不变矩系数拟合的步态识别.docVIP

不变矩系数拟合的步态识别 　　摘要：根据综合利用步态的静态和动态信息的思想，结合不变矩描述图像几何特性的功能，从步态序列提取不变矩作为步态特征进行识别。采用傅立叶级数描述步态图像序列人体轮廓不变矩的变化，利用遗传算法搜索傅立叶级数的系数，最后再用k近邻分类器对不变矩变化的幅度信息分类。在CMU步态数据库上进行的实验，达到了90%以上的识别率。结果表明，该方法具备很高识别性能，能较好地利用步态的静态和动态信息。 　　关键词：特征提取；步态识别；不变矩；遗传算法；kNN分类器 　　中图分类号：TP391.4文献标识码：A 　　 　　0引言 　　 　　步态识别就是根据人走路的姿态进行身份识别或验证，这种生物特征具有如下优点[1]：1)唯一具备远距离或低分辨率识别能力，这时其他生物特征都无法感知;2)难以伪装而不影响行走，这对跟踪罪犯特别有用;3)可以在不为人知的情况下秘密获取步态信息，也就是不会侵犯实验对象。 　　本文利用人类在识别一个人时的经验，综合身高、手的摆动及腿部的运动等方面的信息，提出基于不变矩的步态识别。这种识别方法综合利用静态和动态两方面的信息，在CMU步态数据库上的实验表明，该方法具备很高性能。 　　 　　1相关工作 　　 　　目前文献报道的步态识别方法大致可以分为两类：基于模型和统计的方法。基于模型的方法重点关注人的运动信息，预先建立模型，通过模型和图像序列的匹配获得模型参数，这些参数作为步态特征进行分类。文献[2]将人体下半身看作一个骨架，建立骨架的运动模型，再用速度霍夫变换（VHT）提取运动参数；文献[3]将人的身体侧面二值化图像的不同部分用七个椭圆拟合，每一个椭圆用质心等四个特征表示，加上整个身体图像质心的高度共29个特征表示整个人体侧面像。 　　基于统计的方法重点关注人运动的静态信息，从图像序列中提取步态的统计参数。文献[4，5]提出的基于轮廓的解卷绕步态识别方法,文献[6]基于时空模板提出的特征空间变换（EST）和规范空间变换（CST），以及文献[7]的基于关键帧幅度谱的步态识别方法都是统计识别方法。 　　上述方法经过实验验证是成功的，但分别存在着一些不足：正常步态具有近似周期性[1，2，4―6]，但统计方法大都将整个步态序列每帧单独看待，损失了步态动态信息，更谈不上步态周期性的利用；模型方法关注身体局部如大腿的运动信息，缺乏对上半身等重要静态信息的利用。文献[8]指出，对于使用轮廓等统计方法，身体的静态信息如头和上半身已足够用于识别，下半身的运动对识别的贡献较小；而对于使用动态信息的模型方法，增加腿部的运动可以改善识别率。因此，综合利用静态和动态的信息，是提高识别率的关键。 　　 　　2基于遗传算法和不变矩的步态识别方法 　　 　　2.1方法构想 　　如前所述，人类在识别一个人时并不单纯靠身体高度或宽度等信息，也不是单纯依靠腿的运动或手的摆动。在某些情况下，凭部分信息就能正确判断正在行走人的身份，但很多情况是需要综合这两方面信息的。 　　另一方面，步态识别的输入是一段长度为M的视频图像序列。图像序列的每一帧实际是将正在行走人的某一个瞬间姿势进行二维投影的结果，这个结果是离散的，也是静态的。如果将一个步态周期看作一个长度为N的随机过程（步态序列通常包含至少一个完整的步态周期，即MN），那么每一个步态周期就是这个随机过程的一次实现。在这个步态周期中有N个随机变量，这N个随机变量共同表征了这个长度为N的随机过程。目前许多步态识别方法为了处理上的方便，常将N个随机变量进行平均或加权平均，这样的处理方法没有考虑到步态周期的有机整体性。 　　出于借鉴人类识别人的经验，结合步态识别的输入是一段视频图像序列这一特点，如果将整个步态序列以某种形式有机连接，则会达到静态和动态信息综合利用的目的。 　　2.2方法实现 　　2.2.1静态信息获取 　　一般情况下，步态图像序列并不能直接用于特征提取，现在通用的方法是先将步态图像中人体轮廓提取出来（目前有许多从视频图像中提取运动目标的技术，步态图像序列人体轮廓的提取可以借用），人体轮廓是以二值图像表示的。在二值图像中，人体轮廓是一块封闭的区域。在模式识别中，矩是一种常用的形状描述特征，而不变矩又最常用于形状描述。Hu最早提出不变矩的概念并用于物体形状识别[9]。 　　人在行走过程中，头的晃动、手臂和大腿及小腿的摆动，还有臀部的运动，都会导致人体形状发生变化，而不变矩具有描述步态图像序列单帧人体形状特征如质心、对称性的能力。另一方面，在实验室获取步态图像的摄像机是固定不动的，但在室外，摄像机可能是固定的，也可能是移动的。由于人和摄像机之间的相对运动，人体目标在图像中的位置、尺寸和方向都可能发生变化。而不变矩广泛使用于模式识别还由于其