劉宇斌 葉嘉杰 何曉昀

廣東理工學(xué)院 廣東 肇慶 526100

引言

如今人工智能在圖像識別、物體識別、身份識別等方向取得了傲人的發(fā)展，但是在一些場合中有些識別技術(shù)發(fā)揮的作用性不太明顯，像指紋識別、人臉識別、虹膜識別、DNA識別，對于個體的依賴性過強(qiáng)，而且不易采集，就以2019年的香港暴徒事件為例子，每一個行兇的暴徒都是蒙著臉的。在外界嘈雜通過普通的人臉識別或者聲紋識別，都無法準(zhǔn)確地提取出人物的信息，但是可以通過步態(tài)識別來獲取個人的信息，來準(zhǔn)確分辨出該人。

步態(tài)識別是一種通過個人的行走方式來辨別個人信息的生物識別技術(shù)。在應(yīng)用領(lǐng)域，類似于人臉識別，它要解決識別和檢驗兩類問題。在識別問題中，給出未知身份人的步態(tài)，在數(shù)據(jù)庫中搜尋與之匹配的人的步態(tài)，從而確認(rèn)人的身份；在檢驗問題中，需要步態(tài)識別算法對已假定的某人的身份做出判定，即接受或拒絕所假定的身份。

當(dāng)前步態(tài)識別雖然擁有著廣泛的市場前景，但是在實際應(yīng)用的過程中，存在著視角遮擋、穿著不一、環(huán)境影響等因素，會對步態(tài)識別的正確率造成較大的影響，而利用基于RGB-D技術(shù)的三維傳感器提取步態(tài)信息的方式為步態(tài)識別的發(fā)展提供了新的方向，減弱了大部分復(fù)雜的環(huán)境因素對于步態(tài)特征獲取的影響。增強(qiáng)了對于人體步態(tài)數(shù)據(jù)獲取的簡易性[1]。

1 常見步態(tài)識別技術(shù)以及缺陷

1.1 基于模型的步態(tài)識別技術(shù)

此類基于模型的步態(tài)識別方式核心是對運動學(xué)模型的構(gòu)建，即根據(jù)運動的人體結(jié)構(gòu)實現(xiàn)人體骨骼化的建模，便可以獲取相應(yīng)的關(guān)節(jié)角度與肢體長 度等高層特征表達(dá)?；谀Ｐ偷倪@類步態(tài)識別算法可以極大克服實際復(fù)雜場景中由于遮擋與視角造成的干擾，不足就是計算量大且實現(xiàn)的復(fù)雜度高。

1.2 基于非模型的步態(tài)識別技術(shù)

這一類非模型的步態(tài)識別方式則便可以直接通過從人體輪廓中提取所需的步態(tài)特征，不需要構(gòu)建人體的運動學(xué)模型，還能劃分為基于步態(tài)能量圖的方法和基于步態(tài)圖像序列的方法。基于非模型這類算法的實現(xiàn)復(fù)雜度相對較低，可是很容易受遮擋、不同視角因素干擾。

以上兩種步態(tài)識別技術(shù)均為基于二維平面圖像的識別技術(shù)，各自存在一定的缺陷，而且成本昂貴需要借助處理終端進(jìn)行處理，無法滿足小范圍區(qū)域的應(yīng)用[2]。

2 系統(tǒng)設(shè)計

2.1 人體骨骼獲取模塊

該系統(tǒng)采用了Kinect DK相機(jī)作為人體骨骼數(shù)據(jù)的提取模塊，Kinect DK相機(jī)是一個開發(fā)人員工具包由1200萬像素高清攝像頭，100萬像素TOF深度攝像頭、7麥克風(fēng)圓形陣列，和方向傳感器組成，在該系統(tǒng)主要運用的是其對于人體骨骼的檢測功能，如圖1所示相對于Kinect V2無論是在運動物體獲取還是深度圖像獲取方面都有著較大的提升。獲取圖像更加的清晰，數(shù)據(jù)跟蹤更加準(zhǔn)確，使得Kinect DK更適合該系統(tǒng)的研究。

圖1 人體骨骼提取圖

Kinect DK通過紅外發(fā)射器發(fā)射近紅外光線，照射到人體上時利用紅外相機(jī)接收反射回來的紅外線利用了Time of Flight（TOF）技術(shù)計算相位差與測量深度后將檢測到的3D深度圖像，轉(zhuǎn)換到骨架追蹤系統(tǒng),再采用背景分割法刪除背景，減小了計算量，最后傳入到?jīng)Q策樹分類器當(dāng)中對相應(yīng)類別的節(jié)點進(jìn)行劃分輸出人體骨骼圖。

2.2 步態(tài)數(shù)據(jù)獲取模塊

本地計算機(jī)因為要實時進(jìn)行人體骨骼數(shù)據(jù)的獲取與預(yù)處理，上傳與接受云端數(shù)據(jù)，具有較大的運算能力，傳統(tǒng)的嵌入式設(shè)備無法滿足應(yīng)用需求，所以該系統(tǒng)采用了可在邊緣設(shè)備上運行大型深度神經(jīng)網(wǎng)絡(luò)，實現(xiàn)更高的準(zhǔn)確性，Nvidia公司的Jetson TX2單模塊超級計算機(jī)，能夠方便快捷的部署深度學(xué)習(xí)模塊，非常適用于該系統(tǒng)對帶寬和延遲要求高的應(yīng)用的實時處理過程。

2.3 步態(tài)分析處理模塊設(shè)計

該系統(tǒng)在云服務(wù)器上采用了VGG19深度神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)的分類識別，先利用卷積神經(jīng)網(wǎng)絡(luò)提取出動靜態(tài)人體骨骼特征數(shù)據(jù)，然后通過1x1大小的卷積核的平均池化層對提取出的步態(tài)骨骼特征進(jìn)行降維處理，而后采用了帶有動量的隨機(jī)梯度方法對算法進(jìn)行優(yōu)化，通過softmax損失函數(shù)進(jìn)行分類[3]。

圖2 VGG19步態(tài)特征檢測模型

3 工作流程

該系統(tǒng)利用Kinect DK相機(jī)采集三維深度數(shù)據(jù)采用分隔策略將人體從復(fù)雜的背景中區(qū)分出來，在這個階段，為每個跟蹤的人在深度圖像中創(chuàng)建分割遮罩，其次對景深圖像（機(jī)器學(xué)習(xí)）進(jìn)行評估，來判別人體的不同部位分離出行人個體并獲取其骨骼的三維數(shù)據(jù)，

Jetson TX2將骨骼三維數(shù)據(jù)上傳到云服務(wù)器的VGG19深度神經(jīng)網(wǎng)絡(luò)中訓(xùn)練出的網(wǎng)絡(luò)模型進(jìn)行步態(tài)識別，隨后上傳到云端數(shù)據(jù)庫，云端數(shù)據(jù)庫將對每一份數(shù)據(jù)進(jìn)行存儲。

用戶使用設(shè)備采集到新的人體數(shù)據(jù)，由Jetson TX2將數(shù)據(jù)上傳至云端與云端數(shù)據(jù)庫，Jetson TX2調(diào)用的數(shù)據(jù)庫接口會根據(jù)用戶信息返回所需的對比數(shù)據(jù)，并與用戶提交的數(shù)據(jù)進(jìn)行對比，若信息對比一致，即身份信息配對成功，云端與云端數(shù)據(jù)庫將會把人物信息數(shù)據(jù)返回至Jetson TX2，通過用戶軟件界面顯示[4]。

4 結(jié)束語

針對目前步態(tài)檢測方式存在的檢測復(fù)雜度高，圖像容易受到外界環(huán)境影響的難題分析了步態(tài)識別的系統(tǒng)的運行方式以及實現(xiàn)要求，提出一種基于Kinect DK和Nvidia Jetson TX2的步態(tài)檢測系統(tǒng)的設(shè)計。該系統(tǒng)利用Kinect DK捕獲三維深度數(shù)據(jù)，在Jetson TX2分離出行人個體并獲取個體的骨骼三維數(shù)據(jù)，經(jīng)云服務(wù)器上由VGG19深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的網(wǎng)絡(luò)模型進(jìn)行步態(tài)識別，識別身份信息，完成對行人實現(xiàn)身份識別的功能，該系統(tǒng)使用人體骨骼三維信息與深度學(xué)習(xí)技術(shù)實現(xiàn)行人身份識別，具有復(fù)雜度低、識別率高、對環(huán)境影響的魯棒性強(qiáng)的特點。