基于步態識別的人體運動行為識別方法

王燁

摘要：步態識別是采集人體步行的方式從而實現身份的識別，而步態作為生物特征信息識別技術也受到越來越多的關注，其自身的三大優勢主要包括其非侵犯性、難以隱藏特性以及遠距離識別的特征。本文提出了一種基于小波分析的有效的步態特征提取算法，進行特征的輪廓提取，提取圖像輪廓信息中的多維列向量數據，得到較好的識別效果。

1 引言

人體運動行為分析是一個包含了對人的圖像序列的檢測、跟蹤、分類及理解的研究方向，且綜合了很多學科的知識，例如圖像識別處理、故障診斷與模態識別、人工智能算法以及計算機視覺等等。因此，隨著這些領域的發展，人體運動行為分析也在近數十年間不斷取得突破。人體運動行為分析有以下幾個主要的應用領域：在智能監控系統中，通過對步態分析、人臉識別等方法可以使整個系統完成自主分析，該方法主要依靠攝像頭捕捉前端信息，從而為后端的評判做數據預處理，目前已應用在盜竊等危險情況下的自主預警，如銀行領域等;其次是智能用戶接口，機器人通過前端的傳感器采集外界信息，從而自動感知人的信息，并自動獲取和上傳人體的視覺信息，如手勢、面部表情等，從而為人機交互界面更新提供數據支撐;運動分析領域，通過提取傳感器采集的關鍵點信息，從而為訓練指導提供依據，如體操、田徑訓練、舞蹈等。

在計算機視覺基于人體各種運動分析之中，步態分析具有重要價值。步態分析領域隸屬于生物識別技術，而其下又包含一主要領域——步態識別——一個通過人們走路姿勢對人們進行身份識別的技術，相較于指紋、臉像識別等，步態識別具有能夠在遠距離進行識別、與被測對象無需接觸，對影像的分辨率要求不高、待測對象很難偽裝等的特點，因而被廣泛應用于遠距離監控系統、動畫制作、人機交互等領域。它的步態特征的提取與描述的基本流程是：圖像預處理、場景建模、輪廓提取、基于輪廓的特征信號描述、輪廓特征信號處理。而它的識別又主要包含相似性評估和分類器選擇。

步態識別的特征提取決定了識別的存活率，對于步態識別特征參數的提取可以分為兩類方法：基于模型的步態識別，基于統計特性的步態識別。對于基于模型的步態識別方法主要分為三步：首先建立先驗模型、其次匹配圖像的序列和模型、得出參數比較結果即識別結果。目前的模型主要有：橢圓模型、人字形模型和鐘擺模型。但是由于基于模型的方法計算量大，因而計算速度慢，而缺乏實時性。這里主要介紹基于統計特性的特征參數提取方法。和傳統的模型法相比而言，其優點在于它不需要建立模型，而只需要通過對研究的對象的一些假設，依據圖像序列中目標函數在時間空間狀態下移動的多類統計值，從而得到步態中蘊含的特征參數。已知主要應用有：文獻【1】依據光流圖像來獲取頻率以及相位特征從而識別個人;文獻【2】采取的是以步行人的輪廓寬度特征進行識別。由于基于統計特性計算量小，因而更具有實時性而被更廣泛地應用于實際。

除了步態特征提取，特征匹配是步態識別的另一關鍵點。步態輪廓特征匹配分為靜態匹配和動態匹配。輪廓靜態幀特征匹配關注單幀圖像形狀特點，文獻【3】直接對輪廓外形之間的互相關的統計量進行比較，文獻【4-7】則依據輪廓解卷繞把邊緣的信息編碼為一維的形式。但由于靜態特征不含時域信息，且由于細節捕捉能力差導致區分局部的不相似度困難，因而正確分類率不高。相較之下，輪廓動態特征匹配則關注各幀圖像之間的關系，并建立基于完整周期序列特征的模型，文獻【8】對整個序列輪廓邊緣進行離散傅里葉變換取得序列時變傅里葉的描述量，但由于提取特征信息損失大而精度低;文獻【9-10】構造視頻鎖相環的同步相圖來識別個人特征，然后比較序列相似度，但計算量大;還有一種方法是主元分析，以圖尋找最優主元的線性組合重建原有樣本，并最小化重建后樣本與原樣本誤差。

例如使用OpenPose對人的軀干、四肢甚至手指進行跟蹤，并進行姿勢估計，單人多人皆適用，具有較好魯棒性。而基于此的OpenMMD則可將真人視頻轉化為3D模型動畫，具有良好娛樂性及發展前景。

2 研究方法

隨著攝影與膠片技術的發展，相機能夠捕捉、揭示與動物主要是人類運動的細節序列圖像，而這些并不能被人類裸眼觀測到。因此，本文將利用攝像頭在街頭補貨視頻（圖2），通過對單個行人行走過程中的每一幀圖片進行分析，得到相應的步態數據（圖3）。

基于小波分析的步態特征識別模型，在特征識別的階段，首先針對人體的靜態特性獲取低緯步態下的人體運動步態特征向量序列，將該靜態向量序列作為整個算法識別的基準信息，最終給出分類結果，方法流程如圖1所示。

首先采集步態輪廓下3個方向的投影進而進行步態輪廓特征參數的掃描，采用實驗驗證的方法從而驗證步態特征提取提取的有效性;然后運用離散正交小波函數變換從而實現對時變的步態特征序列的行列數據維數約簡，從而在一定程度上降低計算的緯度，同時抑制步態輪廓二值化和投影數據提取中產生的噪聲;此外為獲得優于傳統步態識別中廣泛采用的歐式距離度量分類法的分類性能，本文運用支持向量機訓練和應用步態分類器進行分類。

需要指出的是，此處我們使用“步態能量”這一概念來定義某一幀動畫中人的行為特征。為定義這一物理量，我們首先需要識別人的輪廓（或背景輪廓），由于人是運動的，因此該輪廓可由相鄰兩幅圖中像素變化的點來識別。數學上即計算兩幅相鄰圖像對應點像素的差值，如差值為0即為背景。進一步，將背景像素定義為“全黑”（RGB：0，0，0），將行人輪廓以內區域定義為“全白”（RGB：255，255，255）（圖4）。那么，“步態能量”就可定義如下，

式中，分別表示圖像的像素編碼，為像素。在t時間段內，步態能量隨時間變化的相關關系。

特征向量集構成如下：

（1）對二值輪廓圖進行水平投影掃描來獲得規整列向量I1（維數：148*1）;

（2）對二值輪廓圖進行垂直投影掃描來獲得規整列向量I2（維數：88*1）;

（3）對二值輪廓圖進行斜向投影掃描來獲得規整列向量I3（維數：172*1）;

（4）將向量I1、I2、I3順序級聯，合并構成規整列向量I（維數：408*1）。

3 結論分析

將相鄰兩點間的時間（圖中橫坐標為幀標號）定義為步態的半個周期，那么由此就可以近似得到某一時刻對應的頻率。結果顯示小波分析的第二分階層已經可以較為近似地反映出步態的運動頻率。

通過對不同人群進行步態分析得到相應的步態數據，我們可以建立相應的運動數據庫。如在體育競技方面，通過對頂級田徑運動員賽跑各個階段的步伐頻率分析，來指導和訓練學員進行科學的階段性訓練;通過對肢體手術后康復人員臂力訓練的運動頻率進行分析，得到相應肌群恢復與訓練強度之間的關系，從而建立更有針對性的個性恢復計劃;再如，通過手機等移動終端收集人的手指運動信號，來設計不同頻率的指令，從而實現更少的鍵盤操作，增強用戶體驗的便捷性和趣味性?？傊?，對人體運動行為的實時模擬和分析將是未來人工智能的一大趨勢，也是發展穿戴式智能設備的一個重要功能。在這類應用中，小波分析由于其對時間和頻率的雙重刻畫，更加凸顯了其數學應用的地位。

參考文獻

[1] Barclay C D，Cutting J E，Kozlowski L T. Temporal and spatial factors in gait perception that influence gender recognition[J]. Perception & psychophysics，1978，23（2）：145-152.

[2] Fink，Bernhard，et al.?Female Perceptions of Male Body Movements.?Evolutionary Perspectives on Human Sexual Psychology and Behavior. Springer New York，2014.

[3] Giudice，Nicholas A.，et al. "Spatial learning and navigation using a virtual verbal display."?ACM Transactions on Applied Perception7.1（2010）：1-22.

[4] 王鵬峰，and 程銘. "小波特征和協同表示的步態識別研究."?中國計量大學學報?3（2017）.

[5] 涂斌斌，et al. "一種使用自適應小波去噪和SIFT描述符的步態識別研究."?小型微型計算機系統?v.39.06（2018）：254-258.

[6] 王竣，and 王修暉. "特征融合的多視角步態識別研究."?中國計量大學學報?2（2017）.

[7] 馬華兵.?基于機器學習和多視角信息融合的步態識別系統的研究. Diss. 西安理工大學，2008.

[8] 趙草原.?機器學習在可穿戴人體外骨骼系統步態識別中的應用研究. Diss. 電子科技大學.

[9] 姚健，and 張乾勇. "人體步態數據測量系統的設計與實現."?電子測量技術?08（2017）：189-193.

[10] 高云園，et al. "基于多源信息融合的膝上假肢步態識別方法."?儀器儀表學報?31.12（2010）：2682-2688.