基于人体部位匹配的步态识别外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

基于人体部位匹配的步态识别

摘 要

本文提出了一种基于人体躯干匹配的步态识别方法。人体不同的部位被分别研究，并被证明就有不同的辨别能力。提出了集中方法，将不同部位的结果组合成一个公共距离度量，评估步态序列之间的相似性。此外，本文还提出一种基于各个人体部位对识别性能的影响来确定权重的方法，实现性能的提高。

关键字 人类步态；识别；验证。

1. 介绍

步态识别^[1]是一种基于个体行走方式的生物特征识别新技术，基于步态识别的方法具有操作方便，易于捕获步态信号等优点。不像其他生物识别技术，例如如人脸识别、虹膜识别、指纹识别。步态识别可以从远处的相机捕捉到，而不会引起被观察者的注意。

参考文献中提出了一些关于步态识别的早期尝试^[2-4]。在文献^[2]中，从时空图像体积中提取步态模式，以勾勒出行走对象的轮廓特征。这些轮廓用于步态识别的分析处理。在文献^[3]中，提出了一种基于步态特征空间表示的模板匹配方法。在参考文献^[4]中，基于二维空间提取步态特征的相位信息，用于步态识别。

在文献^[5]中，步态识别被表示为使用人体结构构建的二维图像，腿的角度由二元轮廓计算得来。研究在一个步行周期内图像人物的几个关节的行为变化与已知的医疗数据相一致。

在文献^[6]中，提出了一种使用静态身体参数的步态识别方法。文献^[6]中使用的静态参数分别是身高、头到骨盆的距离、骨盆到脚的最大距离和脚与脚的距离。然而，但是再文献中并没有使用步态动力学，也没有尝试量化每个参数在识别性能中的比重。

在文献^[7]中，首次尝试将人体分成单独处理的部分的方法，例如，单个的头部、左右臂、左右大腿等。在该文献中，人体的剪影被认为由七个椭圆组成。算法人员根据从傅里叶变换获得的幅度分量和相位分量的变化以及这些分量中的每一个的辨别能力来研究这些椭圆中在整个步行期间的行为。幅度和相位分量的特征向量被用于人员识别和性别分类测试，并且基于相对较小的数据集产生了良好的结果。

在文献^[8]中，基于USF人类ID构建步态识别数据集，使用人工提取和标记的轮廓。尽管人工轮廓提供了更为准确的人体形状表示，但文献^[8]中报告结果不如自动提取的二值轮廓，这是由于在自动提取的二值中存在相关误差。因此，需要手动的提取和标记需要的轮廓进行更多的研究，这些轮廓不会收到噪声和背景干扰的影响，以便提高表别能力。

在本文中，系统使用文献^[8]的手动轮廓，研究人的各个身体部位对识别性能的影响。人体不同的部位被分别研究，并被证明就有不同的辨别能力。提出了集中方法，将不同部位的结果组合成一个公共距离度量，评估步态序列之间的相似性。通过报告基于对每个人体部位的结果，作出详细的分析。系统还提供几种方法来组合部位获得结果，并表明在相同的数据集上，表现最佳的组合比文献^[8]中的系统取得更好的结果。

本文的结构如下。第2节描述了手动轮廓的部位比较，人体不同的部位被分别研究，并被证明就有不同的辨别能力。第3节介绍了轮廓序列步态样式的匹配。第4节报告了轮廓序列识别的结果。第5节中得出结论。

1. 人体部位比较

手动标记轮廓可以清晰的区别身体的各部分组件，身体部位表示如图1所示。二值剪影包含的信息有限，并且由于背景减法的不完善而存在错误的像素问题。手动的分割和标记轮廓能够使步态识别的能力进一步加强。

图 1 第一行为手工标注样本，第二行为对应的二值剪影，

第三行为均衡后的归一化剪影。

正如图1第一行所看到的，手工轮廓的尺寸是不一样的。这是由于行走的人高度变化导致的。因此，需要将它门归一化为一个大小，即128x128，这是人类ID步态数据集的二进制轮廓维度。系统线测量每一个手动剪影的高度，然后将行放大或缩小相同的高度，将列差值到相同宽度，然后将剪影移到图像中心。合成的轮廓在最后一行。

利用文献^[9]中基线算法使用比率S（p_i，g_j）作为衡量两者之间的相似性的标准

（1）

其中p_i，g_j分别表示采集的二值剪影，j，i为从0到步行周期结束的剪影指数。交集和并集是根据像素的数量计算的。这个比值在0-1之间，0表示两个剪影没有重叠，1表示相同的匹配，即两个剪影完全重叠。

最近，在参考文献^[8]中，手动轮廓被用来构造比二进制电脑轮廓分辨能力跟高的轮廓，并研究一些探针轮廓的质量。同时，参考文献^[8]的作者将参考文献^[9]中使用的二元轮廓的相同方法应用到手动的轮廓，计算相似度轮廓的整体形状。

在本文中，系统采用一种不同的方法，即人工分割和标记人体部位。首先需要在一个部位的基础上计算剪影之间的距离，然后，结合部位方向距离，确定两个剪影之间的最终距离。由于两个人工轮廓的相似度比值并不能反映单个轮廓的差异，之后采用逐个分量比较的方法获得更好的结果。假设在图1中，最下面的一行的第一个和第三个有相同的下半身区域，包括大腿，小腿和脚。尽管在整个身体测量的相似率将认为两个轮廓是相同的，但在各个部位单独确定比率将能够区分轮廓。

在实践中，系统采用距离测量来描述两个轮廓相对于某一个部位的相似度，即

（2）

g_alpha;j是一组手工剪影身体的组成部位在数据集的数据，p_alpha;i为人体部位在现实探头测量的数据。alpha;指的是人体不同的部位。因此，等式的右边是按分量进行的。对应的关系如表1所示。结果的距离越小，相关的匹配程度就越高。

表1 alpha;的对应关系

1. 人体部位加权匹配

计算相应分量之间的距离后，系统形成一个距离矢量表示如下。 (3)

系统测试几种方法，将单个的部位距离组合为单独的距离，测量轮廓的差异，两个轮廓的总距离被取为等于每个部位对应的距离中值、最小值、最大值和加权和。这种组合方法在文献^[10]中进行研究。在所有的方法中，加权个的结果最好。最终结果为

（4）

（5）

在等式（4）中，距离的加权系数为w，代表身体组件的重要性，人们期望身体的哪个部位比其他部位更可靠或更有辨别能力来调节加权系数。例如，在行走中，由于侧生的遮挡，平时走路时右臂很少出现，因此要选用一个较为合适的因子。

目前系统引入里两种类型的距离，如方程（2）和（4）。下一步是根据（4）计算步态序列的距离。式（4）中的~d(pi,gj)是在两种不同的步态序列的剪影。然而实践中一个步态序列轮廓可能大于或小于另一个步态序列，这取决于步行速度。因此要确定轮廓之间的对用关系。因此，在计算这两个步态序列之间的距离之前，我们需要确定一些要比较的步态序列轮廓之间的对应关系。我们使用添加规则来实现，确保测试者的步态序列的每个轮廓与另一个序列的轮廓相关联。确定两个步态序列的对应关系的过程为基于线性时间的归一化。

设T，R是探头序列和数据集画廊序列的轮廓数。如果Rlt;T，i=j x T/R，如果Rgt;T，j=i x R/T。设F表示如上所确定的一组对（i，j）。建立探针与画廊序列的剪影的对应关系，构造集合F，则计算出第n个探针对象和第r个画廊对象的距离为，其中NF表示集合的个数。

（6）

1. 加权系数的确定

为了确定等式（5）的权重，系统使用收集到的图库作为训练集，定义第n个和第r个部位数据的分量的方向距离为

（7）

alpha;的加入是为了强调在确定两个被测试之间的方向分量只涉及一个身体部位。也就是D_alpha;（n,r），用于确定对应身体成分的权重系数。具体来说，对于图库中的第n个数据，使用式（7）与图库合集中的其余每一个数据之间的距离，得到矩阵Qn如下

（8）

其中Ng是数据集的定义周期数，n，lisin;[1，Ng]，ine;n，则得到一个八维向量Bn

（9）

上述向量的元素就是图库数据一个部分的数据到图库中其他的部位的平均距离。部位之间的平均距离越大，它越有助于最终距离的精准。加权系数有Bn的平均值计算得到，即

（10）

其中

（11）

等式（10）中的分母为了将加权系数标准化，使其总和为1。因此结合式（10）与（11）得到

（12）

可以看到，最终的加权系数可以直接使用矩阵Q来计算，得到的加权数的平均距离最大。应该注意到的是，每个主题只有一个周期是可用的USF数据库。这就禁止了其他优化的使用。例如，基于LDA的优化可以通过考虑同一个人的多个实例开进一步改进结果。在实验结果部分，将看到系统的方法取得比文献^[8]中提出的方法更好的结果。

1. 实验结果

为了对系统的方法进行实验评估，需要使用了手工轮廓由南佛罗里达大学提供。该数据库包含在不同条件下捕获的人类步态序列，如摄像机视角，鞋型，行走表面以及带不带公文包行走。将步态序列集作为数据库，认为探针集B、D、H、K包含未知测试者的序列，通过将测试者的步态序列与数据库中的序列进行比较来识别。手动轮廓数据的室外采集如表1所示。

表 1 室外采集条件和手动剪影的数据集情况

其中G/C表示草/水泥，A/B表示为鞋A/鞋B，R/L为右/左，OB/WB为无公文包/有公文包，M/N为五月/十一月。

对于性能的评估，系统将累计匹配分数的报告放在第1和第5位。排名第1的结果报告了探针集准确识别了测试中的百分比。排名第5的结果报告了在图库中真正匹配测试者在前5名匹配中所占的百分比。系统首先需要在一个部位的基础上计算剪影之间的距离，然后，结合部位方向距离，确定两个剪影之间的最终距离。由于两个人工轮廓的相似度比值并不能反映单个轮廓的差异，之后采用逐个分量比较的方法获得更好的结果。这种做法直观的说明了在第2节与第3节中步态识别系统中部位的重要性。在计算这两个步态序列之间的距离之前，我们需要确定一些要比较的步态序列轮廓之间的对应关系。我们使用添加规则来实现，确保测试者的步态序列的每个轮廓与另一个序列的轮廓相关联。图2报告了等级1的识别性能，使用直条图形说明。图2（a），（d）分别对应探测组B-D。有趣的是，每个组件表现出不同的辨别能力。对于探针B，使用躯干和右大腿达到了最好的性能。这和D相同。对于H探针，躯干仍然有最有力的，头部和左大腿其次。虽然右臂在大多数被身体遮蔽，但却有很好的的辨识能力。这是由于它的外观模式，而不是形状决定的，是非常有用的区分部位。

每个部位的累计分数如图5所示。一般来说，右大腿和右臂是最有辨别能力的部位，其次是躯干。这是一个重要的结论，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591062]，资料为PDF文档或Word文档，PDF文档可免费转换为Word