基于计算机视觉步态识别系统的方法研究
基于步态特征的身份识别算法研究
ｄ ｎｉ ｅ ｏ ｉ ｏ ．Ｔ ｅ ｐ ｐ ｒｐ ｔ ｆｒ ａ ｄ ａ ｄ ｎ ｉ ｃ ｔ ｎ ａｇ ｒ ｍ ａ ｅ ｎ ｇ ｉ ｓ ａ ｉｌｃ ａ ａ ｔｒｓ ｃ ｎ ｒ － ｅ ｔ ｒ ｃ ｇ ｔ ｎ ｈ ａ ｅ ｕ ｏ ｗ ｒ ｎ ｉ ｅ ｔ ｉａｉ ｌｏ ｔ ｙ ｔ ｎ ｉ ｆ ｏ ｉ ｈ ｂ ｓ ｄ ｏ ａｔ ｐ ｔ ｈ ｃｅ ｔ ｓ ａ ｄ ｆｅ ａ ｒ ｉ ｉ
进行预处理 提取 运动 目标 ， 然后对 运动 目标进 行切 割提取步
式 中， （ ，） ａ ｘ Ｙ 表示当前图像在像素 （ Ｙ 处的亮度值 ，（ Ｙ ， ） ６ ，） 表示背景 图像 在像 素（ Ｙ 处 的亮度值 。 ，） 然后通过 式 （ ） 间接 背景 减 除后 的二值化 图像 进 行 ３对
由于步态空间和频率特征均可 以有 效步态 特征 ， 如果能
・
等
（） ２
【 ≤ ａ ｂ ≤１ ０ （ Ｙ ，（ Ｙ ￣２５ ０ ，） ， ≤口 ，） ｂ ，） ５ ＜
够将两者充 分结 合起来 ， 应该 能够 提高身份识 别系统 的正确 率和鲁棒性 ， 因此鉴 于特 征融合 思想 ， 文 首先对 步态 图像 本
Ｋ ＹＷＯＲ ： ｕ ｎｉｅｔｉａｏ ；ｕｐ ｒｖｃ ｒ ａｈｎ （ Ｖ ；ｅｔｒ ｓ ｎ Ｆｕ ｅ ａ ｓ ｒ Ｅ ＤＳ Ｈ ｍａ ｎ ｆ ｔ ｎ Ｓ ｐ ｏ ｅｔ ｃ ｉ Ｓ Ｍ） Ｆ ａ ｅｆ ｉ ； ｏｒ ｒ ｒ ｆ ｍ ｄ ｉｃ ｉ ｔ ｏｍ ｅ ｕ ｕｏ ｉ ｔｎ ｏ
２ Ｏ世纪 ９ ０年代 ， 人们 对步 态的身份识 别算 法 开始进 行
一
从 图 １可知 ， 步态 的身份 识别 系统 中 ， 为关 键 步骤 在 最
在 于对 步态 特征选择 ， 直接影响身份识 别正确率 。从 机器 其 视觉 的角度 来看 ， 当前步 态特 征提取 分 为两大 类 ： 步态 空 间 特征和 步态频率 特征 ， 但是无论 步态空间特征 或步态频 率特 征 只都 能描 述 步态 部分 信 息 ， 法全 面 的描 述 整个 步 态信 无 息， 因此 当前单一步 态特 征身份识 别的正确率 比较低 。
步态识别技术研究综述
步态识别技术研究综述作者：张帅曾莹来源：《科技视界》 2014年第22期张帅曾莹（湖南农业大学东方科技学院，湖南长沙 410128）【摘要】步态识别是生物特征识别技术的一个新兴领域，旨在根据人们走路的姿势进行身份识别。
本文对步态识别过程的步态检测、步态特征提取、步态分类与识别三个阶段进行了综述，分析了现有步态识别算法的特点，总结了步态识别研究存在的问题及未来研究方向。
【关键词】生物特征识别；步态识别；步态检测；特征提取０引言生物特征识别技术是根据每个人独有的、可以采样检测的生理特征或行为特征进行身份识别的技术。
第一代生物特征识别技术主要利用人的指纹、脸像等特征进行识别，这通常要求上体近距离或接触性的协作感知，在远距离的情况下，这些特征不可能被利用。
由于个体之间身体结构和运动行为上的基本特性不同，步态运动为人的识别提供了独特的线索。
步态具有非接触性、难以隐藏或伪装、易于捕捉等特点，且不受距离影响。
除了步态本身的特点，PC处理器能力的提升，高速数据存储设备的出现，人体建模、运动跟踪等计算机视觉处理技术的提高等因素使得步态识别技术成为一种新的可行的安全应用，极具研究意义与研究价值。
近几年来步态势识别技术引起了世界各国学术科研机构的广泛的关注。
美国国防高级研究所项目署资助的重大项目——HID（Human Identification a Distance）计划开展的多模态视觉监控技术以实现远距离情况下的人的检测、分类和识别。
１步态识别过程步态识别旨在根据人行走时的姿势来进行人的身份认证。
步态识别过程可以划分为步态检测、步态特征提取、步态分类与识别三个阶段。
１.1 步态检测步态检测是从人行走的视频序列中提取步态轮廓区域，这方面的工作包括背景建模、前景检测和形态学后处理等。
步态轮廓的有效分割对于特征提取、分类识别等后期处理非常重要，因为后续处理过程仅考虑图像中轮廓区域的像素。
常用的步态检测方法有背景减除法、时间差分法、光流法等。
基于计算机视觉的人体运动姿态识别技术研究
基于计算机视觉的人体运动姿态识别技术研究近年来，基于计算机视觉的人体运动姿态识别技术（Human Motion Recognition, HMR）备受关注，其应用涵盖从智能家居、健康管理到体育训练等多个领域。
HMR技术可以通过计算机视觉和深度学习算法对人体运动过程进行精准的姿态识别，从而提升人机交互的体验和应用效果。
HMR技术已经广泛应用在智能手机、运动手环、智能手表等设备上，实现对用户运动状态的监测、数据记录与分析，是智能硬件领域的重要技术。
基于传统的计算机视觉技术，HMR技术需要针对人体骨骼结构、运动过程中的复杂变化等问题进行深入研究和优化。
为此，科研学者们提出了一系列相应的解决方案，如采用多视角、多传感器融合技术、GPU加速、递归神经网络等等。
其中，深度学习在HMR技术中发挥着重要作用。
深度神经网络（DNN）可以学习大量数据并自我优化，不断提高HMR技术的准确率和稳定性。
研究人员采用卷积神经网络（CNN）和循环神经网络（RNN）等深度学习算法，在 HMR 中取得了很高的效果。
例如，CMU-Pose 数据集上的 HMR 模型，在一个普通计算机上，每秒可以达到 40 fps 左右的速度，同时也获得了图片到运动姿势重建几乎无误的精度。
HMR技术的应用场景也越来越广泛。
其中，锻炼和体育训练是 HMR 技术的重要应用领域。
在健身房、训练营中，HMR 技术可以通过监控用户的运动姿势，及时给出调整指导，提高锻炼的效果和安全性。
此外，HMR技术也可以应用在医疗康复领域。
通过监测患者的运动姿态，医生可以及时发现和纠正不当姿势，从而有效预防和治疗运动损伤、骨科疾病等。
HMR技术的下一步发展方向是针对运动细节进行更加精细化的建模和识别。
例如，人体姿态的微妙变化、肌肉运动变化、运动幅度大小变化等问题。
此外，HMR技术也可以增加对人体身体的3D结构的识别和建模，并将其应用于更加多样的场景中。
总的来说，基于计算机视觉的人体运动姿态识别技术具有广泛的应用前景和研究价值。
步态识别关键技术研究
步态识别关键技术研究卢官明;衣美佳【摘要】高新技术的高速发展，使得越来越多的人对生物识别技术予以关注。
步态识别技术是一种新颖的生物特征识别技术，它通过人体行走姿态进行身份识别与认证，在安全监控和国防军事等领域的应用潜力也获得越来越多的关注。
文中首先分析了步态识别的研究意义和背景，以及步态识别系统的原理，再从主要评价指标、运动目标提取、步态特征提取、分类判决等几个主要方面介绍步态识别的技术现状，并分析了步态识别现存的困难和未来的发展方向。
%With the rapid development of advanced technology,biometrics recognition is paid more and more attention. Gait recognition is a novel biometrics recognition technology,which can recognize and identify a person by walking style.And it is catching more and more attention in the field of security monitoring and national defense and military. Firstly,the meaning and background of gait recognition are analyzed,followed by the basic theoryof gait recognition. Then,gait recognition technology is introduced fromthe aspects of main evalu-ation index,motion target extraction,gait feature extraction and classification judge and so on. In addition,some research challenges and future directions in gait recognition are discussed.【期刊名称】《计算机技术与发展》【年(卷),期】2015(000)007【总页数】7页(P100-106)【关键词】步态识别;目标检测;特征提取;分类判决【作者】卢官明;衣美佳【作者单位】南京邮电大学通信与信息工程学院，江苏南京 210003;南京邮电大学通信与信息工程学院，江苏南京 210003【正文语种】中文【中图分类】tP391随着信息化社会的日益发展，对重要信息的保密性保障变得愈加重要，有些比较传统的身份识别技术，如二代身份证、电子密码等，都已经跟不上时代的步伐，生物特征识别技术，正是符合时代要求的产物之一。
基于集成学习支持向量机的步态识别
－ 一 ＿
图 １ 侧 影 提 取
１ １ 背 景分割 ．
提取侧面行人轮廓的实现步骤如下 ： （ ）背景估计 １ 背景减除首 先采用邻 帧差法 ， 恢复 图像 序
背 景 差 分 法 用 来 检 测 序 列 图 像 中运
目前 ， 步态识别方法主要分 为基 于模 型和基于统 计特性两
Ｆ ｒｔ ｈ ａ ｋ ｒ ｕ ｄ ｓ ｂｒ ｃ ｉｎ ｗａ ｓ ｄ ｔ ｘｒ ｃ ｏ ｙ ｓｌ ｏ ｅｔ ， ｈ ｎ ｔ ｅ ｄｍｅ ｓｏ ａ ｓｌｏ ｅ ｔ ｗ ｓｄ ｖｄ ｄ ｉｔ ｅ ｅ ａ ｅ ｉｎ ｎ ｈ ｉ ，ｔ ｅ ｂ ｃ ｇｏ ｎ ｕ ｔａ ｔ ｓｕ ｅ ｏｅ ｔ ｔ ｄ ｉ ｕ ｔ ｔ ｅ ｈ ｉ ｎ ｉｎ ｌ ｉ ｕ ｔ ａ ｉｉｅ ｎ ｏｓ ｖ ｒ ｌ ｇｏ ｓａ ｄｔ ｅ ｓ ｏ ａ ｂ ｈ ｅ ｈ ｅ ｒ ｆａｕ ｅ ｖ ｃｏ ｓｗｅｅ ａ ｑ ｉ ｄ ｂ ｏ ｕａ ｉｎ ｅ ｔ ｒ ｅ ｔｒ ｒ ｃ ｕ ｒ ｙ ｃ ｍｐ ｔｔ ．Ｆ ｎ ｌ ，ｇ ｉ ｃａ ｓｆ ａｉｎ ａ ｄ ｒ ｃ ｇ ｉ ｏ ｒ ｅ ｆ ｒ ｄ ｂ ＶＭ．Ｂ ｇ ｉｇ ａｇ ｒ ｈ ｉ ｕ ｅ ｅ ｏ ｉａ ｌ ｙ ａｔ ｌｓ ｉ ｃ ｔ ｎ ｅ ｏ ｎｔ ｎ ｗｅｅ ｐ ｒｏ ｍｅ ｙ Ｓ ｉ ｏ ｉ ａ ｇｎ ｌｏ ｉ ｍ ｓ ｓ ｄ ｔ ｔ ｅ ｆｒ ｌ ｓｉ ｃ ｔ ｎ ａ ｄ ｉ ｔｇ ａｉ ｎ ａ ａｎ ｔｔ ｅ ｃａ ｓ ｉｄ ｏ ｔ ｏ ｓｆ ｒｉ ｒ ｖｎ ｈ ｅ ｏ ｉ ｏ ａｅ ｏ ｈ ＶＭ． Ｅ ｐ ｒｍｅ ｔｌｒ ｓ ｌ ｏ ｐ ｒ ｍ ｃａ ｓｆ ａ ｉ ｎ ｎｅ ｔ ｇ ｉ ｓ ｈ ｌ ｓｉ ｅ ｕ ｃ ｍｅ ｏ ｍｐ ｏ ｉｇ ｔ ｅ ｒ ｃ ｇ ｔ ｎ ｒ ｔ ｆｔ ｅ Ｓ ｏ ｉ ｏ ｒ ｏ ｆ ｎ ｉ ｘｅ ｉ ｎａ ｅ ｕｔ ｓ ｄ ｍｏ ｓｒ ｔ ｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ａ ｈ ｅ ｅ ａｉ ｙｎ ｅ ｏ ｎ ｔ ｎ ｐ ｒ ｒ ｎ ｅ ｅ ｎ ｔ ｅ ｈ ｔ ｅ ｐ ｏ ｏ ｅ ｔｏ ｃ ｉｖ ｓｓ ｔ ｆ ｉ ｇ ｒｃ ｇ ｉ ｏ ｅ ｏ ｍａ ｃ ． ａ ｔ ｓ ｉ ｆ
如何利用计算机视觉技术进行动作识别和行为分析
如何利用计算机视觉技术进行动作识别和行为分析动作识别和行为分析是计算机视觉技术中重要的研究领域之一。
借助计算机视觉技术，我们可以对人体的动作进行识别和分析，从而实现各种应用，如人机交互、人员监控、智能医疗等。
本文将介绍如何利用计算机视觉技术进行动作识别和行为分析的方法和应用。
一、计算机视觉技术概述计算机视觉技术是一种模拟人的视觉系统的人工智能技术。
通过计算机处理数字图像或视频，识别物体、场景、动作等，实现对图像或视频内容的理解和分析。
计算机视觉技术主要包括图像处理、模式识别和机器学习等方面的方法和算法。
二、动作识别方法1. 基于特征提取的方法：通过提取人体动作的特征，如姿态、关节点等，在特征表示空间中进行动作分类和识别。
常用的特征提取方法包括人体关节点检测、形状描述子等。
2. 基于深度学习的方法：深度学习是近年来发展迅速的一种机器学习方法，通过构建深度神经网络模型，实现对输入图像或视频的直接分类和识别。
在动作识别领域，深度学习方法具有优秀的性能，如卷积神经网络（CNN）在动作识别任务中的应用等。
三、行为分析方法1. 轨迹跟踪方法：通过对连续的图像序列进行跟踪，获得人体在时间上的位置信息，进而分析人体的运动轨迹，推测人体的行为。
常用的轨迹跟踪方法包括基于卡尔曼滤波的目标跟踪算法、基于粒子滤波的目标跟踪算法等。
2. 行为模型方法：通过建立行为模型，利用概率统计等方法，对人体的行为进行建模和分析。
常用的行为模型方法包括隐马尔可夫模型（HMM）、条件随机场（CRF）等。
行为模型方法可以对复杂的行为进行建模和预测。
四、动作识别和行为分析的应用1. 人机交互：动作识别和行为分析可以帮助计算机感知人的动作和行为，从而实现自然的人机交互。
例如，基于手势识别的交互界面，可以通过识别手势向计算机发送指令。
2. 人员监控：通过对监控摄像头的图像或视频进行分析，实现对场景中人员的实时监控和行为分析。
可以用于安防领域、人员统计等。
基于机器视觉的目标识别与跟踪系统设计
基于机器视觉的目标识别与跟踪系统设计摘要：本文将介绍基于机器视觉的目标识别与跟踪系统设计。
目标识别与跟踪是计算机视觉领域的研究热点之一，它在许多应用场景中发挥着重要作用。
本文将以计算机视觉技术为基础，通过图像处理和模式识别算法实现目标的识别和跟踪。
首先，我们将介绍目标识别与跟踪的基本原理与流程；然后，详细描述每个环节所需要的算法与技术；最后，根据这些技术和算法，设计出一套完整的基于机器视觉的目标识别与跟踪系统。
1. 简介目标识别和跟踪是一种通过计算机视觉技术实现对目标进行自动辨识和追踪的方法。
在诸如智能监控、智能交通、无人驾驶等领域都有广泛的应用。
本文将通过机器视觉技术，基于图像处理和模式识别算法，设计出一套完整的目标识别与跟踪系统。
2. 目标识别与跟踪流程目标识别和跟踪的基本流程可分为以下几个环节：图像采集、前景提取、特征提取、目标匹配与跟踪。
首先，通过摄像机或其他设备采集图像；然后利用图像分割算法提取前景目标；接着，使用特征提取算法将目标从背景中分离出来；最后，利用目标跟踪算法实现目标的跟踪。
3. 图像采集在目标识别与跟踪系统中，图像采集是最基本的环节。
可以通过使用摄像机或其他传感器来获取图像数据。
图像的质量和分辨率对后续的目标识别和跟踪具有重要影响。
4. 前景提取前景提取是目标识别与跟踪的关键环节，主要通过图像分割算法实现。
图像分割算法可以将图像中的目标与背景分离开来，为后续的目标识别和跟踪提供准确的输入。
5. 特征提取特征提取是目标识别与跟踪的关键技术。
通过对目标与背景之间的差异进行特征提取，可以得到目标的特征描述子。
常用的特征包括颜色、纹理和形状等。
特征提取的好坏直接影响到识别和跟踪的准确性和鲁棒性。
6. 目标匹配与跟踪目标匹配与跟踪是目标识别与跟踪中的核心环节。
在目标匹配阶段，通过比较目标特征描述子与已知目标库中的特征描述子，进行目标识别。
在目标跟踪阶段，通过目标识别结果和图像中连续帧的比对，实现目标的连续跟踪。
智慧步态跟踪监测系统设计方案
智慧步态跟踪监测系统设计方案智慧步态跟踪监测系统是一种基于计算机视觉和机器学习技术的监测系统，用于分析和识别个体的步态特征。
它可以应用于各种场景，如安防、医疗、智能家居等。
本文将设计一个智慧步态跟踪监测系统，并详细描述其实现方案。
1. 系统架构：智慧步态跟踪监测系统可以分为以下几个模块：(1) 视频采集模块：用于采集待跟踪的个体的步态视频。
(2) 预处理模块：对采集到的视频进行预处理，包括视频去噪、帧提取和分割。
(3) 关键点检测模块：在每一帧图像中检测个体的关键点，如头部、肩部、腰部、膝盖和脚部等。
(4) 步态特征提取模块：根据关键点的运动轨迹和姿态信息，提取个体的步态特征。
(5) 步态识别模块：通过机器学习算法对步态特征进行分类和识别，判断个体的身份。
(6) 报警模块：当系统检测到异常的步态行为时，触发报警，及时采取相应的措施。
2. 实现步骤：(1) 数据集准备：需要收集一定数量的步态视频数据，包括正常和异常的步态行为。
(2) 关键点检测算法：选择适合于步态跟踪的关键点检测算法，如OpenPose等，对视频进行关键点检测。
(3) 步态特征提取算法：根据关键点的运动轨迹和姿态信息，设计适合的步态特征提取算法，如时间序列分析算法、离散余弦变换算法等。
(4) 数据标注：根据数据集准备的步骤，对关键点和步态特征进行标注，得到标注好的数据集，用于机器学习算法的训练。
(5) 步态识别模型训练：使用机器学习算法，如支持向量机(SVM)、卷积神经网络(CNN)等，训练步态识别模型。
(6) 系统集成与调试：将各个模块进行集成，并进行系统的调试和验证，保证系统的稳定性和准确性。
(7) 实时监测和报警：将智慧步态跟踪监测系统应用到实际场景中，实时监测并报警异常的步态行为。
3. 技术选择：(1) 视频采集模块可以选择高清摄像头或深度摄像头，保证视频的清晰度和质量。
(2) 关键点检测模块可以采用已有的开源库，如OpenPose，也可以根据具体情况进行算法的优化和改进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第21卷第4期湖 北 工 业 大 学 学 报2006年08月V ol.21N o.4 Journal of H ubei U niversity of T echnology Aug.2006[收稿日期]2006-05-23[作者简介]程 琼(1959-),女,湖北武汉人,湖北工业大学副教授,研究方向:模式识别及计算机控制.[文章编号]1003-4684(2006)0820101203基于计算机视觉步态识别系统的方法研究程 琼,庄留杰(湖北工业大学电气与电子工程学院,湖北武汉430068)[摘 要]对目前步态识别系统的研究方法进行了分析、归类与总结,并在原有的研究方法基础上提出了三维系统建模与跟踪新方法.计算机视觉技术为步态识别系统提供了强有力的分析工具.[关键词]步态识别;计算机视觉;研究方法[中图分类号]TP391.41[文献标识码]:A 步态识别作为一种新兴的生物特征识别技术,当前已成为基于视觉的人体运动分析领域的研究热点.步态识别是一种潜在的行为特征,相关研究已证实它可以用于身份识别.1 步态识别系统组成步态识别是从相同行走行为中寻找和提取相应个体的可区分的变化来自动进行身份识别.基于视觉的步态识别系统,如图1所示,监控摄像机用于捕捉监控领域中的行人,结合背景的自动建模和更新,步态检测用来检测行人.行人在二维或三维空间中被连续跟踪.从跟踪结果中,步态模式的一些个性化特征被相应地提取.结合在步态数据库中已经存储的步态模式,分类器最后给出识别结果.2 基于视觉的步态分析步态作为生物特征的可用性在早期已得到证明,关健是如何利用计算机视觉方法来获取个体运动特征.人体建模的选择对于从图像中识别人的形状,正确分析人的运动是非常重要的.骨架图模型是以直线近似在关节点处所连接的骨骼来表达人体;立体模型能更好地表达人体,它利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节[1].许多研究将人的运动定义为身体运动的不同姿势.有2种主要方法来建模人的运动:一种是基于模型的方法,即选择人体模型后,该模型的三维结构从图像序列中进行恢复;另一种方法重在确定运动场的特征,而不需结构的重构.运动行为的识别可以认为是时变数据的分类问题.可以看出,人体建模、跟踪与运动识别技术等视觉方法已为步态分析提供了一种强有力的分析工具.3 步态识别方法分类当前的步态识别方法有:1)使用行人的时空模式得到步态特征;2)通过光流分布来提取特征;3)特征化实际运动的外观.而如何紧支有效地表达分割出来的或跟踪的行人是非常重要的,因为它将直接或被进一步分析,以获取用于识别的步态特征.步态包括2类分量:结构化分量,它捕捉了一个人的身体形状;动态分量,它捕捉人体行走期间的运动特征.根据分析,步态识别方法一是基于模型或结构的方法,它通常建模人体结构并且提取图像特征来影射它们为模型的结构化分量,或者衍生出人体部分的运动轨迹来识别个体;二是非结构或者基于运动的方法,它通常特征化人体的整个运动模式来获取运动特征,而不考虑潜在的结构[2].3.1 基于结构的方法基于结构的方法是指对人体或者运动进行建模.它通常需要在行走序列的每一帧中进行模型匹配.3.1.1 基于人体模型的方法 在基于人体模型的方法中,骨架图、区域模型或者立体模型的人体模型需要和每一帧中的运动特征进行匹配,从而在模型上加以度量.另一个方法是使用下肢关节角度轨迹来识别个体.这些关节角度被投影到行走平面,那样的角度轨迹更能鲁棒地从标记数据中获得.为了弥补系统从一种情况到另一种情况的时间变化,行走步数加以固定,并且通过动态时间规整D TW(Dynamic Time Warping)对轨迹进行了归一化.3.1.2 基于运动模型的方法 在步态识别中最重要的一个方面就是准确地捕捉腿的位置,因为它们是衍生步态特征的最好来源,包含了更多的步态模式变化.腿的运动通常可以采用正弦谐波运动来加以公式化.在基于运动模型的方法中,通常需要创建,并且每个人的模型参数需要从图像序列中学习而得到.早期的建模步态作为一个链接的钟摆运动的模型,使用动态霍夫变换从序列图像中提取代表大腿的直线;最小平方方法用来平滑大腿倾斜数据;付立叶变换分析用来揭示腿的倾斜变化的频率分量.这项工作同时揭示了步态作为独特的生物特征不仅可使用其频率分量,还有其相位信息.3.1.3 基于身体参数的方法 基于身体参数的方法,通常使用人体的几何结构化特征,来特征化一个人的步态模式.不过,它易受在3D空间恢复这些参数所需要的视觉方法的影响.一种使用特定行为参数特征的步态识别方法由Bobick与Johnson提出.这种方法没有直接地分析步态模式的动力学特性,而是利用行走行为来恢复个体行走时的静态身体参数(如头和脚的垂直距离、头与骨盆的距离、脚与骨盆的距离、左右脚之间的距离).总之,基于模型方法的优点是模型在某种程度上能处理遮挡和噪声,并且提供了可直接从模型参数中获取步态特征的能力.但基于结构方法的有效性在运动建模和参数提取方面仍有局限.3.2 基于非结构的方法非结构的方法,通过行人在图像中的轮廓所产生的时空模式的统计特征性,来特征化步态运动. 3.2.1 状态空间方法 状态空间模型已被广泛用于预测、估计和检测时间级数.它们通常将运动表达为一组序列配置,使用状态空间方法来进行识别.它包括隐马尔可夫模型方法、子空间方法、基于动态归整的方法.3.2.2 模板匹配方法 基于模版匹配的方法首先整体考虑步态运动,并且转换图像序列为紧支的静态形状模式来特征化它的时空分布.而在识别时,只需要和预先存储的原型进行比较.1)时空分析方法:基于时空分析方法的运动识别将运动作为一个整体,通过运动人在图像中所形成的三维数据来特征化其时空分布,其中空间维和时间维被同时分析以更好捕捉步态的时空特征.而最早识别人的方法是从行人的时空模式中获取步态特征的平移和时间空间,头和脑的运动有着不同的模式.这些模式被处理以确定身体运动的封闭轮廓,然后由五个线棒所组成的模型相匹配.步态特征从速度归一化后所匹配的模型中获得.2)基于矩的方法:统计识别方法通常对运动图像集进行统计描述.因为矩算子通常用来描述点集的形状,因此基于矩的方法在步态分析中应用广泛.新近开发的速度矩方法可描述目标在图像序列中的运动.速度矩是中心矩的时间扩展形式,合成图像上的分析结果显示,速度矩与传统的矩相比,对噪声不太敏感,这极大地归因于整个序列的数据集成.4 步态识别方法研究4.1 步态特征的自动跟踪和提取计算机视觉中的建模、跟踪、运动识别等技术迫切需要完善.在技术方面,图像序列分析对于运动特征的自动提取是关键.对于步态,需要分割和跟踪运动目标,而且需要从跟踪的图像序列中提取步态特征.动态特征提取是无标记步态分析的关键.即没有标记的帮助,计算机必须能自行提取和识别所感兴趣的特征[3].4.1.1 运动分割 由于动态环境中捕捉的图像受到多方面的影响,如天气的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或者物体与物体之间的遮挡等,从而使得基于形状的识别方法不再可靠.因此,利用时空统计的方法构建自适应的背景模型,对于不受限环境中的运动分割是很好的选择.4.1.2 遮挡处理 目前的运动分析系统不能很好地解决目标之间互遮挡和人体自遮挡问题.遮挡时,人体只有部分是可见的,而且这个过程一般是不可训练的,简单依赖于背景减除进行运动分割的技术将不可靠.为了减少遮挡或深度所带来的歧义性问201湖 北 工 业 大 学 学 报2006年第4期 题,须开发更好的模型来处理遮挡时特征与身体各部分之间的准确对应问题.另外,一般系统不能完成何时停止和重新开始身体部分的跟踪.利用统计方法可从获得的图像信息中进行人体姿势、位置等的预测,而基于多摄像机的跟踪系统能很好的解决遮挡问题.4.1.3 三维系统建模与跟踪 三维方法在不受限的人的运动判断、更准确的物理空间的表达、遮挡的准确预测和处理等方面是二维方法所不能比拟的.它能提供更加有意义的与身体姿势直接相关的可视化特征用于行为识别.三维的跟踪方法是通过使用摄像机和场景的几何学知识,将一个精确几何形状的三维模型投影成像,根据图像中的位置变化来进行跟踪[4].4.1.4 多摄像机的使用 身体姿势和运动在单一视角下由于遮挡或深度影响而易产生歧义现象,因此使用多摄像机进行三维姿势跟踪和恢复的优势是明显的.同时,多摄像机的使用不仅可以扩大监视的有效范围,而且可以提供多个不同的方向视角用于解决遮挡问题.对于多摄像机跟踪系统,需要确定在每个时刻使用哪一个摄像机或哪一幅图像.多摄像机之间的选择和信息融合是一个比较关键的问题.4.2 步态与其它生物特征的融合利用步态进行有关多生物特征融合的方法的探讨,目的在于进一步提高识别的准确度和可靠性.如Cattin 等提出了一种基于步态的多模式生物特征验证系统.结合地面反应力和行人的步态视频数据,一个广义主元分析方法的变体被使用来有效减少数据维数,优化类的可分离度.人的跟踪和识别系统理想情况下应集成多个视角的信息.为此,Shakhnarvoich 等开发了一种视点归一化的方法来解决多视点的脸像与步态识别问题.从一组单目视点图像中计算出的图像可视化外壳IBV H (Image 2Based Visual Hull ),可产生虚拟视角用于跟踪和识别,并通过观察运动中人的三维结构、外观和运动来确定正确规范的视点.5 结语从已有的研究结果看,在实际场景中开发和实现高度可靠与鲁棒的步态识别系统将是挑战性问题.在给定条件下,生物识别的全面性能不仅依赖于场景的条件特性,而且还依赖于采集的数据质量、识别算法能力、传感器性能、非协作的个体、数据库特性等许多因素.而在复杂情况下,环境和技术上的挑战将更加明显.[ 参 考 文 献 ][1] 边肇祺.模式识别[M ].北京:清华大学出版社,2004:64-83.[2] 张成海.现代自动识别技术与应用[M ].北京:清华大学出版社,2003:154-183.[3] Linda G.shapiro.计算机视觉[M ].赵清杰译.北京:机械工业出版社,2005:206-232.[4] 徐 飞.MA TL AB 应用图像处理[M ].西安:西安电子科技大学出版社,2002:143-172.On the Method of G ait Identif ication System B ased on Computer VisionC H EN G Qiong ,ZHUAN G Liu 2jie(S chool of Elect rical &Elect ronic Engi n.,H ubei Uni v.of Technolog y ,W uhan 430068,Chi na )Abstract :The p resent research met hods on gait identification system is analyzed ,classified and summed up in t his paper.On t he basis of existing research met hods ,a new met hod based on t hree dimensional system modeling t racking is described.Co mp uter vision technology p rovides strong analytic tools for gait identifi 2cation system.K eyw ords :gait identification ;comp uter vision technology ;research met hods[责任编辑:张岩芳]301 第21卷第4期 程 琼等 基于计算机视觉步态识别系统的方法研究。