甄倩倩, 張庭亮

(1.安陽師范學(xué)院 軟件學(xué)院，河南 安陽 455000； 2.安陽工學(xué)院 電子信息與電氣工程學(xué)院，河南 安陽 455000)

步態(tài)識別技術(shù)研究進(jìn)展

甄倩倩1, 張庭亮2

(1.安陽師范學(xué)院 軟件學(xué)院，河南 安陽 455000； 2.安陽工學(xué)院 電子信息與電氣工程學(xué)院，河南 安陽 455000)

步態(tài)識別是一種通過人的行走方式識別人身份的技術(shù)，是生物識別領(lǐng)域的重要研究課題之一.首先介紹步態(tài)識別的背景和研究意義；其次介紹在步態(tài)分割、特征提取、步態(tài)識別方面的研究現(xiàn)狀；最后分析步態(tài)識別的研究困難和未來發(fā)展趨勢.

生物識別；步態(tài)識別；特征提?。环诸惼?/p>

0 引言

生物特征識別技術(shù)是一種采用人的生理或行為進(jìn)行識別身份的技術(shù).基于生物特征識別技術(shù)的身份認(rèn)證是社會高度信息化和經(jīng)濟(jì)全球化的需求，是政府和商業(yè)領(lǐng)域必不可少的重要技術(shù)[1]．機場、車站、銀行等安全敏感場合對大范圍視覺監(jiān)控系統(tǒng)的需求提升，遠(yuǎn)距離的身份識別研究近年來受到了計算機視覺研究者們的大量關(guān)注.臉像、指紋和虹膜等生物特征通常需要近距離或者接觸性的感知，在實際應(yīng)用中受到了諸多限制.步態(tài)是遠(yuǎn)距離情況下唯一可以感知的生物特征，因其非接觸和難以隱藏性成為近年來的研究熱點，步態(tài)識別技術(shù)的研究使得一些安全敏感場合得到了更好的保護(hù).因此從視覺監(jiān)控的觀點來看，步態(tài)識別具有廣泛的應(yīng)用前景[2].

所謂步態(tài)是指人行走時的姿態(tài)，是一種人類的行為特征.步態(tài)分析的理論假設(shè)：每個人擁有一幅獨一無二的面孔，每個人也擁有一種與眾不同的步態(tài).這種觀點在醫(yī)學(xué)研究中也得到了認(rèn)同，即“每個人的步態(tài)都是唯一的”.從解剖學(xué)的角度分析，步態(tài)唯一性的物理基礎(chǔ)是每個人生理結(jié)構(gòu)的差異性，不一樣的腿骨長度、不一樣的肌肉強度、不一樣的重心高度、不一樣的運動神經(jīng)靈敏度，共同決定了步態(tài)的唯一性.所以，基于步態(tài)的唯一性，通過步態(tài)可以唯一地識別一個人.

1994年，步態(tài)識別被NIYOGI和ADELSON[3]作為生物特征身份認(rèn)證的研究后，被越來越多的學(xué)者所青睞，并取得了一系列研究成果. 歸納前人對步態(tài)識別的研究，步態(tài)識別的過程如圖1所示.

圖1 步態(tài)識別過程Fig.1 Gait recognition process

本文從采用的技術(shù)上對現(xiàn)有的研究文獻(xiàn)進(jìn)行綜述、分析和總結(jié).縱觀近些年國內(nèi)外對步態(tài)識別技術(shù)的研究，按照步態(tài)分割方法的不同，主要分為幀間差分法、光流法、背景減除法；針對步態(tài)特征提取的不同方式，可以將其劃分為基于模型的方法、非模型的方法、融合特征法；按照步態(tài)識別的分類器不同，主要分為貝葉斯法、隱馬爾可夫法、神經(jīng)網(wǎng)絡(luò)法、支持向量機法、近鄰法.本文先對國內(nèi)外對步態(tài)識別的研究現(xiàn)狀進(jìn)行綜述，然后對步態(tài)分割、特征提取以及步態(tài)識別的方式進(jìn)行分析總結(jié).

1 步態(tài)識別綜述

文獻(xiàn)[4]中陳春艷利用側(cè)影下肢關(guān)節(jié)角度和角速度作為步態(tài)的特征，并利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識別.顧磊在文獻(xiàn)[5]中提出了3種方法來識別步態(tài)，其中GRSFER方法能夠?qū)螏瑘D像劃分相等的子區(qū)域，從子區(qū)域中提取更為精細(xì)的步態(tài)特征，GRSFTJR算法能夠根據(jù)人體解剖學(xué)知識中人體各部分與身高的比例關(guān)系對單幀圖像劃分不相等的子區(qū)域，從而能在各子區(qū)域上得到肢體的運動特征，GRSFFUR算法在各非等子區(qū)域中提取多種類型的步態(tài)特征.文獻(xiàn)[6]中林爾東等提出了一種改進(jìn)的地面反作用力的步態(tài)方法，利用小波包分解特征，并用模糊C均值聚類方法挑選出最具有分類能力的特征子集，并且利用多分類器來提高識別的準(zhǔn)確率.楊旗等在文獻(xiàn)[7]中為了提高識別率，提出了一種基于動靜態(tài)信息相結(jié)合的多信息融合的動態(tài)貝葉斯網(wǎng)絡(luò)模型，該模型能很好地表征步態(tài)時序特征的節(jié)奏性變化，并依此來提高識別率.文獻(xiàn)[8]中趙永偉等在圖像分割上采取背景差分和陰影消除法，在特征提取方面采用偽Zernike矩、小波描述子和Procrustes形狀分析法，最后通過多特征多視角信息融合，達(dá)到通過步態(tài)來識別人的身份的目的.余濤等在文獻(xiàn)[9]中提出了一種算法來識別步態(tài)，該方法在步態(tài)訓(xùn)練和識別時將貝葉斯規(guī)則和HMM相結(jié)合.王浩等在文獻(xiàn)[10]中為了解決投影方向及時間復(fù)雜度高的問題，提出了一種基于輪廓特征的廣義步態(tài)識別算法.在文獻(xiàn)[11]中，商磊等提出了一種基于密度光流的步態(tài)特征提取算法，并對提取到的特征進(jìn)行降維，用支持向量機進(jìn)行步態(tài)分類.文獻(xiàn)[12]中楊旗等提出了一種基于雙尺度動態(tài)貝葉斯網(wǎng)絡(luò)及多信息融合的方式對步態(tài)進(jìn)行識別.賁晛燁等在文獻(xiàn)[13]中提出了一種基于線性插值的張量步態(tài)識別算法.

2 步態(tài)分割方法

步態(tài)分割，又稱為步態(tài)檢測.步態(tài)分割是指將采集到的圖像中人體的步態(tài)輪廓從背景圖像中分割出來，提取出有效的人行走時的圖像.步態(tài)分割是步態(tài)識別的第一步，常見的步態(tài)分割方法有幀間差分法、光流法、背景減除法、基于特征的方法等.

幀間差分法，利用圖像序列中2幀或3幀圖像進(jìn)行減法運算，求出差分結(jié)果，最后達(dá)到提取運動目標(biāo)的目的.如楊旗等在傳統(tǒng)幀差法的基礎(chǔ)上進(jìn)行了改進(jìn)，提取出幀差圖，并得出幀差的前向部分和幀差的后向部分，對這些動態(tài)信息和靜態(tài)信息的融合構(gòu)建貝葉斯模型[7].

光流法是依據(jù)視覺的光流特性實現(xiàn)運動區(qū)域檢測的一種技術(shù)，但大多數(shù)光流法計算復(fù)雜且抗噪性比較差[14].如文獻(xiàn)[11]中采用密集光流法來進(jìn)行背景分割.

背景減除法首先從視頻序列中估計出前景圖像，然后利用當(dāng)前幀與背景圖像進(jìn)行減運算，從而得出前景運動目標(biāo)圖像.如文獻(xiàn)[15]中胡帥采用背景減除法進(jìn)行步態(tài)檢測.

3 步態(tài)特征提取

步態(tài)特征提取，又稱步態(tài)表征，是指采用某種方法表示所提取出來的步態(tài)以及數(shù)據(jù)庫中的步態(tài). 目前對特征提取的研究有很多，主要分為3類：基于模型的方法、非模型的方法、融合的特征提取方法.

3.1 基于模型的方法

基于模型的方法通過對人體的部分，如膝蓋、腿部、手臂和大腿等，進(jìn)行建模和跟蹤獲得一系列的人體參數(shù)[15].從這些參數(shù)中獲得特征，然后進(jìn)行分析和識別.

基于模型的方法有：橢圓模型、鐘擺模型等，其中橢圓模型是麻省理工大學(xué)LEE等提出的，即將人體的側(cè)影輪廓分成7個相連區(qū)域，構(gòu)建橢圓模型.文獻(xiàn)[16-17]采用鐘擺模型進(jìn)行步態(tài)特征提取.鐘擺模型是將大腿建模為鏈接的鐘擺，并從其傾斜角度信號的頻率分量中獲取步態(tài)特征[18].

3.2 非模型的方法

非模型的方法不考慮人體內(nèi)部結(jié)構(gòu)，采用非模型方法進(jìn)行步態(tài)特征提取的文獻(xiàn)很多，此處只舉個別例子進(jìn)行說明.例如文獻(xiàn)[6]中采用小波包分解來進(jìn)行特征提取，并通過模糊C-均值聚類算法首先挑選出最優(yōu)小波包，進(jìn)而挑選出最優(yōu)特征子集.

3.3 融合特征方法

為了克服單一特征唯一性不強、穩(wěn)定性不夠的問題，常使用多種方法融合處理步態(tài)特征.例如文獻(xiàn)[8]中使用偽Zernike矩及小波描述子來描述步態(tài)序列中每一幀的人體輪廓，使用Procrustes形狀分析法來對人體步態(tài)運動圖像集進(jìn)行統(tǒng)計描述.

4 步態(tài)識別

步態(tài)識別是指將待檢測的步態(tài)與步態(tài)庫中已知步態(tài)進(jìn)行比對，看是否能夠匹配.所以，步態(tài)特征提取出來后，要對其進(jìn)行分類并識別，主要采用的方法有貝葉斯法(Bayes)、隱馬爾可夫法(HMM)、神經(jīng)網(wǎng)絡(luò)法、支持向量機法(SVM)、K近鄰(KNN)法.例如，文獻(xiàn)[7]中利用動態(tài)信息和靜態(tài)信息融合(DSIF-DBN)構(gòu)建貝葉斯網(wǎng)絡(luò)模型，文獻(xiàn)[12]中采用一種 4 層的雙尺度多信息融合的動態(tài)貝葉斯網(wǎng)絡(luò)模型，文獻(xiàn)[9]中應(yīng)用貝葉斯規(guī)則與HMM融合.文獻(xiàn)[19]中分別用單層卷積神經(jīng)網(wǎng)絡(luò)和雙層卷積神經(jīng)網(wǎng)絡(luò)模型得到單層和雙層卷積特征表示，并比較二者對識別正確率的影響.文獻(xiàn)[20]中，曾瑋利用徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)對步態(tài)的系統(tǒng)動力學(xué)的局部準(zhǔn)確辨識，所獲取知識以常值神經(jīng)網(wǎng)絡(luò)的形式存儲起來.文獻(xiàn)[21]中，陳江城等以自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)來構(gòu)建模型.文獻(xiàn)[22]中提出一種基于二次特征提取與支持向量機的異常步態(tài)識別方法.文獻(xiàn)[23]中提出了基于頻域特征提取與支持向量機識別的新方法，文獻(xiàn)[24]采用模糊支持向量機進(jìn)行步態(tài)識別.文獻(xiàn)[11]以及文獻(xiàn)[15]中均采用支持向量機作為分類器.文獻(xiàn)[25]中夏懿等也是采用支持向量機作為分類器進(jìn)行步態(tài)識別.文獻(xiàn)[16]以及文獻(xiàn)[17]均采用KNN作為分類器,文獻(xiàn)[26]中在多個視角下進(jìn)行多視角融合，并采用KNN分類器進(jìn)行分類和識別.

5 實驗結(jié)果對比

部分實例與中科院自動化所的CASIA(B) 庫上的識別性能比較結(jié)果如表1所示.

表1 步態(tài)識別算法識別率比較Tab.1 Comparison of recognition rate of gait recognition algorithm

表1中的文獻(xiàn)[7]中進(jìn)行了兩個實驗，其中實驗1采用3層DSIF-DBN模型，正常狀態(tài)下識別率為97.1%，穿大衣狀態(tài)下為97.3%，背包狀態(tài)下為96.1%，3種狀態(tài)下平均識別率為96.83%.文獻(xiàn)[9]在多視角下進(jìn)行識別，從18°到162°，每隔18°為一個視角.該文獻(xiàn)提出的方法在各個視角下的識別率普遍較高.實驗結(jié)果表明90°時識別率最低，36°和144°時識別率較高.在先驗知識不同的情況下正常著裝時，這3個視角的識別率分別為 93.56%、99.01%、98.82%，穿著大衣時，這3個視角的識別率分別為82.56%、94.51%、82.22%.但該文獻(xiàn)主要研究基本的步態(tài)，所以沒有考慮攜帶物體的情況.文獻(xiàn)[11]中采用光流法特征，提取豐富的動態(tài)信息，具有良好的識別效果，識別率達(dá)到97.72%.文獻(xiàn)[12]中所提出的模型在正常、穿大衣、背包3種情況下識別率均為95.2%，由結(jié)果可知，該模型可以降低穿大衣以及背包對步態(tài)識別的影響.文獻(xiàn)[13]中提出的能量信息融合法，該方法采用組合投影特征，由 0°、45°、90°和135°的投影特征組成，算法識別率較高，達(dá)到93.27%.文獻(xiàn)[26]中，采用0°、54°、90° 3個視角進(jìn)行融合，并且在特征提取時采用多個特征進(jìn)行融合.基于 Fuzzy的融合機制融合效果最好，識別率達(dá)到99.19%.

6 結(jié)束語

現(xiàn)有的步態(tài)識別技術(shù)距離投入安保防護(hù)工作中還有很長的路要走，因為大部分的研究都是針對簡單環(huán)境下的步態(tài)進(jìn)行分析研究的，在實際生活中，可能是在很復(fù)雜環(huán)境中進(jìn)行步態(tài)識別.除此之外，光線、視角、關(guān)節(jié)受傷、醉酒、路面狀況以及遮擋情況都有可能影響識別的精確度.并且步態(tài)識別需要處理的信息較多，時間復(fù)雜度較高的算法，計算機計算的速度較慢，無法在限定的時間內(nèi)得到分析結(jié)果的反饋信息，所以降低特征提取算法的時間復(fù)雜度勢在必行.另外，步態(tài)可以與其他生物識別技術(shù)相融合，因為步態(tài)不是識別人物的唯一方式，可以采用多種模式確定人物的身份，人臉、掌紋、虹膜、指紋均可作為人物識別的方式.所以可以采用從多種渠道得到的信息與現(xiàn)有的步態(tài)信息融合，以提高識別的精確度.

[1] 鄭方, 艾斯卡爾·肉孜, 王仁宇,等. 生物特征識別技術(shù)綜述[J]. 信息安全研究, 2016, 2(1):12-26.

[2] 胡榮. 人體步態(tài)識別研究[D]. 武漢：華中科技大學(xué), 2010.

[3] NIYOGI S A, ADELSON E H. Analyzing gait with spatiotemporal surfaces[C]// Motion of Non-Rigid and Articulated Objects, 1994. Proceedings of the 1994 IEEE Workshop on IEEE, 1994:64-69.

[4] 陳春艷. 基于確定學(xué)習(xí)的步態(tài)快速識別系統(tǒng)設(shè)計[D]. 廣州：華南理工大學(xué), 2013.

[5] 顧磊. 基于圖像序列的人體步態(tài)識別方法研究[D].南京：南京理工大學(xué), 2008.

[6] 林爾東, 姚志明, 鄭重,等. 一種改進(jìn)的基于地面反作用力的步態(tài)識別方法[J]. 模式識別與人工智能, 2011, 24(3):353-359.

[7] 楊旗, 薛定宇. 動靜態(tài)信息融合及動態(tài)貝葉斯網(wǎng)絡(luò)的步態(tài)識別[J]. 中國圖象圖形學(xué)報, 2012, 17(7):783-790.

[8] 趙永偉, 張二虎, 魯繼文,等. 多特征和多視角信息融合的步態(tài)識別[J]. 中國圖象圖形學(xué)報, 2009, 14(3):388-393.

[9] 余濤, 鄒建華. 基于Bayes規(guī)則與HMM相結(jié)合的步態(tài)識別方法研究[J]. 計算機學(xué)報, 2012, 35(2):386-396.

[10]王浩, 范媛媛, 方寶富. 基于輪廓分析的廣義步態(tài)識別算法研究[J]. 小型微型計算機系統(tǒng), 2016(7).

[11]商磊, 張宇, 李平. 基于密集光流的步態(tài)識別[J]. 大連理工大學(xué)學(xué)報, 2016, 56(2):214-220.

[12]楊旗, 薛定宇. 基于雙尺度動態(tài)貝葉斯網(wǎng)絡(luò)及多信息融合的步態(tài)識別[J]. 電子與信息學(xué)報, 2012, 34(5):1148-1153.

[13]賁晛燁, 安實, 王健,等. 基于線性插值的張量步態(tài)識別算法[J]. 計算機應(yīng)用研究, 2012, 29(1):355-358.

[14]盧官明, 衣美佳. 步態(tài)識別關(guān)鍵技術(shù)研究[J]. 計算機技術(shù)與發(fā)展, 2015(7):100-106.

[15]胡帥. 復(fù)雜場景下步態(tài)識別技術(shù)研究[D]. 哈爾濱：哈爾濱工程大學(xué), 2013.

[16]HE WEIHUA, LI PING. Gait recognition using the temporal information of leg angles[C]//Proceedings of 2010 third IEEE international conference on computer science and information technology, Chengdu, 2010: 78-83.

[17]YOO JANG-HEE, MARKER N. Automated markerless analysis of human gait motion for recognition and classification[J].ETRI Journal, 2011, 33(2) : 259-266.

[18]鐘興志, 王晨升, 劉豐,等. 步態(tài)識別綜述[J]. 軟件, 2013, 34(4):160-164.

[19]王欣. 基于卷積神經(jīng)網(wǎng)絡(luò)與足底壓力信息的步態(tài)識別[D]. 合肥：安徽大學(xué), 2015.

[20]曾瑋. 基于確定學(xué)習(xí)理論的人體步態(tài)識別研究[D]. 廣州：華南理工大學(xué), 2012.

[21]陳江城, 張小棟, 尹貴. 基于表面肌電信號的人體步態(tài)事件快速識別方法[J]. 中國機械工程, 2016, 27(7):911-916.

[22]石欣, 雷璐寧, 熊慶宇. 基于二次特征提取與SVM的異常步態(tài)識別[J]. 儀器儀表學(xué)報, 2011, 32(3):673-677.

[23]薛召軍, 李佳, 明東,等. 基于支持向量機的步態(tài)識別新方法[J]. 天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版), 2007, 40(1):78-82.

[24]LU J , ZHANG E. Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion[J].Pattern Recognition Letters,2007,28(16):2401-2411.

[25]夏懿, 馬祖長, 姚志明,等. 基于足底壓力分布時空HOG特征的步態(tài)識別方法[J]. 模式識別與人工智能, 2013, 26(6):529-536.

[26]趙永偉, 張二虎, 魯繼文,等. 多特征和多視角信息融合的步態(tài)識別[J]. 中國圖象圖形學(xué)報, 2009, 14(3):388-393.

ReviewonGaitRecognitionTechnology

ZHEN Qianqian1, ZHANG Tingliang2
(1.SchoolofSoftware,AnyangNormalUniversity,Anyang455000,China; 2.SchoolofElectronicInformationandElectricalEngineering,AnyangInstituteofTechnology,Anyang455000,China)

Gait recognition is one of the important research topics in the field of biometrics, which is a way of recognizing human identity through human walking. Firstly, introduces the background and significance of gait recognition. Secondly, introduces the present research situation of gait division, feature extraction and gait recognition. Finally, analyzes the research difficulties and future development trend of gait recognition.

biometrics recognition; gait recognition; feature extraction; classifier

2017-04-19

甄倩倩(1988—)，女，河南開封人，安陽師范學(xué)院軟件學(xué)院教師.

10.3969/j.issn.1007-0834.2017.02.005

TP391

：A

：1007-0834(2017)02-0016-04