陈春杰
（常州市公安局,江苏 常州 213000）
步态识别作为一种新兴的生物特征识别技术，步态识别利用图像和视频序列，通过建立模型提取目标人物步态轮廓特征，从而对人物目标进行身份识别。与人像识别、指纹识别等生物特征相比，步态识别具有远距离、非受控、多视角和不容易伪装等优点，最适合在视频监控中应用的生物特征识别方法之一。本文将针对步态特征的身份识别方法与算法展开分析[1]。
2.1 运动目标检测
在步态特征身份识别检测过程中，运动目标检测是重要环节，是了解和掌握运动目标步态特征的前提。基于图像排序，通过背景建模、减除，将得到的前景图像展开形态学处理，再进行连通性分析，并剪裁图像，最后利用边缘提取技术，提取运动目标，进而提取运动目标的特征[2]。
2.1.1 图像提取
在步态特征的身份识别过程中，通过帧差法、光流法以及背景减除法提取序列图像。其中，帧差法对背景逐渐转变状况并不敏感；
光流法计算烦琐、缺少实时性成效；
而背景减除法快捷、简便，适宜视频采集设备选择的场景。文章通过背景减除法提取运动目标特征，它主要包括3种算法，即混合高斯函数（Mixture of Gaussian，MOG）、GMG、MOG2。其中，GMG算法是用较少的图像进行背景建模的，精准度不高，当前运用并不多。本文选择MOG2算法进行前景提取，是基于高斯混合模型的前景分割算法，是各像素选择适当数量的高斯分布，MOG2算法更加适合在亮度转变出现的场景转变。此种算法，能够进行阴影检测，速度超过MOG算法[3]。MOG2算法前景提取图如图1所示。
图1 MOG2算法前景提取图
2.1.2 形态学处理
利用背景减除法得到步态图像存在噪声、空洞等现象，为避免此种现象对识别分析产生的影响，可通过图像形态学处理方式处理得到的二值步态图像。比较常用的形态学处理包括腐蚀、膨胀、开/闭操作等方法。首先，腐蚀是指更加简便地清除不相关元素，能够消除图像中的噪声等，公式为其中A为图像，B为结构元素，为B对A进行腐蚀操作，即通过B遍历A，清除二者不完全相交的元素值，从而完成腐蚀。其次，膨胀可看作简便的连接操作，能够修复图像中的断裂情况，公式为，其中A为图像，b为结构元素B有关中心点的映射，为B对A进行膨胀，即通过B遍历A，记录二者在交集点进行膨胀。在腐蚀与膨胀的前提下，还需要进行开/闭操作。开操作可以使物体轮廓更加平滑，切断细小间隔，公式为其中A为图像，B为结构元素，为B对A进行开操作。闭操作不仅可以充分填充图像空洞，还能够使物体边缘更加平滑，公式为其中A为图像，B为结构元素，为B对A进行闭操作。文章对于二值化后步态图像先进行开操作，再进行闭操作。形态学处理的前后对比图如图2所示。
图2 形态学处理前后对比示意图
2.1.3 互通性
将互相连通位置进行套标记，并且计算像素点情况，然后按照像素点数量，可以明确身体和背景区域，并且体现出步态特征，同时还可以有效地清除噪声区影响。
2.1.4 图像剪裁
在进行图像剪裁过程中，应当凸显剪裁重点，这样操作的主要目的，就是为了进一步清除背景中的多余信息。在剪裁过程中，不仅要注意图像尺寸，还应确保图像的完整性。
2.1.5 图像轮廓提取
在辨识步态特征时，应当根据重点区域，在图像区域边缘，通过边缘跟踪算法对剪裁图像提取轮廓线，从而得到更精准的人体步态特征[4]。
2.2 特征提取
特征提取是基于运动目标检测的前提下，对图像序列展开周期性监测，对关键帧进行提取，从而掌握人体轮廓特征、肢体动作特征与反射对称特征，综合特征矢量，在分类器中识别步态特征。
2.2.1 步态周期检测
人体在运动过程当中，步态体现出相应的周期性，根据身体结构、个体习惯以及行为规律进行重复性动作。通常情况下，两步可以作为一个步态周期。由于步态具有烦琐性，周期难以完全精准，所以可以参考大概值。检测步态周期时，通过快捷、简便的方式，不仅能够预估步态周期，还可以按照人体行走动作特征开展全方位分析，从而得到精准的步态周期。
2.2.2 图像帧提取
由于步态周期的不同，在对运动目标进行图像帧提取过程中，要根据显示情况，提取其中的关键帧，这样才能充分体现步态情况，从而精准把握特征。
2.2.3 步态特征提取
提取步态特征包含人体外部轮廓特征、肢体动作特征与反射对称特征等要素。通过傅里叶描述子对人体外部轮廓特征进行提取，可以全面体现步态特征；
反射对称特征是按照人体走路的动作习惯，把反射对称特征当作步态差别依据，进行多方面分析，从而完成基于步态特征的身份识别。
2.3 步态图像归一处理
视频采集设备通常是固定的，容易造成在视频设备采集范畴内，运动目标外形是从小到大再变小的过程。在提取步态特征时，统一目标图像能够更容易被识别。通过图像归一化方式，让各个运动目标图像统一，包含图像当中运行目标的大小以及区域位置等。在系统程序当中，制定图像尺寸，把目标图像统一成64 px×64 px[5]。
3.1 数据采集
基于智能手机设计快捷简单的数据提取软件。传感器相应频率在5 000 Hz，为确保检测数据尽量全面地描述目标运动，并且不加大后续计算工作量，程序运行时长设置每0.02 s读取一次数据，也就是数据样本采集频率在50 Hz，同时记录被检测人员的五种运动数据[6]。所选择被检测者身高在160～180 cm，体重在45～85 kg，年龄在20～45岁。在相同空气流通、地面摩擦、衣着相近以及健康的前提下，经过10组各100 s的自然行走进行检测，得到50组五种实时数据，总共200 000条实时检测记录数据，让实验结果更精准可靠[7]。针对每一个步态序列来讲，开展步态检测算法对运动目标进行跟踪。图3呈现步态模式时空变化。训练与投影前，其轮廓图像序列转化成1D距离信号序列，通过距离信号序列，以PCA训练过程来执行。按照特征空间特征幅度与相应积累的方差曲线，选择用前10个特征值与相应特征向量构建特征空间转化矩阵。图4呈现三种角度下的特征形状信号，其体现步态运动对称特征。FERET算法识别主要分为两种：一种是半自动算法，这种算法需要人工方式来指出图像当中人两眼中心的坐标；
另一种是全自动算法，这种算法可以自动定位图像中人脸，然后进行充分识别。在测试时，人脸图像可以分为两个集合：一个是已知身份的人图像组成的目标集；
另一个是输入算法，对未知身份人图像组成的探测集和查询集。通过测试可以发现，主要问题就在于识别算法对于光照变化比较敏感，因此在查询图像和目标图像时，应当注意其他情况的影响[8]。
图3 步态模式时空变化图
图4 三种角度下的特征形状信号图
3.2 识别性能、校验性能与结果分析
3.2.1 识别性能
在具体应用过程中，应当充分考量小数量样本情况，然后通过留一交叉验证法，可以得到更高的识别率。之后针对相同角度，还有各个序列状况，每次都预留一个样本序列，同时训练剩余序列，最后再根据剩余样本进行相近性归类，并预留部分样本。在这个过程中，针对各角度状况进行了重复。表1汇总了身份识别算法和正确分类率（CCR），因此实验结果非常显著。比分类误差通过ROS，能够定义检测度量类型，并在最前n个匹配值间，积累了概率p（n）。性能统计特性，利用了累积匹配分值标识，将阶次n表示在横轴上，而垂直抽表示了正确匹配累积百分比[9]。通过ROS对算法和性能进行评估，如图5所示。FERET算法运用了STC和NED度量累积匹配图，其中（a）运用了STC度量，（b）运用了投影实线和标本投影虚线NED度量，因此正确分类率等价于p（1）。
表1 算法的正确分类率
3.2.2 校验性能
运用留一校验法，对错误接受率（FAR）与错误决绝率（FRR）进行预估。并运用剩余样本训练分类器，之后在多个类别当中校验留出的样本，如图6所示，呈现基于NED度量ROC曲线，其中能够看出对应于0°、45°、90°角度等误差率（EER）分别为20%、13%与9%。
图6 基于NED度量ROC曲线
3.2.3 结果分析
根据图5能够得出以下几个结论：
图5 FERET算法识别结果
第一，在一定情况下，STC能够有效捕捉时空特性，并且识别率较好。由于每帧分割误差，或者是相应序列间的衣着抖动影响，使得帧间区别累积到一定程度时，会提升总时空匹配误差；
当总体序列统计平均数值，投影可以有效克服每帧间的噪声问题。
第二，标本投影NED和单一序列投影NED对比执行情况分析。由于不同阶段的步态间存在细微差异，所以运用单一随机样本序列进行对比，可以给指定人体提供更加标准的步态模式。
第三，正面识别性能较好。由于角度和轮廓形状没有明显变化，在提取特征时，更多的是对个体外形信息进行捕捉[10]。
3.3 算法对比
当前算法主要是在小规模数据库中对性能进行评估。此样本数据来源于国外，包含7个人，每人4个序列，总共28个步态序列。个体针对固定设备来讲是侧面运动的，全部凸显国际于25帧/秒的速度进行拍摄，并且原始大小在384 px×288 px。另外对比实验和文中不同的是其选用运动图像的相关图当作原始特征，并且通过特征空间转化降低特征向量位数，本文选择侧面角度的NLPR数据库对此算法进行检测，最好识别率在73%，即便其与本文算法性能相近，但计算时长远远高于本文算法。对比二者，首先，和以往对比，由于特征提取简便，本文算法更加容易实现；
其次，识别算法性能评估是在当前大规模数据库中开展，以往是在小规模样本数据库中完成；
再次，识别性能与小样本数据库对比，识别率低；
最后，以往是指单一侧面角度开展，而本文从三个角度进行分析，同时观察步态特征调整对角度的敏感性。
与虹膜识别、人脸识别、指纹识别等身份识别技术相比，基于步态特征的身份识别有着较明显的优势。今后，通过不断优化和改进算法模型，进一步提高算法的识别率，从而更好地将基于步态特征的身份识别技术运用于相关领域，为社会提供更安全、可靠的服务。
猜你喜欢 步态身份样本 基于步态参数分析的老年跌倒人群步态特征研究现代仪器与医疗(2022年4期)2022-10-08用样本估计总体复习点拨中学生数理化·高一版(2021年2期)2021-03-19基于面部和步态识别的儿童走失寻回系统电子制作(2018年18期)2018-11-14规划·样本领导决策信息(2018年16期)2018-09-27步态识人科学之谜(2018年4期)2018-09-17跟踪导练（三）（5）时代英语·高二(2017年4期)2017-08-11妈妈的N种身份学生天地·小学中高年级(2017年5期)2017-06-09身份案（下）红领巾·成长(2016年10期)2017-05-10随机微分方程的样本Lyapunov二次型估计数学学习与研究(2017年3期)2017-03-09放松一下 隐瞒身份今日教育(2014年1期)2014-04-16