陳春杰

（常州市公安局,江蘇 常州 213000）

1 步態(tài)識別概述

步態(tài)識別作為一種新興的生物特征識別技術(shù)，步態(tài)識別利用圖像和視頻序列，通過建立模型提取目標(biāo)人物步態(tài)輪廓特征，從而對人物目標(biāo)進(jìn)行身份識別。與人像識別、指紋識別等生物特征相比，步態(tài)識別具有遠(yuǎn)距離、非受控、多視角和不容易偽裝等優(yōu)點(diǎn)，最適合在視頻監(jiān)控中應(yīng)用的生物特征識別方法之一。本文將針對步態(tài)特征的身份識別方法與算法展開分析[1]。

2 步態(tài)特征身份識別要點(diǎn)

2.1 運(yùn)動目標(biāo)檢測

在步態(tài)特征身份識別檢測過程中，運(yùn)動目標(biāo)檢測是重要環(huán)節(jié)，是了解和掌握運(yùn)動目標(biāo)步態(tài)特征的前提?；趫D像排序，通過背景建模、減除，將得到的前景圖像展開形態(tài)學(xué)處理，再進(jìn)行連通性分析，并剪裁圖像，最后利用邊緣提取技術(shù)，提取運(yùn)動目標(biāo)，進(jìn)而提取運(yùn)動目標(biāo)的特征[2]。

2.1.1 圖像提取

在步態(tài)特征的身份識別過程中，通過幀差法、光流法以及背景減除法提取序列圖像。其中，幀差法對背景逐漸轉(zhuǎn)變狀況并不敏感；光流法計(jì)算煩瑣、缺少實(shí)時性成效；而背景減除法快捷、簡便，適宜視頻采集設(shè)備選擇的場景。文章通過背景減除法提取運(yùn)動目標(biāo)特征，它主要包括3種算法，即混合高斯函數(shù)（Mixture of Gaussian，MOG）、GMG、MOG2。其中，GMG算法是用較少的圖像進(jìn)行背景建模的，精準(zhǔn)度不高，當(dāng)前運(yùn)用并不多。本文選擇MOG2算法進(jìn)行前景提取，是基于高斯混合模型的前景分割算法，是各像素選擇適當(dāng)數(shù)量的高斯分布，MOG2算法更加適合在亮度轉(zhuǎn)變出現(xiàn)的場景轉(zhuǎn)變。此種算法，能夠進(jìn)行陰影檢測，速度超過MOG算法[3]。MOG2算法前景提取圖如圖1所示。

圖1 MOG2算法前景提取圖

2.1.2 形態(tài)學(xué)處理

利用背景減除法得到步態(tài)圖像存在噪聲、空洞等現(xiàn)象，為避免此種現(xiàn)象對識別分析產(chǎn)生的影響，可通過圖像形態(tài)學(xué)處理方式處理得到的二值步態(tài)圖像。比較常用的形態(tài)學(xué)處理包括腐蝕、膨脹、開/閉操作等方法。首先，腐蝕是指更加簡便地清除不相關(guān)元素，能夠消除圖像中的噪聲等，公式為其中A為圖像，B為結(jié)構(gòu)元素，為B對A進(jìn)行腐蝕操作，即通過B遍歷A，清除二者不完全相交的元素值，從而完成腐蝕。其次，膨脹可看作簡便的連接操作，能夠修復(fù)圖像中的斷裂情況，公式為，其中A為圖像，b為結(jié)構(gòu)元素B有關(guān)中心點(diǎn)的映射，為B對A進(jìn)行膨脹，即通過B遍歷A，記錄二者在交集點(diǎn)進(jìn)行膨脹。在腐蝕與膨脹的前提下，還需要進(jìn)行開/閉操作。開操作可以使物體輪廓更加平滑，切斷細(xì)小間隔，公式為其中A為圖像，B為結(jié)構(gòu)元素，為B對A進(jìn)行開操作。閉操作不僅可以充分填充圖像空洞，還能夠使物體邊緣更加平滑，公式為其中A為圖像，B為結(jié)構(gòu)元素，為B對A進(jìn)行閉操作。文章對于二值化后步態(tài)圖像先進(jìn)行開操作，再進(jìn)行閉操作。形態(tài)學(xué)處理的前后對比圖如圖2所示。

圖2 形態(tài)學(xué)處理前后對比示意圖

2.1.3 互通性

將互相連通位置進(jìn)行套標(biāo)記，并且計(jì)算像素點(diǎn)情況，然后按照像素點(diǎn)數(shù)量，可以明確身體和背景區(qū)域，并且體現(xiàn)出步態(tài)特征，同時還可以有效地清除噪聲區(qū)影響。

2.1.4 圖像剪裁

在進(jìn)行圖像剪裁過程中，應(yīng)當(dāng)凸顯剪裁重點(diǎn)，這樣操作的主要目的，就是為了進(jìn)一步清除背景中的多余信息。在剪裁過程中，不僅要注意圖像尺寸，還應(yīng)確保圖像的完整性。

2.1.5 圖像輪廓提取

在辨識步態(tài)特征時，應(yīng)當(dāng)根據(jù)重點(diǎn)區(qū)域，在圖像區(qū)域邊緣，通過邊緣跟蹤算法對剪裁圖像提取輪廓線，從而得到更精準(zhǔn)的人體步態(tài)特征[4]。

2.2 特征提取

特征提取是基于運(yùn)動目標(biāo)檢測的前提下，對圖像序列展開周期性監(jiān)測，對關(guān)鍵幀進(jìn)行提取，從而掌握人體輪廓特征、肢體動作特征與反射對稱特征，綜合特征矢量，在分類器中識別步態(tài)特征。

2.2.1 步態(tài)周期檢測

人體在運(yùn)動過程當(dāng)中，步態(tài)體現(xiàn)出相應(yīng)的周期性，根據(jù)身體結(jié)構(gòu)、個體習(xí)慣以及行為規(guī)律進(jìn)行重復(fù)性動作。通常情況下，兩步可以作為一個步態(tài)周期。由于步態(tài)具有煩瑣性，周期難以完全精準(zhǔn)，所以可以參考大概值。檢測步態(tài)周期時，通過快捷、簡便的方式，不僅能夠預(yù)估步態(tài)周期，還可以按照人體行走動作特征開展全方位分析，從而得到精準(zhǔn)的步態(tài)周期。

2.2.2 圖像幀提取

由于步態(tài)周期的不同，在對運(yùn)動目標(biāo)進(jìn)行圖像幀提取過程中，要根據(jù)顯示情況，提取其中的關(guān)鍵幀，這樣才能充分體現(xiàn)步態(tài)情況，從而精準(zhǔn)把握特征。

2.2.3 步態(tài)特征提取

提取步態(tài)特征包含人體外部輪廓特征、肢體動作特征與反射對稱特征等要素。通過傅里葉描述子對人體外部輪廓特征進(jìn)行提取，可以全面體現(xiàn)步態(tài)特征；反射對稱特征是按照人體走路的動作習(xí)慣，把反射對稱特征當(dāng)作步態(tài)差別依據(jù)，進(jìn)行多方面分析，從而完成基于步態(tài)特征的身份識別。

2.3 步態(tài)圖像歸一處理

視頻采集設(shè)備通常是固定的，容易造成在視頻設(shè)備采集范疇內(nèi)，運(yùn)動目標(biāo)外形是從小到大再變小的過程。在提取步態(tài)特征時，統(tǒng)一目標(biāo)圖像能夠更容易被識別。通過圖像歸一化方式，讓各個運(yùn)動目標(biāo)圖像統(tǒng)一，包含圖像當(dāng)中運(yùn)行目標(biāo)的大小以及區(qū)域位置等。在系統(tǒng)程序當(dāng)中，制定圖像尺寸，把目標(biāo)圖像統(tǒng)一成64 px×64 px[5]。

3 基于步態(tài)特征的身份識別實(shí)驗(yàn)分析

3.1 數(shù)據(jù)采集

基于智能手機(jī)設(shè)計(jì)快捷簡單的數(shù)據(jù)提取軟件。傳感器相應(yīng)頻率在5 000 Hz，為確保檢測數(shù)據(jù)盡量全面地描述目標(biāo)運(yùn)動，并且不加大后續(xù)計(jì)算工作量，程序運(yùn)行時長設(shè)置每0.02 s讀取一次數(shù)據(jù)，也就是數(shù)據(jù)樣本采集頻率在50 Hz，同時記錄被檢測人員的五種運(yùn)動數(shù)據(jù)[6]。所選擇被檢測者身高在160～180 cm，體重在45～85 kg，年齡在20～45歲。在相同空氣流通、地面摩擦、衣著相近以及健康的前提下，經(jīng)過10組各100 s的自然行走進(jìn)行檢測，得到50組五種實(shí)時數(shù)據(jù)，總共200 000條實(shí)時檢測記錄數(shù)據(jù)，讓實(shí)驗(yàn)結(jié)果更精準(zhǔn)可靠[7]。針對每一個步態(tài)序列來講，開展步態(tài)檢測算法對運(yùn)動目標(biāo)進(jìn)行跟蹤。圖3呈現(xiàn)步態(tài)模式時空變化。訓(xùn)練與投影前，其輪廓圖像序列轉(zhuǎn)化成1D距離信號序列，通過距離信號序列，以PCA訓(xùn)練過程來執(zhí)行。按照特征空間特征幅度與相應(yīng)積累的方差曲線，選擇用前10個特征值與相應(yīng)特征向量構(gòu)建特征空間轉(zhuǎn)化矩陣。圖4呈現(xiàn)三種角度下的特征形狀信號，其體現(xiàn)步態(tài)運(yùn)動對稱特征。FERET算法識別主要分為兩種：一種是半自動算法，這種算法需要人工方式來指出圖像當(dāng)中人兩眼中心的坐標(biāo)；另一種是全自動算法，這種算法可以自動定位圖像中人臉，然后進(jìn)行充分識別。在測試時，人臉圖像可以分為兩個集合：一個是已知身份的人圖像組成的目標(biāo)集；另一個是輸入算法，對未知身份人圖像組成的探測集和查詢集。通過測試可以發(fā)現(xiàn)，主要問題就在于識別算法對于光照變化比較敏感，因此在查詢圖像和目標(biāo)圖像時，應(yīng)當(dāng)注意其他情況的影響[8]。

圖3 步態(tài)模式時空變化圖

圖4 三種角度下的特征形狀信號圖

3.2 識別性能、校驗(yàn)性能與結(jié)果分析

3.2.1 識別性能

在具體應(yīng)用過程中，應(yīng)當(dāng)充分考量小數(shù)量樣本情況，然后通過留一交叉驗(yàn)證法，可以得到更高的識別率。之后針對相同角度，還有各個序列狀況，每次都預(yù)留一個樣本序列，同時訓(xùn)練剩余序列，最后再根據(jù)剩余樣本進(jìn)行相近性歸類，并預(yù)留部分樣本。在這個過程中，針對各角度狀況進(jìn)行了重復(fù)。表1匯總了身份識別算法和正確分類率（CCR），因此實(shí)驗(yàn)結(jié)果非常顯著。比分類誤差通過ROS，能夠定義檢測度量類型，并在最前n個匹配值間，積累了概率p（n）。性能統(tǒng)計(jì)特性，利用了累積匹配分值標(biāo)識，將階次n表示在橫軸上，而垂直抽表示了正確匹配累積百分比[9]。通過ROS對算法和性能進(jìn)行評估，如圖5所示。FERET算法運(yùn)用了STC和NED度量累積匹配圖，其中（a）運(yùn)用了STC度量，（b）運(yùn)用了投影實(shí)線和標(biāo)本投影虛線NED度量，因此正確分類率等價于p（1）。

表1 算法的正確分類率

3.2.2 校驗(yàn)性能

運(yùn)用留一校驗(yàn)法，對錯誤接受率（FAR）與錯誤決絕率（FRR）進(jìn)行預(yù)估。并運(yùn)用剩余樣本訓(xùn)練分類器，之后在多個類別當(dāng)中校驗(yàn)留出的樣本，如圖6所示，呈現(xiàn)基于NED度量ROC曲線，其中能夠看出對應(yīng)于0°、45°、90°角度等誤差率（EER）分別為20%、13%與9%。

圖6 基于NED度量ROC曲線

3.2.3 結(jié)果分析

根據(jù)圖5能夠得出以下幾個結(jié)論：

圖5 FERET算法識別結(jié)果

第一，在一定情況下，STC能夠有效捕捉時空特性，并且識別率較好。由于每幀分割誤差，或者是相應(yīng)序列間的衣著抖動影響，使得幀間區(qū)別累積到一定程度時，會提升總時空匹配誤差；當(dāng)總體序列統(tǒng)計(jì)平均數(shù)值，投影可以有效克服每幀間的噪聲問題。

第二，標(biāo)本投影NED和單一序列投影NED對比執(zhí)行情況分析。由于不同階段的步態(tài)間存在細(xì)微差異，所以運(yùn)用單一隨機(jī)樣本序列進(jìn)行對比，可以給指定人體提供更加標(biāo)準(zhǔn)的步態(tài)模式。

第三，正面識別性能較好。由于角度和輪廓形狀沒有明顯變化，在提取特征時，更多的是對個體外形信息進(jìn)行捕捉[10]。

3.3 算法對比

當(dāng)前算法主要是在小規(guī)模數(shù)據(jù)庫中對性能進(jìn)行評估。此樣本數(shù)據(jù)來源于國外，包含7個人，每人4個序列，總共28個步態(tài)序列。個體針對固定設(shè)備來講是側(cè)面運(yùn)動的，全部凸顯國際于25幀/秒的速度進(jìn)行拍攝，并且原始大小在384 px×288 px。另外對比實(shí)驗(yàn)和文中不同的是其選用運(yùn)動圖像的相關(guān)圖當(dāng)作原始特征，并且通過特征空間轉(zhuǎn)化降低特征向量位數(shù)，本文選擇側(cè)面角度的NLPR數(shù)據(jù)庫對此算法進(jìn)行檢測，最好識別率在73%，即便其與本文算法性能相近，但計(jì)算時長遠(yuǎn)遠(yuǎn)高于本文算法。對比二者，首先，和以往對比，由于特征提取簡便，本文算法更加容易實(shí)現(xiàn)；其次，識別算法性能評估是在當(dāng)前大規(guī)模數(shù)據(jù)庫中開展，以往是在小規(guī)模樣本數(shù)據(jù)庫中完成；再次，識別性能與小樣本數(shù)據(jù)庫對比，識別率低；最后，以往是指單一側(cè)面角度開展，而本文從三個角度進(jìn)行分析，同時觀察步態(tài)特征調(diào)整對角度的敏感性。

4 結(jié)語

與虹膜識別、人臉識別、指紋識別等身份識別技術(shù)相比，基于步態(tài)特征的身份識別有著較明顯的優(yōu)勢。今后，通過不斷優(yōu)化和改進(jìn)算法模型，進(jìn)一步提高算法的識別率，從而更好地將基于步態(tài)特征的身份識別技術(shù)運(yùn)用于相關(guān)領(lǐng)域，為社會提供更安全、可靠的服務(wù)。