劉曉芳,周 航,韓 權(quán),昝孟恩,韓 丹

(北京交通大學(xué) 電子信息工程學(xué)院,北京100044) E-mail:16125032@bjtu.edu.cn

1 引 言

隨著計算機(jī)視覺,信息安全領(lǐng)域的發(fā)展,身份識別技術(shù)成為研究熱點.生物特征識別技術(shù)即基于個人獨特的生理或行為特征進(jìn)行自動身份鑒別的技術(shù),正在快速發(fā)展.因為生物特征不會像身份證等持有物那樣易被轉(zhuǎn)移或盜用,從而更安全可靠方便.其中步態(tài)識別是根據(jù)人體走路的姿勢進(jìn)行身份識,相比指紋識別,語音識別,人臉識別等技術(shù),步態(tài)特征識別具有易采集,遠(yuǎn)距離,非接觸,難偽裝和非侵入性等優(yōu)勢,是生物特征識別、計算機(jī)視覺和信息安全等領(lǐng)域的研究熱點.圖1為一些常見生物特征.

步態(tài)分析起源于心理學(xué),研究者發(fā)現(xiàn)每個人都具有自己獨特的走路姿勢和走路步伐[1].醫(yī)學(xué)研究認(rèn)為,步態(tài)是取決于人體幾百個運動學(xué)參數(shù)的個體獨有的人體特征,不同的個體運動又有步幅,步態(tài)周期等差異,因此考慮到步態(tài)的所有信息,步態(tài)就具有唯一性,所以步態(tài)可以作為識別人體的生物特征.在國外,最早,Johansson通過實驗發(fā)現(xiàn),可以通過觀察捆綁在人體上的信號燈(MLD,Moving Light Displays)的運動來判斷人體的行走模式[2].在此基礎(chǔ)上,Kozlowski和Cutting發(fā)現(xiàn)通過MLD實驗可以識別人的性別[3],識別自己的朋友[4].最早真正提出利用步態(tài)特征來進(jìn)行人體識別的是Niyogi和AdelSon等[5].1996年,Murase和Sakai提出利用時空相關(guān)匹配算法來區(qū)別不同人的不同步態(tài)[6],Huang等在他們工作基礎(chǔ)上增加正則分析對實驗進(jìn)行了改善擴(kuò)展[7].1998年,Little與Boyd提出通過從光流圖像中提取頻率和相位特征來識別人體[8],為之后步態(tài)識別提供了很好的特征依據(jù).2002年,Abdelkader等提出用步態(tài)序列自相似圖來提取步態(tài)特征進(jìn)行步態(tài)識別[9].2005年,Begg等將支持向量機(jī)算法應(yīng)用于步態(tài)自動識別[10],SVM在步態(tài)識別中得以應(yīng)用.2011年,文獻(xiàn)[11]以一種新的步態(tài)表示--步態(tài)光流圖(GFI)用于步態(tài)識別,進(jìn)一步提高了步態(tài)識別率,步態(tài)識別的新思路被不斷地提出.2014年,文獻(xiàn)[12]介紹總結(jié)了當(dāng)可穿戴技術(shù)和非可穿戴技術(shù)在步態(tài)識別中的應(yīng)用,最后說明基于人體傳感器的便攜式系統(tǒng)的步態(tài)分析是很有前途的方法.2016年,Rida等[13]提出了一種將統(tǒng)計依賴(SD)特征選擇與全球定位保留投影(GLPP)相結(jié)合的新方法,以減輕類內(nèi)變化的影響,改善了服裝變化和攜帶條件等對識別性能產(chǎn)生的不利影響.

圖1 一些常見的生物特征Fig.1 Some commonly used biological features

國內(nèi)關(guān)于步態(tài)識別的研究開展較晚.2003年,王亮等提出了一種利用監(jiān)督模式分類技術(shù)在低維特征空間中使用空間時間輪廓分析的簡單有效的步態(tài)識別算法[14].2007年,陶大程教授提出了一種基于廣義張量判別分析與Gabor特征的步態(tài)識別方法[15].2009年,文獻(xiàn)[16]提出用幀差能量圖像(FDEI)提取步態(tài)特征來抑制輪廓不完整的影響.2012年,文獻(xiàn)[17]提出的用于人體步態(tài)識別的新的補(bǔ)丁分布特征(PDF)達(dá)到了較好的識別率.2016年,在文獻(xiàn)[14]基礎(chǔ)上,文獻(xiàn)[18]提出了一種用于人類步態(tài)特征表示和維數(shù)降低算法的稀疏張量判別位置對齊算法,提高了識別效果.2017年,文獻(xiàn)[19]基于文獻(xiàn)[15]和文獻(xiàn)[17]提出了使用全糾正(SEL_TCB)框架的子空間集合學(xué)習(xí)及其基于張量和局部補(bǔ)丁的擴(kuò)展方法用于步態(tài)識別算法.為了推進(jìn)步態(tài)識別研究的發(fā)展,中科院自動化所免費提供CASIA步態(tài)數(shù)據(jù)庫的下載,目前,包括清華大學(xué),香港理工大學(xué)等多所國內(nèi)著名大學(xué)在內(nèi)的研究機(jī)構(gòu)已大力投入到步態(tài)識別研究中.

圖2 文獻(xiàn)統(tǒng)計Fig.2 Statistic literature

2000年,美國國防部高級研究署DARPA(Defense Advance Research Project Agency,DARPA)提出了一個重大項目HID(Human Identification at a Distance,HID)計劃來研究遠(yuǎn)距離情況下人體的特征識別,大大推動了人體步態(tài)識別技術(shù)的發(fā)展.目前,捷豹路虎公司正在將人臉識別和步態(tài)識別相結(jié)合的技術(shù)應(yīng)用于汽車防盜系統(tǒng)中,步態(tài)識別應(yīng)用越來越廣泛.近年來世界各地科研學(xué)術(shù)機(jī)構(gòu)越來越重視步態(tài)識別技術(shù)的研究.如圖2為截止到2017年8月20日通過Web of knowledge統(tǒng)計的近十年來關(guān)于步態(tài)識別的發(fā)表文獻(xiàn)數(shù)和各研究方向的步態(tài)識別發(fā)表論文數(shù),足以見得研究人員對步態(tài)識別研究的關(guān)注程度以及步態(tài)識別涉及的研究范圍之廣.

圖3 步態(tài)識別框架Fig.3 Framework of gait recognition

步態(tài)識別技術(shù)一般包括人體檢測,特征提取,分類識別三部分.首先選取數(shù)據(jù)庫,對數(shù)據(jù)庫中的人體運動圖像進(jìn)行分割,獲得目標(biāo)前景.其次,分析周期性,進(jìn)行特征提取,并將步態(tài)特征存儲為固定格式.最后,將待識別的特征與已知分類的特征進(jìn)行比對,達(dá)到最終分類識別的效果.它的基本框架如圖3所示.

2 人體檢測

2.1 常用步態(tài)數(shù)據(jù)庫

表1所示為目前國內(nèi)外已經(jīng)建立的常用的步態(tài)識別數(shù)據(jù)庫及其具備的特征,實驗研究中可根據(jù)不同研究方向選擇不同的數(shù)據(jù)庫.

當(dāng)前這些數(shù)據(jù)庫一般都采集范圍小,缺乏普遍性和廣泛適用性.目前步態(tài)數(shù)據(jù)庫規(guī)模比較大的是英國的南安普頓大學(xué)創(chuàng)建的Soton 大步態(tài)數(shù)據(jù)庫和中國科學(xué)院自動化研究所創(chuàng)建的多視角步態(tài)數(shù)據(jù)庫(CASIA-B)和紅外步態(tài)數(shù)據(jù)庫(CASIA -C),并且CASIA -C數(shù)據(jù)庫是目前唯一公開的大規(guī)模紅外步態(tài)數(shù)據(jù)庫.USMT步態(tài)數(shù)據(jù)庫是目前少有的三維步態(tài)庫之一.以下圖4,圖5,圖6為數(shù)據(jù)庫樣圖.

圖4 CASIA-B多視角庫Fig.4 CASIA-B multi-view databases

2.2 前景分割

在步態(tài)識別中,準(zhǔn)確地定義并分割出人體運動前景直接影響后續(xù)步態(tài)的特征提取及識別分類.表2 為前景分割常用方法.背景差分方法包括GMM、CodeBook、SOBS、VIBE、W4、SACON、Color(基于顏色信息的背景建模檢測方法)算法等算法;幀差法包括相鄰幀差法和三幀差分法;光流法包括稀疏光流、稠密光流等算法.不同的方法適用不同的場景,目前使用最廣泛的是背景差分法.

圖5 CMU Mobo不同衣著數(shù)據(jù)庫Fig.5 CMU Mobo different clothing databases圖6 OU-ISIR Treadmill dataset B不同速度數(shù)據(jù)庫Fig.6 OU-ISIR Treadmill dataset B of different speed databases

表1 步態(tài)數(shù)據(jù)庫Table 1 Gait database

前景分割結(jié)果受許多因素如鬼影,背景抖動,噪聲,閾值選擇等的影響.為解決這些干擾,文獻(xiàn)[29]在傳統(tǒng)VIBE基礎(chǔ)上通過檢測并重新初始化鬼影區(qū)域加快了鬼影區(qū)域的消除,實驗運行速度較快,實時性較好.卡爾曼濾波在圖像處理中的應(yīng)用特別廣泛,文獻(xiàn)[30]在卡爾曼濾波基礎(chǔ)上進(jìn)行背景自適應(yīng)更新使得算法能更好地適應(yīng)背景抖動等復(fù)雜環(huán)境變化.文獻(xiàn)[31]提出了一種改進(jìn)的混合中值濾波去除圖像中低密度隨機(jī)脈沖噪聲的方法,能夠保留前景更多的細(xì)節(jié)特征,改善了分割效果.另外,隨著深度學(xué)習(xí)的快速發(fā)展,CNN和FCN等在前景分割中的應(yīng)用越來越廣泛.

前景分割的時候可能會錯誤地將光照產(chǎn)生的陰影判斷為前景,直接導(dǎo)致后面步態(tài)特征提取時發(fā)生錯誤,所以去除運動目標(biāo)陰影也是前景分割中面臨的一重要問題.

目前去陰影的方法主要有基于模型的方法和基于屬性的方法.基于模型的方法是根據(jù)運動場景、運動目標(biāo)、光照條件等先驗數(shù)據(jù)信息建立陰影模型,檢測結(jié)果在一定程度上較好[32].文獻(xiàn)[33]提出了一種背景重建去除陰影的方法.該方法使用背景差分檢測移動物體,運用背景重建方案來創(chuàng)建背景參考圖像,通過比較和分析參考圖像與原始視頻幀來去除陰影.此方法能夠適應(yīng)不同的光照條件,有較好的魯棒性.而基于屬性的方法是利用陰影的幾何特點、色度、亮度等信息來標(biāo)識陰影區(qū)域,在基于屬性的方法中又有基于RGB顏色空間的陰影消除算法和基于色彩空間轉(zhuǎn)換的陰影消除算法[32].文獻(xiàn)[34]分析和討論了基于RGB顏色空間的陰影去除算法,引入RGB顏色數(shù)據(jù)來檢測前景陰影區(qū)域,最終去除陰影目標(biāo).文獻(xiàn)[35]基于色彩空間轉(zhuǎn)換利用基于HSV顏色空間的陰影消除算法獲得待處理的陰影區(qū)域,結(jié)合圖像區(qū)域信息,判斷運動目標(biāo)的四個邊界點是否為陰影點,最終消除陰影連通區(qū)域.它可以避免目標(biāo)顏色接近目標(biāo)陰影的區(qū)域被錯誤地剔除,顯著地提高了陰影消除的質(zhì)量.

表2 前景分割常用方法Table 2 Common methods of foreground segmentation

一般情況下前景分割后需要進(jìn)行形態(tài)學(xué)處理如腐蝕,膨脹,開運算,閉運算等來消除噪聲點以達(dá)到更好的處理結(jié)果.

圖7 前景分割結(jié)果Fig.7 Foreground segmentation result

圖7為前景分割結(jié)果圖像(以中科院CASIA-A數(shù)據(jù)庫為例).

3 步態(tài)參數(shù)數(shù)據(jù)

3.1 周期性

步態(tài)具有周期性,協(xié)調(diào)性和均衡性,在步態(tài)的一個周期內(nèi)進(jìn)行分析,可以減小步態(tài)識別計算量,提高運算效率.可根據(jù)二值圖像每幀中的圖形區(qū)域的特征如面積,質(zhì)心,外界矩形等變化情況來分析步態(tài)周期性.

常用的確定步態(tài)周期的方法如下,2002年,Abdelkader等人根據(jù)人體區(qū)域綁定框的寬度信號分析了步態(tài)序列的周期性,并提出了一種在側(cè)面視角和偏離側(cè)面視角較大情況下的周期計算方法[36],同年,Collins等人分析了CMU Mobo步態(tài)庫中6個視角下人體寬度和高度信號的周期性,并根據(jù)周期性提取步態(tài)序列的關(guān)鍵幀以降低計算復(fù)雜度,提高運算效率[37].2004年,Kale等人通過觀察人體寬度向量的范數(shù)隨時間的變化來分析步態(tài)的周期性[38].2005年,Sarkar等人根據(jù)人體區(qū)域下二分之一像素點的累計數(shù)目來確定步態(tài)的周期性[39],和文獻(xiàn)[36，37]均是在多視角下分析步態(tài)周期性.2007年,Gedikli等人利用檢測矩形框和輪廓的差分距離的相關(guān)性來確定步態(tài)周期[40],在CMU、SOTON、USF數(shù)據(jù)庫上得到了較好的結(jié)果.2012年,文獻(xiàn)[41]提出了一種步態(tài)周期檢測的雙橢圓擬合方法,具有很好的魯棒性.2015年,賁晛燁等人在深度信息分層編碼基礎(chǔ)上進(jìn)行步態(tài)周期檢測分析[42].2016年,文獻(xiàn)[43]將音頻分析領(lǐng)域中的頻率跟蹤算法應(yīng)用于慣性信號獲取步態(tài)周期的信息,得到了良好效果,文獻(xiàn)[41-43]為國內(nèi)步態(tài)識別研究做出了巨大貢獻(xiàn).

3.2 其他參數(shù)

1)人體基本參數(shù)

一般包括身高、體重、四肢長度等測量信息.

表3 特征提取Table 3 Feature extraction

2)跨步特征參數(shù)

步態(tài)的跨步特征是足著地的空間特征量,包括跨步長、步長、步寬、步速、步調(diào)、姿態(tài)以及搖擺時長等參數(shù).

3)運動學(xué)參數(shù)

運動學(xué)分析是分析肢體在空間中運動角度的變化,比如身體各部分之間,關(guān)節(jié)之間的角度的變化范圍,而不分析運動產(chǎn)生的原因.

4)動力學(xué)參數(shù)

動力學(xué)參數(shù)是指測量引起關(guān)節(jié)或肢體節(jié)段運動的力或力矩.一般包括人體行走時足底與地面之間形成的作用力,即地面反作用力.還有由肌肉、韌帶和骨骼產(chǎn)生的關(guān)節(jié)內(nèi)力或力矩等參數(shù).

5)肌肉特征參數(shù)

肌肉特征參數(shù)主要測量肌肉力、肌電信號等.

在以上步態(tài)的參數(shù)中,人體基本參數(shù)和跨步特征參數(shù)分析較為直觀,而運動學(xué)參數(shù)和動力學(xué)參數(shù)對步態(tài)的細(xì)節(jié)描述的更為詳細(xì),有利于深入分析步態(tài)特征,但是動力學(xué)參數(shù)只能通過傳感器來獲得,還必須有測試人的配合,且采集的步態(tài)特征數(shù)據(jù)量較小.對步態(tài)識別來說,要在算法實用性的基礎(chǔ)上,盡可能提取準(zhǔn)確的步態(tài)特征.

4 特征提取

特征提取是步態(tài)識別的核心問題.特征就是指某一物體能夠區(qū)分于其他物體的屬性或者屬性的集合.在提取特征時,需要遵循的原則有:首先,提取特征的區(qū)分度要高,即相同樣本的特征相似性較高,不同類樣本之間可分性較高;其次,特征易于提取且維數(shù)不宜過高,以減少運算量和提高效率;最后,特征計算具有較高的魯棒性.

針對部分方法提取特征維數(shù)較高的問題,可根據(jù)特征降維方法進(jìn)行降維,比如文獻(xiàn)[62]和文獻(xiàn)[63]均采用PCA特征減小尺寸,解決維度問題,減小計算量,提高運算效率.文獻(xiàn)[18]提出的一種用于人類步態(tài)特征表示和維數(shù)降低算法的新穎的稀疏張量辨別位置對齊算法,該方法可分性強(qiáng),避免了潛在的過度擬合現(xiàn)象,提高了運算效率.

5 識別分類

在提取步態(tài)特征后,需要將待測序列特征與樣本特征進(jìn)行比對完成分類識別,目前步態(tài)識別研究中常用的識別分類方法有模板匹配法,基于支持向量機(jī)的方法,基于人工神經(jīng)網(wǎng)絡(luò)的方法和統(tǒng)計學(xué)方法等方法.

5.1 模板匹配法

模板匹配法廣泛應(yīng)用于計算機(jī)視覺領(lǐng)域,是常用的分類方法.模板匹配的實際操作思路很簡單:拿已知的模板,和原圖像中同樣大小的一塊區(qū)域去比對.Foster等人[64]的區(qū)域度量獲取的特征對比也是基于模板匹配的方法.Sarkar等人[65]對序列圖像的相似性描述也是采用模板匹配方法.文獻(xiàn)[66,67]運用的也是基本的模板匹配方法.

5.2 基于支持向量機(jī)的方法

在機(jī)器學(xué)習(xí)領(lǐng)域,支持向量機(jī)(Support Vector Machine,SVM),在解決圖像處理小樣本,非線性,高維識別模式中分類識別效果較好.文獻(xiàn)[68]利用粒子群優(yōu)化(PSO)算法優(yōu)化支持向量機(jī)(SVM)的模式識別方法,實驗結(jié)果表明,對于五個正常步行步態(tài)的下肢分析,PSO-SVM分類器的識別率高于非參數(shù)優(yōu)化SVM分類器.文獻(xiàn)[69]使用SVM和貝葉斯網(wǎng)絡(luò)混合方法進(jìn)行步態(tài)識別取得了較好的結(jié)果.文獻(xiàn)[44,45]都是運用SVM進(jìn)行識別分類.

5.3 基于人工神經(jīng)網(wǎng)絡(luò)的方法

BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[32].文獻(xiàn)[63]利用PCA進(jìn)行高維步態(tài)輪廓特征的有效降維,采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行特征分類,取得了較好的效果.文獻(xiàn)[70]在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,采用一種改進(jìn)的粒子群優(yōu)化MPSO-BP神經(jīng)網(wǎng)絡(luò)方法識別人體下肢在平地行走、上樓梯和起坐三種典型運動模式下的步態(tài)相位,最終實驗取得了較好的結(jié)果.

5.4 統(tǒng)計學(xué)方法

模板匹配忽略了隱藏在步態(tài)序列中姿態(tài)之間的連接關(guān)系,同時無法解決運動時間快慢的響應(yīng)問題,隱馬爾科夫列(HMM)可以很好地融合這些信息,在基于隱馬爾可夫模型的步態(tài)識別中,步態(tài)序列被看做人體行走姿態(tài)在給定約束條件下的一種遍歷關(guān)系.文獻(xiàn)[71]通過初始化的修正使訓(xùn)練出的HMM接近全局最優(yōu),并給出Bayes相關(guān)先驗學(xué)習(xí)方法,客觀性增強(qiáng),最終結(jié)果經(jīng)中國科學(xué)院CASIA的原始步態(tài)視頻測試,達(dá)到比較高的識別率.文獻(xiàn)[62]與[63]相比,都是運用PCA降維,[62]最終是運用HMM進(jìn)行識別分類.文獻(xiàn)[47,50]運用的也是HMM的識別分類方法.

除了隱馬爾可夫模型,還有其他統(tǒng)計學(xué)方法,Ortells等[72]介紹了一種基于魯棒統(tǒng)計的方法,減輕步態(tài)序列受嚴(yán)重和持續(xù)缺陷的影響,非參數(shù)統(tǒng)計檢驗應(yīng)用于最終識別結(jié)果.

5.5 其他常用方法

除了以上方法,還有其他常用的一些如最近鄰法(The Nearest Neighbor),k-近鄰法(k-Nearest Neighbor,kNN)和動態(tài)時間規(guī)整DTW(Dynamic Time Warping,DTW)的方法.

最近鄰法的主要思想是為了判定未知樣本的類別,以全部訓(xùn)練樣本作為代表點,計算未知樣本與所有訓(xùn)練樣本的距離,并以最近鄰者的類別作為決策未知樣本類別的唯一依據(jù).文獻(xiàn)[73,74]采用最近鄰法實現(xiàn)步態(tài)的分類識別.但是最近鄰法對噪聲數(shù)據(jù)較為敏感,所以對最近鄰算法進(jìn)行延伸得到k-近鄰法.kNN分類器是基于模型向量機(jī)的算法,在分類決策時,kNN分類器只與極少量的相鄰樣本有關(guān),且kNN分類器的訓(xùn)練過程較簡單,無需估計參數(shù),適合于多分類問題.文獻(xiàn)[75,76]是采用k-近鄰法分類的方法進(jìn)行步態(tài)分類識別.動態(tài)時間規(guī)整DTW是將不同時間長度的運動特征模板按照一定的時間規(guī)整曲線規(guī)整,從而使特征模板長度達(dá)到一致,然后再進(jìn)行匹配,這種方法的優(yōu)勢是可以解決動態(tài)模式的相似性度量和匹配問題[32].文獻(xiàn)[48,77]采用的是動態(tài)時間規(guī)整的方法.

6 步態(tài)識別總結(jié)展望

6.1 步態(tài)識別研究已解決的難點

在步態(tài)特征提取及別研究中,運動人體穿著如服飾,鞋子之類,人體運動速度及地面狀況等多種因素都會影響步態(tài)的識別結(jié)果,步態(tài)序列拍攝時的分辨率和角度問題也嚴(yán)重影響步態(tài)識別的最終結(jié)果.以下主要從衣著服飾,速度,角度三個方面分析當(dāng)前已解決的難點問題.

Yu Guan等[78]分析了服裝、地面等因素單獨影響識別性能的程度提出了一種基于隨機(jī)子空間方法(RSM)和多數(shù)表決(MV)的分類器集成方法,實驗效果較好.Rida等[13]提出了一種將統(tǒng)計依賴(SD)特征選擇與全球定位保留投影(GLPP)相結(jié)合的新方法,減輕類內(nèi)變化的影響,改善了服裝變化和攜帶條件等對識別性能產(chǎn)生的不利影響.

賁睨燁等[79]提出一種線性插值方法對速度不等的步態(tài)識別具有很好的魯棒性.文獻(xiàn)[80]通過使用受影響較小的身體部位,提出了一個通用的特征集為基礎(chǔ)的方法來恢復(fù)速度的過渡,改善了步行速度變化帶來的步態(tài)識別問題.

解決視角變化的步態(tài)識別有完整的典型相關(guān)分析(C3A)[81]和Connie提出的組合多視角矩陣表示法和新型隨機(jī)核心極限學(xué)習(xí)機(jī)的方法[82].

6.2 步態(tài)識別發(fā)展趨勢

6.2.1 特征融合

多模態(tài)生物特征識別是利用兩種或兩種以上的個體模態(tài)來提高傳統(tǒng)的單一模態(tài)的方法,用步態(tài)與其它的生物特征融合可以提高識別的魯棒性[42].2010年,耿新等[83]提出情境感知的融合方法,并將人臉和步態(tài)進(jìn)行動態(tài)自適應(yīng)地融合,實驗結(jié)果比單一生物識別方法具有更高的識別率.2015年,文獻(xiàn)[84]在文獻(xiàn)[83]基礎(chǔ)上,對多個角度視頻下的人臉和步態(tài)提出了基于決策層的自適應(yīng)加權(quán)融合方法.除此之外,Zhang等[60]采用步態(tài)、人臉和掌紋三種不同模態(tài),將來自不同身份和模式的所有原始生物特征數(shù)據(jù)投影到統(tǒng)一的子空間上,結(jié)果運行良好.多模態(tài)生物特征識別是步態(tài)識別領(lǐng)域的發(fā)展趨勢.

6.2.2 復(fù)雜背景下大規(guī)模數(shù)據(jù)庫的建立

步態(tài)識別算法在大規(guī)模數(shù)據(jù)庫上的研究還不太多,復(fù)雜背景下大規(guī)模數(shù)據(jù)庫的建立是真實生活場景下進(jìn)行步態(tài)識別的基礎(chǔ),充分研究在多視角下,多人行走以及不同的光照條件等復(fù)雜環(huán)境下的步態(tài)識別算法,對開發(fā)實時穩(wěn)定的步態(tài)識別身份認(rèn)證系統(tǒng)具有重要研究意義.

6.2.3 多臺攝像機(jī)和三維方法的應(yīng)用

目前的步態(tài)識別算法大部分采用一臺攝像機(jī)獲取步態(tài)數(shù)據(jù),利用二維方法進(jìn)行步態(tài)識別,為了提高識別效果,可以研究多臺攝像機(jī)和三維方法的步態(tài)識別算法應(yīng)用.通過使用多臺攝像機(jī),可以改善遮擋問題帶來的特征提取問題;對人體運動進(jìn)行三維建模,可以更加準(zhǔn)確的提取人體的步態(tài)運動特征,實現(xiàn)更加復(fù)雜的特征匹配,多臺攝像機(jī)和三維方法也是進(jìn)行人體識別的趨勢所在[48].

7 本文小結(jié)

步態(tài)識別作為當(dāng)下生物特征識別領(lǐng)域的研究熱點,以其自身的優(yōu)勢在智能監(jiān)控,人機(jī)交互,安防領(lǐng)域等方面有廣泛的應(yīng)用前景.本文主要從人體檢測,步態(tài)周期性,特征提取,識別分類四方面綜述了步態(tài)識別的各種方法,其中人體檢測主要介紹了當(dāng)前步態(tài)數(shù)據(jù)庫和前景分割兩部分,當(dāng)前數(shù)據(jù)庫規(guī)模較小,在復(fù)雜背景下大規(guī)模數(shù)據(jù)庫中進(jìn)行前景分割有待提高.周期性是對步態(tài)的一個直觀分析,在步態(tài)的周期內(nèi)進(jìn)行特征提取可以減小計算量,目前步態(tài)特征提取的發(fā)展方向是特征融合,多個特征組成特征向量以達(dá)到更高的特征唯一性.分類識別是整個步態(tài)識別系統(tǒng)的最終目的,可根據(jù)不同的步態(tài)場景選擇不同分類識別方法.當(dāng)前步態(tài)識別的算法僅僅停留在解決或改善了部分問題的基礎(chǔ)上,多數(shù)研究成果還不能滿足實際應(yīng)用的需要.所以基于視覺的步態(tài)識別研究,還需要廣大科研工作者繼續(xù)在步態(tài)識別領(lǐng)域探索和發(fā)展.