|
1 引言 早期的醫學研究指出：人的步態中有24種不同的成分，如果把這24種成分都考慮到，則步態是為個體所特有的。有關研究人員近些年來通過對人的步態分析，已經得出了在步態視頻序列中含有人的身份信息，因此進行步態識別也是一種非常重要的生物識別技術。步態識別是近年來越來越多的研究者所關注的一種較新的生物認證技術，它是通過人的走路方式來識別人的身份。基于步態的身份認證識別技術相對于其它生物識別技術有如下優點：遠距離識別、識別對象的被動性、不易被隱藏、不易被察覺、應用領域廣闊等，步態識別技術最近已經備受關注，并且已經取得了一些初步成果。如美國國防部研究項目署(DARPA)2000年的重大項目一HID(human identification at adistance)計劃，其目的就是開發多模態視覺監控技術以實現遠距離情況下人物的檢測、分類和識別。中科院自動化研究所模式識別國家重點實驗室近年也開始了對步態識別的研究，而且創建了NLPR步態數據庫。 雖然步態識別是一個新興的研究領域，但是近年來已經涌現出了一些嘗試性的工作。最早提出步態識別算法的是Niyogi與Adelson等人。Cunado和Nixon等人提出了一種基于模型的特征提取分析方法，VHT(velocity hough transform)。Kale等人將行人的外輪廓寬度作為圖像特征，提出了一種依賴于角度的識別方法。而Johnson和Bobick提出了一種不依賴于角度的步態識別算法。Sarkar等人提出了步態識別的基線算法。Lee等人提出了一種基于步態外形的表達方法，其具體做法是先將人體的各個部分映射到幾個橢圓組成的模型上，然后用其質心位置和離心率作為步態特征來進行步態識別。Wang等人提出了一種簡單有效的、基于人體運動輪廓的識別算法。值得注意的是，步態識別的研究尚處于初級階段，表現在：a．實驗都是在特定的環境下進行的，比如相對簡單固定的背景，人相對于攝像機側面行走，攝像機固定不動等；b．算法的評估都是在小樣本數據庫上進行的，而且數據庫也不規范。 迄今為止，針對步態識別所進行的研究幾乎全部是基于PC機的，而在許多情況下，卻需要非PC機環境，所以研究基于嵌入式平臺的步態識別系統，具有一定的工程意義。本系統的功能是對采集到的步態視頻序列進行圖像處理，得到視頻序列中的人體步態信息，再由步態算法根據所得到的步態信息進行步態識別。 2 系統結構 本嵌入式自動步態識別系統主要包括CCD攝像機、圖像采集卡、嵌入式系統、顯示屏等。其中最為核心的是嵌入式系統部分，它包括Renesas 32位嵌入式芯片SH7709S、存儲器、外圍電路、鍵盤、鼠標等。主要完成視頻序列信號的預處理、處理、步態識別、顯示輸出等功能。該系統的結構示意圖如圖1所示。 3 步態識別的基本原理 3．1 雙目立體視覺 雙目立體視覺是今年來在圖像測量領域發展起來的一種新技術，與單目視覺相比，雙目視覺有以下優點：可以獲得單目視覺中所沒有的視差或者深度信息；當場景中有遮擋發生時，雙目立體視覺可以很好地處理遮擋。因為步態識別的場景難免存在遮擋，為了更好地從各個方向獲得步態視頻序列，從而能夠為進行正確的步態識別作出鋪墊，所以采用雙目立體視覺來獲取人體步態視頻序列。 在本實驗中，兩個CCD攝像機分別固定在一個三角架的兩邊，組成雙目立體視覺。 3．2 步態圖像序列中的光流場 光流是指圖像中模式運動的速度。光流場是一種二維(2D)瞬時速度場，其中的2D速度矢量是景物中可見點的三維(3D)速度矢量在成像表面的投影。光流不僅包含了被觀察物體的運動信息，而且攜帶著有關景物3D結構的豐富信息。光流法假定相鄰時刻之間的間隔很小(一般為幾十ms)，從而相鄰時刻的圖像差異也比較小。 2．2．1 光流的基本等式 光流亮度不變性描述的是圖像上某個象素點的灰度值隨時間的變化率為零，即 若記 式(2)就為光流計算的基本等式。 3．2．2 光流有關的計算 對于圖像上的每一點(xi,yi)，求解光流場方程(2)，得到由迭代形式表示的解為： 3．3 光流場中運動特征的提取 從光流中提取的特征包括運動點T，加權的運動點|(u,v)|，|u|，|v|，以及光流分布的質心特征等。通過光流場，利用T(u，v)將運動點(白色)和非運動點(黑色)區分開來，由下式表示： 在本實驗中，選取|(u，v)| 加權橫坐標 作為從光流場中提取的步態特征。 3．4 步態特征的數據融合 對于所提取的步態特征xuc和yuc，由數據融合算法D-S合成公式： 其中m1和m2是特征空間上的兩個mass函數， N為矛盾引子。 3．5 識別 將由數據融合得出的特征進行基于PCA的特征空問變換。假設初始的訓練樣本集為T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i個人第j個步態樣本向量為Xij，而樣本總數為NT=N1+N2+…+Nc。 求樣本集的總體均值向量μ和協方差矩陣∑， 如果協方差矩陣∑的秩為N，由det|λI-∑|=0求得矩陣∑的N個特征值λ1，λ2，λ3，…，λN，并由矩陣方程λiI-∑=0，i=0,1,2，…，N;求得對應于N個特征值λ1，λ2，λ3，…，λN的N個特征向量e1，e2，e3，…，eN。選取與前K個最大特征值對應的前K個特征向量，并使 其中α表示樣本集在前K個軸上的能量占整個能量的百分比。通常取α值接近于1，以使得樣本集在前K個軸上的能量幾乎接近于整個能量。 用式(2)中所求得K個特征向量重建初始樣本集中的每個樣本。算法如下： 這樣就得到一個K維的權向量Ωi，j用于進行識別。 選取最近鄰分類法進行步態模式分類。設經過特征提取并向特征空間投影，所得到的特征向量為Ω，求得Ω與每個每個模式類的平均向量Ω i，j之間的歐幾立德距離。 其中 由最近鄰分類法的判決準則可知，當εi(x)的值最小時，則x∈εi；否則x∈εi。 3．6 識別的有效性與錯誤率 根據模式識別的原理，當有兩類步態時，步態識別的錯誤率由下式給出： 其中 積分區間R1為當w2誤判為w1時的誤判區間，而積分區間R2為當w1誤判為w2時的誤判區間。當p(e)最小時，識別越有效，而當p(e)越大時，識別性能越差。當有多類步態時，依次類推。 4 系統實現 4．1 硬件實現 系統硬件連接框圖如圖2所示。 4．2 軟件實現 系統軟件流程圖如圖3所示。 5 結論 步態識別已成為近些年來計算機視覺領域新的研究方向。本文提出了一種簡單的自動步態識別方法，并給出了基于Renesas嵌入式芯片的自動步態識別系統，從長遠來看，該系統的應用很廣泛。 |
