基于計算機視覺的人體步態(tài)識別研究.pdf

1、人體步態(tài)是人行走的姿態(tài)。它作為一種新的行為特征，具有非接觸性、可感知性和非侵犯性、難以偽裝和隱藏、易于捕捉等特點，而且在系統(tǒng)的低分辨率下、一定距離時它是唯一可感知的特征。步態(tài)識別就是根據(jù)步態(tài)進行身份識別。隨著安全敏感場合對大范圍視覺監(jiān)控系統(tǒng)的迫切需求，步態(tài)識別在視覺監(jiān)控領(lǐng)域的潛在應(yīng)用引起了計算機視覺研究者們濃厚興趣。 本文在前人一系列探索性的研究成果基礎(chǔ)上，緊緊圍繞步態(tài)識別技術(shù)的關(guān)鍵技術(shù)展開研究，系統(tǒng)探討了人體檢測、步態(tài)周期估計

2、、步態(tài)特征的表達與提取以及相似度匹配等問題。主要研究內(nèi)容和成果如下： 1.從步態(tài)識別的流程步驟入手，系統(tǒng)分析了國內(nèi)外步態(tài)識別研究成果，詳細綜述了步態(tài)識別各階段中的關(guān)鍵技術(shù)及其發(fā)展方向。并以選擇的特征是否包含全局運動信息為標志，將步態(tài)特征的選擇與表達分為空間維特征加時域變化的XY-T方法以及空間維加時間維整體特征的XYT方法。 2.陰影的去除對步態(tài)識別的成功率有相當(dāng)大的影響，針對受限條件下的步態(tài)視頻序列，設(shè)計了一種陰影去除

3、方法：首先使用歸一化RGB顏色空間的色度不變量作為特征初測出陰影；然后分析了亮度信息丟失及著裝與背景相近對陰影判斷的影響作用，提出了高斯閾值分離的方法，估計飽和度和亮度變化區(qū)域、設(shè)計出限定閾值函數(shù)進一步分離陰影，最終提取出了人體輪廓。 3.基于生理學(xué)步態(tài)周期性分析理論，研究了步態(tài)圖像序列的周期性特征。分別采用兩種方法獲得周期信息： (1)根據(jù)序列輪廓外接矩形寬高比的極值點，從二值輪廓序列中抽取出了關(guān)鍵姿態(tài)； (2

4、)依據(jù)行人輪廓邊界周長變化的周期性、針對變化最明顯的下肢部分，建立了輪廓采樣點分布的周期估計模型，檢測出步態(tài)周期，提取了一個完整步態(tài)周期的二值輪廓圖像序列。 4.提出了一種基于單幀圖像局部輪廓特征描述的XY-T型步態(tài)識別方法：為了突出輪廓形狀的形狀細節(jié)特征，提高對噪聲和遮擋的魯棒性，采用形狀上下文描述算子，求取出了輪廓邊緣采樣點集的直方圖分布；采用x2統(tǒng)計定量出輪廓參考點分布直方圖間距離；為了避免匹配點集之間的點與點對應(yīng)難題，增

5、強抗干擾能力和容錯能力，分別采用三種Hausdorff距離算法描述兩組特征集之間相似程度；為了減少序列集合的維數(shù)，采用關(guān)鍵姿態(tài)表征周期性的人體運動；為了有效地克服左右腳不對稱導(dǎo)致的匹配錯誤，提高識別率，采用窗口搜索策略獲取輪廓序列間的最佳匹配度；為了提高匹配速度，采用各輪廓點集間最小匹配相似度的簡單代數(shù)和來測度，最終實現(xiàn)了步態(tài)識別。在小型CASIA室外步態(tài)數(shù)據(jù)庫和大型Soton室內(nèi)庫上進行了實驗，分析了不同的輪廓描述特征參數(shù)、不同的距離

6、測度對最終識別結(jié)果的影響。 5.提出了一種融合單幀輪廓和幀間輪廓信息的XY-T型步態(tài)識別方法：首先規(guī)格化一個周期步態(tài)周期的圖像，將其繞中心散布到一個平面上，建立了步態(tài)周期的圖像平面，建立了圖像幀間的聯(lián)系；繼而提出了一種基于直方圖分布的特征描述算子，應(yīng)用到單幀圖像上獲得輪廓的靜態(tài)特征、應(yīng)用到周期圖像平面上獲得圖像幀間輪廓的動態(tài)特征、兩者結(jié)合又得到了融合的動靜態(tài)特征；為了精確比較特征間的直方圖分布，采用Jeffrey散度作為特征描述

7、算子的距離測度；為了保證測試序列和參考序列在不同時間尺度下的比較，采用動態(tài)時間規(guī)整技術(shù)進行時變比對；最后用最近鄰分類達到了識別目的。 6.在側(cè)面視角的識別研究基礎(chǔ)上，探討了多視角下的步態(tài)識別算法，提出了一種角度自動探測模型：首先估計出步態(tài)周期，然后定義出輪廓采樣點分布的角度估計參數(shù)，將提出的方法運用到多視角步態(tài)庫上進行了實驗，根據(jù)實驗結(jié)果，分析了視角無關(guān)的步態(tài)識別的可行性和局限性。 7.提出了一種以行人輪廓隨時間變化的灰

8、度圖像為時變模板的XYT型步態(tài)特征表述模型：首先檢測出包含兩個信號周期的步態(tài)周期；設(shè)定不同的起點和終點，分段圖像序列的單信號周期，由此產(chǎn)生了跨步的和單步的兩類圖像序列；分別對新增輪廓和消失輪廓時變疊加，生成了前向的和后向的兩種變化歷史圖像，并結(jié)合形成步態(tài)雙向變化歷史圖像組；為了更細致地描述，平均疊加步態(tài)周期的幀間變化輪廓，生成了與時刻無關(guān)的輪廓變化能量圖像，并結(jié)合變化歷史圖像組生成彩色的步態(tài)變化圖像。從而將一系列的二值化圖像壓縮到幾個灰

9、度圖像空間，在將步態(tài)序列降維的同時，表達出了步態(tài)的空間信息和時變信息。 8.提出了局部不變矩的特征抽取方法：為了獲得步態(tài)變化歷史圖像的可識別特征，采用不變矩方法提取圖像的信息；為了克服傳統(tǒng)不變矩方法對噪聲和微小誤差敏感、難以分辨相近圖像的局限，構(gòu)造了兩種方法獲得圖像的局部矩特征： (1)設(shè)計了一組同心矩形環(huán)，提取出具有局部性能的Hu矩特征組； (2)引入三次B樣條小波矩，提取出步態(tài)變化歷史圖像的特征量。上述兩種方