正面视角下运动人体步态特征提取与识别研究

LOGO指导教师：陈华正面视角下运动人体步态特征提取与识别研究班级：检测-2学生：沈林学号：111203021100背景随着我们逐渐迈入数字时代，安全问题的日益重要，生物特性识别技术以其良好的安全性，有效性，不易取代性，受到人们的重视。与众多生物特性识别相比较，近年来人体步态特征识别不断受到研究者的青睐。背景意义步态识别的优点：非侵犯性、远距离识别、隐蔽和伪装。因为具有这些优点，可以用到一些像人脸识别，指纹识别不易识别的地方。例如：银行劫匪经常戴着面具，眼镜和手套，这时没法使用人脸识别和指纹识别。因此步态识别可以是和其他生物识别一起识别，起到一种互补作用。国外研究现状该研究计划项目2000年9月由美国国防部高级项目研究署DARPA提出，目的是为了在民用和国防等场合下，增强免遭恐怖袭击的能力，提高自动保卫能力，其任务是开发大范围、多模式的视频监控技术以实现人体在远距离下的身份识别。在过去的二十年里，研究人员和专家已经提出了很多步态识别的算法，主要应用于侧面视角的数据库。国内研究现状我国对人体步态分类识别的研究起步较晚，但是近年来某些高校和研究所在这一领域还是取得丰硕的果实。归国博士谭铁牛等人领导的中科院自动化所是其中的领军人物。在这一领域进行研究的研究机构还有清华大学生物医学工程研究所，浙江工程学院模式识别研究中心，浙江工程学院信息电子学院等等。主要研究步骤视频输入trafficObj2=mmreader('F:\新建文件夹\081-bkgrd-000.avi');%用mmreader读入背景视频文件frameQTY2=get(trafficObj2,'NumberOfFrames');bg=read(trafficObj2,20);imwrite(bg,'frame_20.jpg');bg=imread('frame_20.jpg');%读取原背景图片bg=rgb2gray(bg);trafficObj1=mmreader('F:\新建文件夹\081-bg-01-000.avi');%用mmreader读入视频文件预处理步骤去噪上下半身灰度阈值二值化填充空洞去除空白去噪灰度b=read(trafficObj1,72);img=rgb2gray(b);J=imabsdiff(double(img),double(bg));%减法不会出现负数F=mat2gray(J);img=imnoise(F,'salt&pepper',0.02);%加入椒盐噪声F=medfilt2(img);%中值滤波B=medfilt2(F);I1=imcrop(B,[00320147]);%选择上半身区域I2=imcrop(B,[0148320240]);subplot(2,2,1);imshow(I1);xlabel('上半身灰度图像');subplot(2,2,3);imshow(I2);xlabel('下半身灰度图像');上下半身分开处理当我们采用背景减差法进行正面视角的目标检测时，针对所采用的视频特点：比如遇到人体穿着与背景相似即前景和背景颜色相近的情况时，很难从噪声中将运动目标区域完全地提取出来，常常会出现两种情况：第一种情况，当取较小阈值时，人体上半部分空洞较小，但人体下肢区域常常会出现大面积的阴影。第二种情况，当取较大阈值时，人体下肢区域的阴影面积较小，但是人体上半会出现大面积的空洞二值化%阈值二值化bw1=im2bw(I1,0.08);bw1=imfill(bw1,'holes');%将原图填充孔洞bw2=im2bw(I2,0.28);[m1,n]=size(bw1);[m2,n]=size(bw2);subplot(2,2,2);imshow(bw1);xlabel('上半身二值化图像');subplot(2,2,4);imshow(bw2);xlabel('下半身二值化图像');上下半身灰度图像填充空洞图像去除白块[Lnum]=bwlabel(bw);%黑背景甄别白块块的大小fori=1:numifnumel(find(L==i))1020bw(L==i)=0;end髋点根据人体在解剖学中的比例关系，对髋关节进行准确的定义P点P点横坐标的定位与髋关节类似：Yp=0.66H，从左至右扫描人体二值化图像的第Yp行，得到最左边为1的像素点Xpl和最右边为1的像素点Xpr。Xp=Xpl+（Xpr-Xpl）/2p点算法Y1=round(y0+0.66*H);[mn]=size(LL);%图像大小forj=1:nifB(round(Y1),j)==255X1L=j;break;endendforj=1:nifB(round(Y1),j)==255X1R=j;endendX1=X1L+(X1R-X1L)/2;%髋关节横坐标为X1P点图像左右脚最低点形成角度se=strel('disk',2);Il=imopen(Il,se);[Llnum]=bwlabel(Il);fori=1:numifnumel(find(Ll==i))50Il(Ll==i)=0;endend[Ll,num]=bwlabel(Il,8);[xl,yl]=find(Ll==1);a=max(xl);se=strel('disk',2);Ir=imopen(Ir,se);[Lrnum]=bwlabel(Ir);fori=1:numifnumel(find(Lr==i))50Ir(Lr==i)=0;endend[Lr,num]=bwlabel(Ir,8);[xr,yr]=find(Lr==1);b=max(xr);∠BAC对于正面步态，在人从远到近的过程中，随着人体左右腿的摆动，人体左右脚最低点(A点和B点)连线间的高低距离差(BC)会产生的一定的角度∠BAC，我们简称为人体下肢角度。下肢角度的周期随着人体行走一个周期时左右腿抬脚的幅度不同，∠BAC的大小也会发生变化，并且这角度的大小同样呈现周期性变化。动态特征同一个人的最后一个周期的波谷、波谷值是几乎不变的，也即最后一个周期中人体左右脚最低点间的高低距离差所产生的角度(∠BAC)正切值的最大值和最小值是几乎不变的。而不同人之间的最后一个周期中人体左右脚最低点间的高低距离差所产生的角度(∠BAC)正切值的最大值和最小值却相差较大。所以采用平滑后的步态周期图像中的最后一个周期中的波峰、波谷值作为人体的一个重要动态步态特征。平滑处理动态特征提取提取了6个人的角度特征(∠BAC正切值最大和最小值)Hu矩不变矩的定义最早是在1962年由M.K.Hu提出的。它是常被用来识别区域形状的连续函数，并且具有尺度、旋转、平移不变性等特点。实际在离散情况下，尺度不变性是不成立的。徐学强等在前人原有的研究成果上提高了研究深度，考虑到边界、区域和离散这三种状态并对Hu矩进行统一，得到一组新的同样满足尺度、旋转、平移不变性的表达式，我们把它们叫做统一Hu矩。统一Hu矩数字图像是二维离散的，所以选择统一Hu矩提取6个人的步态序列，每个人60个步态序列，在普通条件，正面视角下提取常用模式识别1.统计模式识别2.句法模式识别3.人工神经网络4.支持向量机支持向量机是一个功能强大的分类器，这种学习算法是一种在分析数据和模式识别中新出现的算法，常用于分类识别和回归分析。它通过结构风险最小化原则建模，将期望风险降到最低，能够较好地解决小样本学习问题。给定一些标记好的训练样本,SVM算法输出一个最优化的分隔超平面。向量机SVM支持向量机核函数的分类(1)线性的核函数(2)多项式的核函数(3)径向基函数(RBF)(4)Sigmoid核函数步态识别是一种线性分类，所以采用线性核函数。基于统一Hu矩和下肢角度特征融合的识别步态周期虽然可以反映人体行走的快慢程度，但是无法反映出人体的运动学特征，而下肢角度特征(人体左右脚最低点所形成的角度正切值)属于动态特征，可以直接体现出人体步态运动过程中抬脚的高低幅度。利用动静特征融合的思想，将统一Hu矩特征和人体下肢角度特征进行融合可以更好的表征运动人体的步态特征，从而提高步态识别的识别率。识别比较结论将步态识别主要分为目标提取、周期检测、特征提取和分类识别这四个过程组成针对本文所用视频的特点，提出了采用背景减除法检测运动人体，并对使用背景减差法进行正面运动目标检测时人体二值化图像常出现大面积空洞和人体下肢区域出现大面积阴影等情况，本文提出了一种有效的解决办法，即对人体上下部分分别阈值二值化。提出了利用髋关节思想找到能够划分人体左右脚的最佳点(P点)，人体左右脚最低点间的距离变化求周期，不仅周期曲线波动小而且耗时最少，所以本文利用该方法进行周期检测。结论针对由于单一特征具有局限性，常常带来的步态识别率低的问题，采用了特征融合的思想，利用了一种将静态特征和动态特征进行特征融合的识别算法。由于时间的限制，虽然本文对正面步态识别的研究工作取得了一定的成果，但仍然有很多需要进一步改进和完善的地方。致谢请各位老师批评指正。