摘  要: 步态是唯一能被远距离识别的生物特征。根据运动人体的轮廓特征，该文提出了一种有效的步态识别算法。首先对每个序列进行运动轮廓抽取，从3个方向(水平、垂直、斜向)对时变的二维轮廓进行扫描，分别转换为对应的一维向量；采用核主元分析法(KPCA)提取步态的非线性特征，在此基础上采用线性支持向量机训练步态分类器组，最后用支持向量机组进行步态识别。在一组30人构成的混合步态数据库中进行实验，结果表明该算法具备快速、稳健特征，识别率达到了93％，具备实际应用价值。

   关键词: 生物测量; 步态识别; 轮廓投影; 核主元分析; 支持向量机

1  引  言

   人的步态是一种日益受到重视的生物测量特征，它是通过人步行的方式，达到识别人身份的目的。步态可以通过远距离的摄像机捕获，和其他生物测量方法相比，步态是唯一不受距离影响的生物特征，具有唯一性、非接触性、难以伪装、受环境影响小等特征。

   步态识别近几年来备受关注。文献[3～10]报道了近年来基于步态生物特征识别的典型方法，可以分为基于统计特征和基于模型两类。基于统计的方法不需要构建模型，而是先对待研究的对象提出假设，然后用图像序列中目标移动所产生的时空模式的各类统计值，从步态中提取统计参数，因此，核心是采取适当的方式描述步态的时空变化模式；基于模型的步态识别方法预先建立模型，通过模型和图像序列的匹配获得模型参数，参数的比较结果等价于识别结果。

   上述方法经过实验验证是成功的，但分别存在着一些不足：基于模型的步态识别，其模型的建立、特征的处理过程繁琐，计算量大，参数匹配中误差难以避免；而基于统计特征的步态识别算法，目前的特征抽取方法主要采用的是线性抽取方法，而人运动步态的非线性特征研究没有得到充分的重视，另外，分类方法主要采用距离分类度量，即用序列间单一距离值来衡量多维特征数据集的类别归属，造成分类效能不足(室外条件下，平均识别率80%左右)。

   针对上述问题，基于步态的轮廓特征，本文提出一种新的算法：从水平、垂直和斜向等三个方向对二值化轮廓图象进行投影扫描，构建步态特征向量；在此基础上，采用核主元分析法获取步态的非线性特征向量集；利用具有很高推广性能且无需先验知识的支持向量机训练分类器，结合应用针对性明确的步态数据库，进行分类识别实验。

2  步态特征提取

2.1  场景建模

   我们采用基于视频帧差(Change Detection Mask)的方法[1]来构造背景图像。

2.2  轮廓提取

   亮度变化常常通过当前图像和背景图像的差分来获得。由于构造出来的背景图像不可能完全是真实的背景图像,所以差分图像存在剩余的背景点。根据图像直方图的特性，本文采用了最大方差比阈值分割法[2]进行目标分割。

   使用形态学算膨胀和腐蚀算子进一步滤除噪声和填充小的空洞，然后执行连通分量分析来提取呈单连通的运动目标。图1描述了基于差分图像的后处理提取二值轮廓图像的全过程。

   提取的轮廓图像尺寸是变化的，为便于后期识别需要，以人体高度为基准，将轮廓图像统一映射为148×88尺寸，水平方向同比例变化。此外，由于本文实验采用了目标进行3个方向运动方式，以考核算法对运动方向变化的稳健性，因此需要通过计算目标头部顶点在不同帧平面移动位置变化，确定序列的视角归属。相对于摄像平面，本文所有目标序列隶属于0°、45°和90°三个移动视角。

2.3  特征信号描述

   在人体的运动过程中，由于全身肌肉和骨骼的牵引，各个运动器官处于周期性变化状态。轮廓图象是人体运动在摄像焦平面内的投影，其中目标的宽度同步呈现周期性变化。由于身体几何形态、健康状态甚至心理状态存在着差异，不同人的宽度步态特征的周期、幅度和分布也存在着差异。A.Kale [3]采用轮廓宽度特征进行步态识别，验证了这种差异性含有充分的识别信息。

   进一步考虑，人的步态是时变的三维动态序列，随着运动的展开，受身体结构各部位的相互牵引，目标轮廓不但在宽度方向上存在差异，而且在其它方向也蕴涵步态和人体结构变化的信息。因此，我们提出分别从水平(宽度)、垂直(高度)和对角线(斜向)等三个方向进行投影扫描，计算轮廓内灰度不为零的象素个数，提取步态特征数据。

特征向量集构成如下：

■ 对二值轮廓图进行水平投影扫描，获得规整列向量I1(维数：148×1)；

■ 对二值轮廓图进行垂直投影扫描，获得规整列向量I2(维数：88×1)；

■ 对二值轮廓图进行斜向投影扫描，获得规整列向量I3(维数：172×1)；

■ 将I1、I2和I3顺序级联，合并构成规整列向量I(维数：408×1)

   图2分别展示水平方向投影扫描所提取的单一样本特征向量和相同视角内全部样本特征向量集。坐标“0”对应于头顶，坐标“150”对应于脚底。

2.4  非线性步态特征提取

   传统的主元分析法进行特征抽取时只考虑了图像数据的二阶统计信息，未能利用数据中的高阶统计信息，忽略了多个像素间的非线性相关性。研究表明，一幅图像的高阶统计往往包含了图像像素间的非线性关系，比如边缘、曲线的结构信息。如果充分采用曲线和边缘等非线性结构特性来描述对象特征，无疑将有利于提高识别目标的能力。核主元分析(KPCA)基于输入数据的高阶统计，描述了多个像素间的相关性，所以KPCA能够捕捉这些重要的信息，更好反映对象的本质属性。因此，出于更准确提取步态本质特征的考虑，本文采用了核主元分析方法对轮廓扫描特征向量进行非线性特征抽取。

3  分类识别

   支持向量机是最优线性分类和核函数方法混合应用的产物。通过核映射，支持向量机首先将输入样本空间非线性变换到另一个高维数的空间(特征空间)，然后在这个新的空间中求取样本的最优线性分类面，而这种非线性变换是通过定义适当的内积函数(即核函数)实现的。

属类的均衡表示。

4  实  验

4.1  步态数据库构建

   为了验证算法的实际分类性能，我们首先采用中科院自动化所生物测试中心的NLPR步态数据库，结合自建的多视角步态数据库，构建一个30人规模步态数据库。NLPR库包含20个人，于室外相对于摄像平面分别以0º、45º和90º等3个夹角方向运动，每个方向4个运动序列，合计240个运动序列。进一步扩大样本规模，采取和NLPR库同样的标准，我们自建步态数据库包含10个人，包括120个运动序列。构建数据库共计30人（360个视频序列，0º序列120个），目的在于评估算法对中小型应用环境的适应程度。

4.2  实验分析

4.2.1 算法识别率

   实验选择了最近邻分类器、k-近邻分类器和支持向量机等三种模式分类方法，使用留一法则(Leave-one-out Cross Validation)进行分类结果检测。从特征有效性、分类性能和算法总体识别率等三个方面对算法进行验证。对k-近邻分类器，采用k＝3进行分类计算。在KPCA中，采用多项式核函数。

   表1统计了采用NN、3NN和支持向量机等三种分类器在多项式阶次的正确识别率。

   从表1可以看出，对于遵循同样的特征提取和处理方法形成的样本特征序列，采用SVM分类器的分类性能比NN和3NN近邻分类器有了大幅度提高。

4.2.2  KPCA和PCA特征抽取比较

   出于检验核主元分析法非线性提取轮廓扫描特征向量效能的目的，本文还采用主元分析法(PCA)对轮廓扫描特征向量进行线性特征抽取，进行对比实验，结果如表2所示。

   显然，由于本文是采用人体运动的轮廓来描述目标对象，再对复杂的曲线轮廓进行三方向扫描提取步态特征数据，因此采用核主元分析法可以获得更适于反映步态本质的非线性特征，相较于传统主元分析法，识别率有了大幅度的提高。

   表3列出和本文采用相同或类似规模数据库的文献相关算法的识别结果,具有一定的可比性,从统计的结果可以看出我们算法具有较高的识别率。

5  结  论

   本文提出的步态识别算法，在模拟中小型应用环境的30人规模步态数据库中进行仿真实验，结果验证了算法的有效性，识别率获得有效的提高，算法初步具备应用条件。

   由于采用对目标二值轮廓进行三方向扫描提取步态特征(当轮廓因遮挡因素出现残损时，对特征的提取影响有限)，以及利用核主 元分析法来提取步态的非线性特征，是本文提出的步态识别算法在实验中取得较高识别率的主要原因之一；支持向量机作为分类器具有很高的推广性能，且无需先验知识，这是本文提出的步态识别算法在实验中取得较高识别率的另一重要原因。

参 考 文 献

[1] Duan J G, Liao Q M. Moving Object Extraction in Diving Video Sequence, The 5th world Multi-Conference on Systemics,Cybernetics and Infoematics(SCI2001)

[2] Oppenheim A V, Schafer R W. Digital Signal Processing. New Jersey, USA: Prentice Hall,1975

[3] Kale A, Cuntoor N, Yegnanarayana B, Rajagopalan A N, and Chellappa R. Gait analysis for human identification, In AVBPA 2003, pp. 706-14.

[4] Foster J, Nixon M, Prugel-Bennett A. New area based metrics for gait recognition. In: Proc International Conference on Audio- and Video-based Biometric Person Authentication, Halmstad, Sweden, 2003. 312-317

[5] Wang L, Hu W M and Tan T N. Silhoutte analysis based gait recognition for human identification. IEEE Trans.Pattern Analysis and Machine Intelligence, 2003, Vol.25, No.12, pp.1505-1518

[6] BenAbdelkader C, Cutler R and Davis L,  Motion-based recognition of people in eigengait space,”  in Proc. Int. Conf. Automatic Face Gesture Recognition, 2002, pp. 267–272.

[7] Lee L, Grimson WEL. Gait analysis for recognition and classification, Proc. IEEE Conf. Face and Gesture Recognition ’02, 2002, pp. 55-62.

[8] Huang P, Harris C, Nixon M. Human gait recognition in canonical space using temporal templates. Vision Image and Signal Processing, 1999, 146 (2): 93-100

[9] Phillips P J, Sarkar S, Robledo I, Grother P and Bowyer K. Baseline results for the challenge problem of human ID using gait analysis, Proc. IEEE Conf. Face and Gesture Recognition ’02, 2002, pp. 137-43