)行了準(zhǔn)確的反應(yīng)，因?yàn)槿梭w的肢體結(jié)構(gòu)是由多種因素決定的，所以基于肢體結(jié)構(gòu)的骨架特征的提取是步態(tài)特征提取算法的基礎(chǔ)，提取骨架特征的步驟是先對(duì)骨架進(jìn)行分析，獲得相應(yīng)的序列圖，基于序列圖得出肢體運(yùn)動(dòng)的準(zhǔn)確特征;步態(tài)能量圖則是從周期性的角度對(duì)步態(tài)序列進(jìn)行了總結(jié)，反映了運(yùn)動(dòng)形態(tài)的變化、人體輪廓和行走頻率，提取步態(tài)能量的方法是首先對(duì)步態(tài)序列進(jìn)行降維，在完成步態(tài)能量圖的特征提取;Hu矩則是反映出了目標(biāo)圖像平移、旋轉(zhuǎn)、尺度變化和鏡像的不變矩，首先需要對(duì)圖像離散的Hu矩進(jìn)行計(jì)算，進(jìn)而在完成相應(yīng)的特征提取。

2.步態(tài)特征的分類識(shí)別

在完成骨架特征、步態(tài)能量圖、Hu矩三個(gè)特征的提取之后就可以進(jìn)行步態(tài)特征的分類識(shí)別。分類識(shí)別首先需要建立訓(xùn)練樣本對(duì)不同種類的分類器進(jìn)行訓(xùn)練，在樣本數(shù)量龐大的情況下可以選擇貝葉斯和神經(jīng)網(wǎng)絡(luò)分類器，在樣本數(shù)量較少的情況下可以選擇支持向量機(jī)和盡量發(fā)作為分類器，在完成分類器的訓(xùn)練之后就需要用分類器進(jìn)行識(shí)別實(shí)驗(yàn)，基于骨架特征、步態(tài)能量圖、Hu矩三個(gè)特征的提取之后對(duì)每一個(gè)樣本構(gòu)造出對(duì)應(yīng)的特征向量，最終完成三種步態(tài)特征的分類識(shí)別，進(jìn)而獲得相應(yīng)的實(shí)驗(yàn)結(jié)果和三種單一特征的識(shí)別率。

三、基于特征融合的步態(tài)識(shí)別算法研究

1.信息融合

信息融合技術(shù)能夠?qū)ι衔闹械娜齻€(gè)特征進(jìn)行融合和互補(bǔ)，進(jìn)而使得結(jié)果更加的科學(xué)完備。信息融合是一種特殊的處理過(guò)程，能夠通過(guò)多方面多層次的檢測(cè)和組合，對(duì)各項(xiàng)單一特征進(jìn)行互補(bǔ)和精簡(jiǎn)，減少多項(xiàng)特征數(shù)據(jù)中的不確定性，將結(jié)果進(jìn)行統(tǒng)一，能夠更好地反映出不同特征的內(nèi)在聯(lián)系。

2.特征融合具體算法

本次研究是基于骨架特征、步態(tài)能量圖、Hu矩的特征提取，從宏觀層面上來(lái)講，骨架特征主要反映了目標(biāo)的肢體運(yùn)動(dòng)特征，步態(tài)能量圖主要反映了步態(tài)序列的周期性分步，Hu矩則是反映了肢體的形狀特征，對(duì)以上三種特征進(jìn)行融合后利用支持向量機(jī)進(jìn)行相應(yīng)的識(shí)別工作就可以對(duì)目標(biāo)的身份進(jìn)行確定。

不同特征在融合時(shí)，首先要獲取單一特征向量，然后將不同特征向量采用融合方法，構(gòu)造出一個(gè)新的特征向量。將每個(gè)樣本的骨架特征，步態(tài)能量圖、五個(gè)Hu矩特征分別表述為一個(gè)多維行向量，將所有單一特征通過(guò)簡(jiǎn)單的首尾相連，直接串聯(lián)成一個(gè)高維的聯(lián)合特征向量。對(duì)不同類型的特征設(shè)定權(quán)重，同時(shí)根據(jù)權(quán)重將單一特征的聯(lián)合向量重組，構(gòu)造融合向量。不同特征進(jìn)行加權(quán)特征融合時(shí)，權(quán)重的選擇通常依據(jù)單一特征在分類識(shí)別時(shí)的識(shí)別率，單一特征的識(shí)別率越高，其對(duì)應(yīng)特征對(duì)步態(tài)識(shí)別的識(shí)別能力越強(qiáng)，在加權(quán)融合時(shí)的權(quán)重越大。

對(duì)骨架特征分類識(shí)別，結(jié)果表明了相比于基于輪廓、基于骨架的關(guān)鍵點(diǎn)定位方法，可以基于此提出的基于輪廓與骨架的關(guān)鍵點(diǎn)定位方法提取的骨架特征識(shí)別率最高。對(duì)Hu矩特征分類識(shí)別，結(jié)果表明構(gòu)造的離散情況下尺度不變的五個(gè)Hu矩的識(shí)別率比原始的七個(gè)Hu矩的識(shí)別率更高。

從上述過(guò)程我們可以了解到，進(jìn)行特征融合必須利用三種單一特征分別進(jìn)行特征識(shí)別，并對(duì)三種特征進(jìn)行加權(quán)特征融合。說(shuō)明目標(biāo)在正常行走狀態(tài)下步態(tài)序列進(jìn)行加權(quán)特征融合實(shí)驗(yàn)，特征融合后提高了步態(tài)識(shí)別率。而目標(biāo)如果在背包狀態(tài)下和穿大衣?tīng)顟B(tài)下的步態(tài)序列進(jìn)行加權(quán)特征融合分析，融合后提高了識(shí)別率，說(shuō)明本次研究的特征融合算法對(duì)于攜帶物和穿著具有魯棒性。

四、總結(jié)

總而言之，步態(tài)識(shí)別技術(shù)作為生物特征識(shí)別技術(shù)在安全方面的代表性技術(shù)，在可預(yù)見(jiàn)的未來(lái)必將得到廣泛的應(yīng)用。因?yàn)椴綉B(tài)偽裝和隱藏的難度非常大，同時(shí)易于采集，通過(guò)步態(tài)識(shí)別技術(shù)能夠有效的對(duì)目標(biāo)的身份進(jìn)行確定。本文基于特征融合對(duì)步態(tài)識(shí)別技術(shù)進(jìn)行了調(diào)整和優(yōu)化，但是因?yàn)閺?fù)雜性等原因沒(méi)有進(jìn)行更為細(xì)致的研究，僅從三個(gè)方面進(jìn)行了特征的提取和融合，希望未來(lái)能有機(jī)會(huì)從更多的角度完成步態(tài)特征識(shí)別的研究。

參考文獻(xiàn)：

[1]王浩倫，朱業(yè)安，徐唯祎，徐苒，黃月姑，盧巍.步態(tài)識(shí)別特征的提取和重要性排序[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志，2019，36（07）：811-817.

[2]李洪安，杜卓明，李占利，惠巧娟，白佳豪.基于雙特征匹配層融合的步態(tài)識(shí)別方法[J].圖學(xué)學(xué)報(bào)，2019，40（03）：441-446.