正面視角下運(yùn)動人體步態(tài)特征提取與識別研究

1、 本科畢業(yè)設(shè)計(jì)（論文）正面視角下運(yùn)動人體步態(tài)特征提取與識別研究沈林燕山大學(xué)里仁學(xué)院2015年 6 月 本科畢業(yè)設(shè)計(jì)（論文）正面視角下運(yùn)動人體步態(tài)特征提取與識別研究學(xué) 院： 里仁學(xué)院 專 業(yè)： 2011測控技術(shù)與儀器 學(xué)生 姓名： 沈林 學(xué) 號： 111203021100 指導(dǎo) 教師： 陳華 答辯 日期： 2015年6月23日 燕山大學(xué)畢業(yè)設(shè)計(jì)（論文）任務(wù)書學(xué)院：電氣工程學(xué)院 系級教學(xué)單位：儀器科學(xué)與工程系 學(xué)號111203021100學(xué)生姓名沈林專 業(yè)班 級檢測11-2題目題目名稱正面視角下運(yùn)動人體步態(tài)特征提取與識別研究題目性質(zhì)1.理工類：工程設(shè)計(jì) （ ）；工程技術(shù)實(shí)驗(yàn)研究型（ ）；理論研究型

2、（ ）；計(jì)算機(jī)軟件型（ ）；綜合型（ ）2.管理類（ ）；3.外語類（ ）；4.藝術(shù)類（ ）題目類型1.畢業(yè)設(shè)計(jì)（ ） 2.論文（ ）題目來源科研課題（ ） 生產(chǎn)實(shí)際（ ）自選題目（ ） 主要內(nèi)容1. 掌握常用特征提取與識別方法；2. 分析正面視角視頻圖像特點(diǎn)，確定人體行走步態(tài)特征提取與識別方法；3. 識別結(jié)果與現(xiàn)有方法進(jìn)行比較?；疽?. 按電氣工程學(xué)院本科生學(xué)位論文撰寫規(guī)范的要求完成設(shè)計(jì)論文一份（不少于2.4萬字），A0圖紙。說明書及插圖一律打印，要求條理清晰、文筆流暢、圖形及文字符號符合國家現(xiàn)行標(biāo)準(zhǔn)。2按學(xué)院指定的地點(diǎn)進(jìn)行設(shè)計(jì)，嚴(yán)格按照進(jìn)度計(jì)劃完成畢業(yè)設(shè)計(jì)任務(wù)。參考資料1. 特征提取與

3、識別相關(guān)文獻(xiàn)；2. 數(shù)字圖像處理參考書。周 次14周58周912周1316周1718周應(yīng)完成的內(nèi)容查閱相關(guān)資料確定特征提取與識別方法算法的軟件實(shí)現(xiàn)與實(shí)驗(yàn)撰寫論文畫圖、準(zhǔn)備答辯指導(dǎo)教師：陳華職稱：副教授 2015年1月4 日系級教學(xué)單位審批： 年 月 日摘要 摘要步態(tài)識別作為一種新興的特征識別技術(shù)，目的在于根據(jù)人的走路特征來進(jìn)行身份識別。與人臉識別、指紋識別等比較具有遠(yuǎn)距離、非接觸、難偽裝、難隱秘的特點(diǎn)，是遠(yuǎn)距離情況下最有效的一種生物特征識別技術(shù)，在智能監(jiān)控和人體行為的識別分析方面具有廣闊的應(yīng)用前景，近年來成為研究熱點(diǎn)。 一個(gè)完整的步態(tài)識別過程通常包括運(yùn)動預(yù)處理、目標(biāo)檢測、周期檢測、特征提取和分

4、類識別五個(gè)階段?，F(xiàn)有的步態(tài)識別研究算法大多數(shù)是基于側(cè)面視角的，正面視角的步態(tài)識別研究算法特別少，而在步態(tài)識別中考慮行走方向已經(jīng)成為一個(gè)挑戰(zhàn)性的研究問題，為此，本文針對理想環(huán)境下的正面步態(tài)進(jìn)行了識別研究。 首先，針對采用傳統(tǒng)目標(biāo)檢測方法進(jìn)行正面目標(biāo)檢測時(shí)，人體二值化圖像常出現(xiàn)大面積空洞，或者在人體下肢區(qū)域出現(xiàn)大面積陰影等情況，本文提出了一種特殊的背景減差法，即對人體上下部分分別閾值二值化，然后把二值化后的圖像處理得到完整的二值化人體輪廓。 對于正面周期檢測，首先利用人體學(xué)髖關(guān)節(jié)思想找到能夠劃分人體左右腿的最佳點(diǎn)(P點(diǎn))，然后根據(jù) P 點(diǎn)提出了一種新的周期檢測方法，利用人體下肢角度正切值求周期。

5、然后，針對目前正面步態(tài)識別率不高，步態(tài)特征單一的情況，本文基于特征融合提出了一種正面視角步態(tài)識別算法：基于統(tǒng)一 Hu 矩和人體下肢角度特征融合的識別算法，并將這種算法與其他現(xiàn)有的算法進(jìn)行了實(shí)驗(yàn)對比分析。最后采用支持向量機(jī)作為分類器，實(shí)驗(yàn)均在中科院 CASIA 步態(tài)數(shù)據(jù)庫上進(jìn)行訓(xùn)練、識別，實(shí)驗(yàn)結(jié)果表明，所用方法取得了較高的識別率，具有一定的可行性。關(guān)鍵詞：步態(tài)特征、周期、差分法、統(tǒng)一Hu矩、特征融合、支持向量機(jī)。AbstractAs a new feature recognition technology, gait recognition is based on the characteris

6、tics of human walking. With face recognition, fingerprint recognition, compared with remote, non-contact, difficult to disguise or hidden features, is far away the most effective a biometric identification technology, in recognition of intelligent monitoring and human behavior analysis has broad app

7、lication prospects. In recent years become research hotspot.A complete gait recognition process usually includes five stages: motion preprocessing, target detection, periodic detection, feature extraction and classification. Existing gait recognition algorithms are mostly based on the side view, fro

8、nt view gait recognition algorithm, especially small, in gait recognition in considering the direction of travel has become a challenging research problem. Therefore, in this paper, an ideal environment for the frontal gaits were recognition of.First, when the positive target detection using the tra

9、ditional target detection methods, human binary image often appear large area empty, or in the area of human lower limb appeared large area shadows, this paper presents a special background subtraction method, namely the human body parts were threshold binarization, then the binary image after proce

10、ssing to obtain complete binary contour of the human body.For the positive cycle detection. First of all, the human body hip joint method to classify human legs around the optimum point (P), and then puts forward a new method of cycle detection according to the point P, the human lower limb angle ta

11、ngent value for the cycle.Then in view of the current positive gait recognition rate is not high, gait characteristics of a single situation, this paper based on feature fusion a front view gait recognition algorithm is proposed: Based on unified Hu moments and the lower limb of the human body angle

12、 feature fusion recognition algorithm, and this algorithm with other now some algorithm of experimental contrast analysis.Finally, the support vector machine (SVM) as a classifier, experiments were performed on CASIA gait database for training, recognition, and the experimental results show that met

13、hod has higher recognition rate and has certain feasibility.Keywords ：Gait features, period, difference method, unified Hu moment, feature fusion and support vector machine.III燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 目 錄摘要IAbstractII第1章 緒論11.1 步態(tài)識別的研究背景和意義11.2 國內(nèi)外研究現(xiàn)狀31.2.1 國外研究現(xiàn)狀31.2.2 國內(nèi)研究現(xiàn)狀51.3 步態(tài)識別和分析的應(yīng)用61.4 步態(tài)識別的研究難點(diǎn)71

14、.5 本文主要研究內(nèi)容8第2章 基于改進(jìn)背景減差法的運(yùn)動目標(biāo)檢測102.1 引言102.2 目標(biāo)檢測方法102.2.1 背景減差法102.2.2 改進(jìn)的背景減差法112.3 形態(tài)學(xué)去噪132.4 連通性分析和去除冗余幀132.5 利用人體下肢角度求周期14 2.5.1 定位劃分左右腳的最佳點(diǎn)(P 點(diǎn))14 2.5.2 確定 BAC152.6 本章小結(jié)17第3章 靜動態(tài)特征提取183.1 引言183.2 基于模型法的特征提取183.3 統(tǒng)一Hu矩靜態(tài)特征提取213.4 下肢關(guān)節(jié)角度的動態(tài)特征提取243.5 本章小結(jié)26第4章 基于支持向量機(jī)的步態(tài)特征識別274.1 引言274.2常用模式識別方法

15、274.3 支持向量機(jī)284.4 基于統(tǒng)一 Hu 矩和下肢角度特征融合的識別算法324.5 本章小結(jié)32結(jié)論34參考文獻(xiàn)36致謝39附錄1 開題報(bào)告40附錄2 中期報(bào)告43附錄3 文獻(xiàn)翻譯49V第1章 緒論 第1章 緒論1.1 步態(tài)識別的研究背景和意義隨著當(dāng)今社會科技迅猛發(fā)展，人們對公共安全越來越重視,信息安全也表現(xiàn)出前所未有的重要性。身份識別作為信息安全的必要前提，也受到越來越多的關(guān)注。然而對于傳統(tǒng)意義上的身份識別技術(shù)來說，一般包含身份標(biāo)識物品和身份標(biāo)識知識，鑰匙、證件等身份標(biāo)識物品既容易因?yàn)榇中拇笠舛鴣G失又很容易被犯罪分子偽造，而口令、密碼等身份標(biāo)識知識，假如我們沒有受過專業(yè)的記憶訓(xùn)練，時(shí)

16、間稍微一長我們就會很容易將它們遺忘或者混淆，特別是在當(dāng)今這個(gè)科技發(fā)達(dá)的信息社會中，簡單的身份識別技術(shù)，因?yàn)闊o法保證身份確認(rèn)的唯一性和準(zhǔn)確性，所以很容易被高科技犯罪分子識破。這時(shí)生物識別技術(shù)就這種情況下應(yīng)運(yùn)而生了，生物識別技術(shù)包括基于固有生理特征或獨(dú)特行為特征的識別方法1。生物特征可以是靜態(tài)的或動態(tài)的。靜態(tài)特征可以用手、指紋、人臉、虹膜、視網(wǎng)膜和耳朵的形狀來描述；另一方面動態(tài)特征可以用簽名、聲音、輸入模式、步態(tài)等來描述，研究人員已經(jīng)開發(fā)出手勢、指紋、人臉和表情、語音識別技術(shù)。由于指紋識別需要身體的接觸，而人臉與虹膜識別需要特定的環(huán)境，所以目前大多數(shù)的研究主要集中在面部和表達(dá)分析、人體跟蹤、手勢識

17、別和人耳識別。最近，步態(tài)識別已成為身份識別中一個(gè)爭相追捧的研究焦點(diǎn)。 在任何的生物機(jī)械意義上，人類行走運(yùn)動體現(xiàn)了數(shù)以百計(jì)的肌肉和關(guān)節(jié)。盡管所有的步行方式是基于雙足運(yùn)動，然而由于步態(tài)是通過肌肉和骨骼結(jié)構(gòu)由許多不同周期和振幅的運(yùn)動組成的，因此步態(tài)被認(rèn)為是獨(dú)特的。步態(tài)可以用數(shù)以百計(jì)的動態(tài)參數(shù)來描述，例如，關(guān)節(jié)角速度和加速度。然而，在計(jì)算機(jī)視覺領(lǐng)域由于低分辨率很難將這些參數(shù)和特征進(jìn)行有效的提取。步態(tài)識別包括目標(biāo)檢測與識別、跟蹤和行為理解。從技術(shù)角度來看，步態(tài)識別與模式識別、圖像處理、計(jì)算機(jī)視覺和人工智能等息息相關(guān)2。然而步態(tài)識別還存在許多重大的挑戰(zhàn)包括：從動態(tài)背景中精確的提取目標(biāo)、非剛性運(yùn)動過程和隱藏

18、的對象問題。 步態(tài)識別的目的是克服背景和服裝的干擾對行人進(jìn)行識別。優(yōu)點(diǎn)包括它不需要對象的合作或身體接觸和傳感器可以安裝在離行人較遠(yuǎn)的位置。例如，銀行劫匪經(jīng)常戴著面具，眼鏡和手套，這時(shí)沒法使用人臉識別和指紋識別。在這種情況下，由于步態(tài)具有低分辨率和難以隱藏的生物特征，步態(tài)可能是唯一有用的識別技術(shù)，尤其適合于安全敏感場合的應(yīng)用監(jiān)控，如機(jī)場、銀行、軍事基地等場合，對可疑人員進(jìn)行快速的檢測、識別，判斷其進(jìn)入的權(quán)限。而且不斷發(fā)生的恐怖事件已使人們意識到安全的重要性，尤其在美國“911”事件以后，各國對遠(yuǎn)距離非接觸身份識別技術(shù)給予了高度關(guān)注，步態(tài)識別恰恰為遠(yuǎn)距離身份識別提供了重要的技術(shù)手段3。 當(dāng)然步態(tài)識

19、別也存在一定的局限性，例如，當(dāng)數(shù)據(jù)庫的規(guī)模較大時(shí)，步態(tài)特征可能不足。步態(tài)識別的結(jié)果取決于許多因素，比如說步態(tài)會隨著人的生理狀況(懷孕、酗酒、骨骼損傷等)和環(huán)境的改變而改變，并且同一個(gè)人的步態(tài)在他(她)的不同的人生階段，由于身高、體重、習(xí)慣和骨骼結(jié)構(gòu)的變化也會產(chǎn)生明顯的變化。 因此，在當(dāng)今社會還沒有出現(xiàn)一種適合任何環(huán)境、任何場合都適用的生物識別技術(shù)，我們需要考慮到實(shí)際情況，比如說性價(jià)比、識別率的高低、識別時(shí)間的快慢、應(yīng)用的場合等等，來選擇一種適合我們的生物識別技術(shù)。 近年來，步態(tài)識別的研究者越來越多，相比較其他生物識別技術(shù)而言，步態(tài)有以下優(yōu)點(diǎn)：1、非侵犯性(Unobtrusive)。指紋、虹膜等

20、生物特征的采集需要用戶的合作(主動接觸指紋儀、注視虹膜捕捉等)，所以它們有可能引起某些用戶的反感和抵制，而步態(tài)則可以在被觀察者不知情的情況下進(jìn)行步態(tài)特征的秘密觀察和提取，不需要被觀察者的密切協(xié)作。2、遠(yuǎn)距離識)(Recognitionat a Distance)。一般的生物特征如人臉和指紋等都需要近距離的接觸來提取特征，指紋特征的提取需要指紋掃描儀，人臉需要近距離的捕捉以滿足分辨率的要求，而步態(tài)特征則可以在遠(yuǎn)距離(150米甚至更遠(yuǎn))捕捉到。3、清晰度要求低。與人臉、指紋等特征不同的是，步態(tài)特征在分辨率較低的圖像中也能較好地提取。4、難以隱藏和偽裝。人臉可以通過面具、蒙面等形式加以隱藏，指紋可以

21、通過手套等加以隱藏，但個(gè)體自身的走路姿勢卻很難加以隱藏或偽裝，如果故意偽裝自己的行走行為則會在監(jiān)控中表現(xiàn)的更加可疑。當(dāng)然，根據(jù)同常生活經(jīng)驗(yàn)也可以得到，步態(tài)容易受到以下因素的影響：l、身體狀況。身體不舒服、喝酒甚至生病、腿部受傷都會影響走路姿勢。2、情緒狀態(tài)。心情好時(shí)步伐會更輕盈、速度更快，心情不好時(shí)，步伐會沉重。3、著裝因素。同一人穿著不同種類的衣服(緊身或?qū)挻?時(shí)，身體在二維平面的投影會出現(xiàn)變化，提取出的步態(tài)特征可能會差別很大。4、攜帶物體。背包、傘等攜帶物會使人體輪廓產(chǎn)生變化，攜帶物對運(yùn)動人體產(chǎn)生遮擋，隨著負(fù)重的增加，人的行走速度和步調(diào)也會明顯降低。5、行走路面。行走路面會影響小腿以下部分

22、的輪廓提取，特殊路面也會對人的行走方式產(chǎn)生影響。草地上行走時(shí)，草叢會對人腳產(chǎn)生一部分的遮擋，行走在上坡和下坡路面上時(shí)，人的步態(tài)肯定是不一樣的4。從上述各種生物識別技術(shù)的介紹中可以看到，任何一種生物特征都不可能適用于所有場合，實(shí)際應(yīng)用時(shí)，要根據(jù)所需的識別準(zhǔn)確度、能承受的代價(jià)以及對侵犯性、成熟程度等的要求進(jìn)行合理選擇。由于步態(tài)識別具有低分辨率和難以隱藏的生物特征，步態(tài)可能是唯一有用的識別技術(shù)，尤其適合于安全敏感場合的應(yīng)用監(jiān)控。因此，步態(tài)識別技術(shù)對于計(jì)算機(jī)識別領(lǐng)域和模式識別領(lǐng)域具有重要的研究意義。1.2 國內(nèi)外研究現(xiàn)狀 1.2.1 國外研究現(xiàn)狀實(shí)時(shí)了解在各個(gè)領(lǐng)域發(fā)生了什么狀況，采用過程監(jiān)控進(jìn)行識別身

23、份和應(yīng)對緊急情況，這些對于國土安全的應(yīng)用來說是非常重要的，在這種情況下，對遠(yuǎn)程步態(tài)識別研究是有價(jià)值的。然而真正對于步態(tài)識別的研究工作發(fā)端于 HID 研究計(jì)劃，該研究計(jì)劃項(xiàng)目 2000 年 9 月由美國國防部高級項(xiàng)目研究署 DARPA 提出，目的是為了在民用和國防等場合下，增強(qiáng)免遭恐怖襲擊的能力，提高自動保衛(wèi)能力，其任務(wù)是開發(fā)大范圍、多模式的視頻監(jiān)控技術(shù)以實(shí)現(xiàn)人體在遠(yuǎn)距離下的身份識別。許多大學(xué)和研究機(jī)構(gòu)也參與此項(xiàng)目并取得了很多具有價(jià)值的研究成果，包括：卡耐基梅隆大學(xué)(CMU)、馬里蘭大學(xué)(UMD)、英國南安普敦大學(xué)(Soton)、麻省理工學(xué)院(MIT)、佐治亞理工學(xué)院、南安普敦大學(xué)等 26 家高

24、校和科研機(jī)構(gòu)，極大地促進(jìn)了步態(tài)識別的研究進(jìn)展，鼓舞了大家對步態(tài)識別的研究熱情。運(yùn)動分析并不是一個(gè)新課題，并且其物理模型早已經(jīng)成功應(yīng)用于醫(yī)學(xué)步態(tài)識別。斯蒂夫尼奇的實(shí)驗(yàn)表明即使在體型和照明變化的情況下也能成功進(jìn)行識別。Amit Kale 在馬里蘭大學(xué)提出一種基于行為的身份識別。來自卡耐基梅隆大學(xué)的 Robert T. Collins 提出了一種基于人體輪廓和步態(tài)的身份識別算法。麻省理工學(xué)院G.Shakhnarovich 給出了一種基于臉和步態(tài)的多角度識別算法。這些研究已經(jīng)極大地改善了步態(tài)識別的研究現(xiàn)狀。 人類步態(tài)識別的應(yīng)用前景激發(fā)了許多研究者和公司在先進(jìn)的人機(jī)接口、監(jiān)控、視頻會議、醫(yī)療診斷和基于內(nèi)

25、容的圖像存儲和檢索等方面的研究興趣。很多國家(如美國和英國)已經(jīng)啟動了相關(guān)的項(xiàng)目。1997 年，美國國防部高級研究計(jì)劃局啟動了視覺監(jiān)視和監(jiān)測(VSAM)項(xiàng)目，許多大學(xué)如卡耐基梅隆大學(xué)、麻省理工學(xué)院等參加也參加這個(gè)項(xiàng)目，目前許多研究結(jié)果已應(yīng)用于日常生活中5。 在過去的二十年里，研究人員和專家已經(jīng)提出了很多步態(tài)識別的算法，主要應(yīng)用于側(cè)面視角的數(shù)據(jù)庫。考慮所有可能的角度來比較所有算法并不簡單，但步態(tài)識別算法可以分為兩類：基于單一視角的步態(tài)識別算法和基于多個(gè)視角的步態(tài)識別算法，這兩種方法都有各自的優(yōu)點(diǎn)和缺點(diǎn)：單一視角方法的優(yōu)點(diǎn)在于系統(tǒng)結(jié)構(gòu)簡單，操作方便，但這種方法因?yàn)橛^看范圍是局限于一個(gè)單一的相機(jī)從而

26、限制了信息的獲取。如果目標(biāo)被遮擋或部分的框架，系統(tǒng)可能無法對人進(jìn)行正確識別。多個(gè)視角方法利用將兩個(gè)或兩個(gè)以上的攝像頭置于不同的位置，擴(kuò)大了觀察范圍，從而獲得了更多的信息。然而對基于多視角的算法來說，不同攝像頭的標(biāo)定也將是個(gè)難點(diǎn)，另一個(gè)問題是會增加額外的費(fèi)用和計(jì)算復(fù)雜度。 仔細(xì)考慮到上述方法和步態(tài)的特點(diǎn)，一些研究人員已經(jīng)決定專注于單一視角的步態(tài)算法研究。Ivan Laptev 等人擴(kuò)展了空間興趣點(diǎn)的概念到時(shí)空域，顯示一個(gè)視頻如何在局部的時(shí)空特征中，從復(fù)雜的背景場景中對動態(tài)步行的人進(jìn)行檢測。然而，他們沒有考慮的時(shí)空描述子的運(yùn)動方向不變性，圖像對比度和旋轉(zhuǎn)的變化。所有這些方法都是基于使用一個(gè)攝像機(jī)的

27、單一側(cè)視圖。這意味著，行走方向必須平行于攝像機(jī)，否則識別就會失敗。 南佛羅里達(dá)大學(xué)(University of South Florida )率先建立了步態(tài)數(shù)據(jù)庫并且對該領(lǐng)域中所面臨的研究難點(diǎn)和技術(shù)重點(diǎn)進(jìn)行了詳細(xì)的敘述；卡耐基梅隆大學(xué)(CMU)則利用訓(xùn)練樣本和識別樣本的關(guān)鍵幀特征進(jìn)行相似性識別；南安普頓大學(xué)利用人體腿部的運(yùn)動模型在小樣本數(shù)據(jù)庫上進(jìn)行了分類識別；麻省理工大學(xué)(MIT)將運(yùn)動人體的側(cè)面二值化圖像近似為七個(gè)橢圓形的組合，通過提取每個(gè)橢圓的質(zhì)心坐標(biāo)、長軸方向和長短軸之比，以及人體的質(zhì)心高度作為特征，通過模板匹配的方法來進(jìn)行分類識別6。1.2.2 國內(nèi)研究現(xiàn)狀我國對人體步態(tài)分類識別的研究

28、起步較晚，但是近年來某些高校和研究所在這一領(lǐng)域還是取得豐碩的果實(shí)。歸國博士譚鐵牛等人領(lǐng)導(dǎo)的中科院自動化所是其中的領(lǐng)軍人物。中國科學(xué)院自動化所的胡衛(wèi)明和王亮提出的基于主成分分析的步態(tài)識別方法，其研究成果被國內(nèi)外諸多高校和研究機(jī)構(gòu)的相關(guān)研究項(xiàng)目所引用。此外，在這一領(lǐng)域進(jìn)行研究的研究機(jī)構(gòu)還有清華大學(xué)生物醫(yī)學(xué)工程研究所，浙江工程學(xué)院模式識別研究中心，浙江工程學(xué)院信息電子學(xué)院等等。 目前關(guān)于步態(tài)的研究大部分都是基于側(cè)面視角的，魏敏提出了一個(gè)基于傅立葉描述子的步態(tài)特征提取和人體識別的方法。洪哲提出了一種基于傅立葉描述子的步態(tài)識別算法，使用背景減除法提取了人體輪廓后，對步態(tài)周期進(jìn)行了分析，然后從視頻中提取關(guān)

29、鍵幀。傅立葉描述子被用來處理輪廓序列，利用壓縮技術(shù)進(jìn)行降維處理，隨后他利用模板匹配和最鄰近進(jìn)行分類和識別。顧磊提出了一種基于圖像序列的人體步態(tài)識別方法。相對于基于側(cè)面步態(tài)識別的研究來說，基于其他視角特別是正面視角步態(tài)識別的研究相對來說就少很多。在文獻(xiàn)7中提出了一種基于平行線約束下而設(shè)定的，與視角無關(guān)的步態(tài)識別算法，但是這樣的約束條件有時(shí)并不合適。文獻(xiàn)8提出了類似的基于肢體長度的多視角步態(tài)識別算法，在 45和 90視角下得到了滿意的識別率。北京交通大學(xué)的高海燕提出了一種利用人體下四分之一區(qū)域左右腿像素點(diǎn)之差求周期，然后基于傅立葉描述子的正面步態(tài)識別的算法。但是，該方法存在周期檢測不精確、識別率不

30、高等不足之處。1.3 步態(tài)識別和分析的應(yīng)用 步態(tài)識別涉及心理學(xué)、生理學(xué)、力學(xué)、計(jì)算機(jī)圖形學(xué)等，它在許多領(lǐng)域有潛在的應(yīng)用。在安全監(jiān)控中，步態(tài)識別可用于識別個(gè)體和檢測可疑和潛在的有害行為，因此它可以用于敏感的環(huán)境管理。步態(tài)識別在日常生活中也有應(yīng)用，例如，它已經(jīng)被有效地用于體育的選擇最佳策略。步態(tài)識別也被應(yīng)用于病人復(fù)蘇和臨床診斷。功能性電刺激(FES)基于步態(tài)分析有助于病人恢復(fù)正常行走能力。此外，步態(tài)分析可應(yīng)用于機(jī)器人控制。例如，它可以幫助穩(wěn)定的復(fù)雜的行為像攀登。在計(jì)算機(jī)游戲產(chǎn)業(yè)，模擬步行可以提高立體感覺和興趣。顯然，步態(tài)識別和分析具有廣泛的應(yīng)用。下面我們對步態(tài)識別的應(yīng)用進(jìn)行簡單的介紹： (1) 智

31、能監(jiān)控系統(tǒng) 訪問控制是人類識別的一個(gè)重要的應(yīng)用領(lǐng)域，具體地說，就是使用面部識別和步態(tài)識別限制人們訪問某些特定地區(qū)；另一個(gè)應(yīng)用在如在停車場、超市、自動取款機(jī)和公交車站等特定領(lǐng)域的可疑行為。當(dāng)有可疑行為時(shí)，智能監(jiān)控系統(tǒng)可以發(fā)出警報(bào)或簡單地記錄行為。 (2) 虛擬現(xiàn)實(shí) 虛擬現(xiàn)實(shí)提供了一個(gè)環(huán)境，在這個(gè)環(huán)境中我們可以模擬與現(xiàn)實(shí)世界一樣的虛構(gòu)世界。為了表示在虛擬世界中的運(yùn)動，我們可以先獲得來自真實(shí)世界的位置，方向和運(yùn)動信息，然后投影到虛擬世界中，添加手勢，頭部動作和面部表情為用戶提供了更廣泛的互動。此外，運(yùn)動分析、視頻游戲、視頻會議和動畫制作也有了更廣泛的發(fā)展空間。 (3) 高級用戶接口 在未來，我們希望

32、機(jī)器人能夠利用視覺信息作為語音和語言的有效補(bǔ)充。這需要獨(dú)立感知信息的能力和有效地提取信息的能力。理解人類行為，包括面部識別、人體動作識別、步態(tài)識別等都可以導(dǎo)致一個(gè)更高層次的人機(jī)交互。 (4) 運(yùn)動分析 有三個(gè)主要的應(yīng)用，首先，整體運(yùn)動分析可以用于特定數(shù)據(jù)庫的圖像搜索，如與運(yùn)動相關(guān)的數(shù)據(jù)庫。第二，在體育領(lǐng)域、跳舞、運(yùn)動分析可以通過引入一個(gè)人體模型和聯(lián)合分析來糾正運(yùn)動的姿勢。第三，醫(yī)學(xué)步態(tài)分析在為診斷和治療方面提供了支持，步態(tài)識別在臨床醫(yī)療上蓬勃發(fā)展并且成為治療相應(yīng)疾病的有力工具，是隨著信息技術(shù)的快速發(fā)展而來的。步態(tài)識別在醫(yī)學(xué)上最早是運(yùn)用在中風(fēng)與殘障的診斷和治療方面，以及小兒麻痹的相關(guān)研究上。在

33、1980 年，現(xiàn)代步態(tài)分析先軀、骨科醫(yī)師大衛(wèi)薩蘭德曾經(jīng)說過，人們對行走步態(tài)的了解和對病理步態(tài)治療的思維通過對步態(tài)特征的分析得到了很大的改變9。 1.4 步態(tài)識別的研究難點(diǎn) 現(xiàn)存的所有的步態(tài)識別方法幾乎都是在假定的理想條件之下進(jìn)行的，但是在時(shí)間的應(yīng)用當(dāng)中常常還存在很多我們至今無法解決的研究難點(diǎn)： (1) 遮擋問題：目前幾乎所有的步態(tài)識別研究對象都是基于單一目標(biāo)進(jìn)行的，而在現(xiàn)實(shí)應(yīng)用當(dāng)中往往基于多個(gè)目標(biāo)的，這時(shí)就會出現(xiàn)運(yùn)動目標(biāo)的自遮擋或互遮擋情況，從而造成在目標(biāo)檢測時(shí)無法提取出完整的運(yùn)動目標(biāo)，這必然也會給后面的周期檢測和特征提取過程帶來麻煩，從而造成識別率的下降。目前大多數(shù)的步態(tài)識別系統(tǒng)都不能很好解

34、決的相互遮擋問題，尤其是在擁擠的情況下常常造成訓(xùn)練不足。我們需要建立一個(gè)更好的模型來處理遮擋問題，此外，一般的基于模型的系統(tǒng)又無法確定何時(shí)終止跟蹤。目前存在一個(gè)方法，就是使用統(tǒng)計(jì)學(xué)方法來處理信息的缺乏，采用多攝像機(jī)系統(tǒng)能夠較好地解決了遮擋問題10。 (2) 運(yùn)動目標(biāo)檢測：快速和準(zhǔn)確的運(yùn)動分割是一個(gè)重要而困難的問題，目前大部分的步態(tài)識別視頻和現(xiàn)存的步態(tài)數(shù)據(jù)庫幾乎都是在理想情況在拍攝的，即攝像頭固定、背景簡單且靜止、單一運(yùn)動目標(biāo)等等，可是在實(shí)際圖像采集中的動態(tài)環(huán)境中往往存在各種不確定因素：包括天氣、光照、背景噪聲、陰影、遮擋和微妙的攝像機(jī)運(yùn)動。 1.5 本文主要研究內(nèi)容 目前關(guān)于步態(tài)的研究大部分都

35、是基于側(cè)面視角的，相對于基于側(cè)面步態(tài)識別的研究來說，基于其他視角特別是正面視角步態(tài)識別的研究相對來說就很少，而在一些特定的場合往往就是針對正面視角的步態(tài)圖片或者視頻進(jìn)行處理的，并且相對于側(cè)面步態(tài)視頻而言，在正面步態(tài)視頻中，相機(jī)既不需要平移跟蹤運(yùn)動目標(biāo)也不用必須離運(yùn)動目標(biāo)足夠遠(yuǎn)來捕獲幾個(gè)周期的步態(tài)視頻，所以針對正面視角的步態(tài)識別進(jìn)行研究是非常有必要的。為此，本文針對正面視角步態(tài)識別特別是針對于正面步態(tài)識別中遇到背景顏色與人的穿著相接近時(shí)，造成人體二值化圖像大面積空洞或者人體下肢有陰影等情況，提出了幾種解決方法。本文把正面步態(tài)識別研究算法主要分為運(yùn)動目標(biāo)檢測、周期檢測、特征提取、分類識別四個(gè)過程，

36、最后在分類識別過程中研究了特征融合在步態(tài)識別中的優(yōu)越性。步態(tài)識別的一般流程見圖 1-1 所示。提取前后腳形成的角度確定P點(diǎn)提取輪廓二值化預(yù)處理視頻輸入確定周期統(tǒng)一Hu矩識別分析圖1-1 步態(tài)識別的一般流程課題以視頻監(jiān)控為背景，以人為監(jiān)控對象，研究了如何提取更加有效的步態(tài)特征，并采用支持向量機(jī)在中國科學(xué)院自動化所 CBSR 中心建立的 CASIA 步態(tài)數(shù)據(jù)庫的 Dataset B 數(shù)據(jù)集上進(jìn)行分類識別實(shí)驗(yàn)。本文主要研究內(nèi)容為： (1) 針對本文所用視頻是基于正面視角的這個(gè)特點(diǎn)，采用常用背景減除法進(jìn)行正面目標(biāo)提取時(shí)，人體二值化圖像常出現(xiàn)大面積空洞，并且在人體下肢區(qū)域常常出現(xiàn)大面積陰影，針對這些情況

37、，本文提出了一種改進(jìn)的背景減除法，即對人體上下部分分別閾值二值化。 (2) 針對目前步態(tài)周期檢測方法大部分都適只合側(cè)面步態(tài)識別而不適合正面視角的步態(tài)識別，或者少許適合正面步態(tài)周期檢測但會產(chǎn)生誤差的情況，而以往研究中只利用人體腳部左右像素?cái)?shù)目之差做正面視角的周期檢測時(shí)，左右像素?cái)?shù)目差的變化曲線均值不為 0 從而造成誤差的情況。為了提高周期檢測的精確度，本文提出了利用髖關(guān)節(jié)思想找到能夠劃分人體左右腳的最佳點(diǎn)(P 點(diǎn))，然后根據(jù) P 點(diǎn)利用人體左右腳像素點(diǎn)之差求周期、利用人正面行走時(shí)左右腳最低點(diǎn)間的距離變化求周期、利用正面行走時(shí)人體下肢角度正切值的變化求周期三種新的期檢測方法。 (3) 針對目前正面

38、步態(tài)識別率不高，步態(tài)特征單一的情況，本文提出了一種分別提取圖像統(tǒng)一 Hu 矩和步態(tài)周期作為步態(tài)的人體靜態(tài)特征，并且提取人體下肢關(guān)節(jié)角度作為人體步態(tài)的動態(tài)特征，然后將靜態(tài)和動態(tài)特征進(jìn)行特征融合，從而大大的改善了單一特征帶來的識別率低的問題11。 (4) 介紹了所采用的分類器支持向量機(jī)的基本原理，并分別驗(yàn)證了本文提出的三種步態(tài)識別方法：基于步態(tài)周期和統(tǒng)一 Hu 矩特征融合的識別算法、基于統(tǒng)一 Hu 矩和下肢關(guān)節(jié)角度特征融合的識別算法、基于統(tǒng)一 Hu 矩、步態(tài)周期和下肢關(guān)節(jié)角度三種有效特征融合的識別算法，并且對每一種算法的實(shí)驗(yàn)結(jié)果均進(jìn)行了分析比較。 73 第2章 基于改進(jìn)背景減差法的運(yùn)動目標(biāo)檢測 第

39、2章 基于改進(jìn)背景減差法的運(yùn)動目標(biāo)檢測2.1 引言 運(yùn)動檢測的目的是從背景圖像中提取出運(yùn)動目標(biāo)區(qū)域，對運(yùn)動目標(biāo)的精確提取對步態(tài)識別來說是極其重要的，因?yàn)楹罄m(xù)的處理都是針對運(yùn)動目標(biāo)進(jìn)行的，所以人體運(yùn)動目標(biāo)區(qū)域的精確提取直接影響后續(xù)的周期檢測、特征提取和分類識別等后期處理。從視頻序列中提取出人體步態(tài)序列的示意圖見圖 2-1。 圖2-1 運(yùn)動分割示意圖2.2 目標(biāo)檢測方法 由于視頻背景常常處于動態(tài)變化之中，例如光照、陰影等的影響，使得目標(biāo)檢測也成為一項(xiàng)很有挑戰(zhàn)性的工作。目前，目標(biāo)檢測方法有很多，下面介紹兩種常用的目標(biāo)檢測方法，背景減差法和光流法。 2.2.1 背景減差法 在步態(tài)識別中，目標(biāo)提取最常用

40、的方法是背景減除法：該方法是用從視頻提取的當(dāng)前幀減去背景圖像，這是一種基于像素級處理的方法。提取的前景是用于識別和跟蹤。對于運(yùn)動檢測來說這是一個(gè)非常簡單和方便的方法，這種方法的難點(diǎn)不是減法計(jì)算而是如何建立背景模型。有幾個(gè)經(jīng)典的背景減差法，下面介紹幾種具有自適應(yīng)能力的背景減差法。 (1) 平均閾值法：首先計(jì)算出背景像素的平均值，前景像素即是那些差值超過閾值的像素點(diǎn)。 (2) 均值方差法：不斷更新均值和方差，然后計(jì)算距離。如果該距離大于閾值，則設(shè)置像素為前景。 (3) 高斯混合模型的方法：三高斯分布的每個(gè)像素被用來背景建模。權(quán)重是根據(jù)模型計(jì)算權(quán)重匹配頻率。高斯分布擬合，任何權(quán)衡分布大于 50%的被

41、認(rèn)為是背景分布。Stauffer與Grimson 采用自適應(yīng)的混合高斯背景模型，有效地解決了光照和背景的影響。 (4) 歸一化法：圖像分成幾個(gè)部分，每一部分由它的均值和標(biāo)準(zhǔn)偏差表示。規(guī)范化后，與期望值相差最大的部分被認(rèn)為是前景。 (5) 貝葉斯決策方法：使用直方圖來表示的概率密度函數(shù)，具有最大后驗(yàn)概率累積的像素被認(rèn)為是前景。背景減差法是將當(dāng)前圖像與背景圖像的灰度值直接進(jìn)行相減操作，并將差值與某一閾值T 進(jìn)行比較，大于閾值T 的即被認(rèn)為是目標(biāo)點(diǎn)，賦值為 1；反之，認(rèn)為是背景點(diǎn)，賦值為 0，從而檢測出運(yùn)動目標(biāo)。設(shè) f ( x,y,t)為t時(shí)刻序列圖像中點(diǎn) ( x ,y)處的像素值， b ( x,y

42、)為背景圖像中點(diǎn) ( x ,y)處的像素值 12。該方法算法簡單，計(jì)算速度快，能適應(yīng)系統(tǒng)實(shí)時(shí)性的要求，適用于背景靜止或緩慢變化的情況，并且一般能夠提取出較完整的目標(biāo)圖像，但是對動態(tài)場景的變化，如光照、陰影等的影響較為敏感。 Kalman 與 Brandt 、 Kilger 根據(jù)卡爾曼濾波( Kalman Filtering )的自適應(yīng)背景模型來減少天氣和光照的變化所帶來的影響。2.2.2 改進(jìn)的背景減差法 當(dāng)我們采用背景減差法(也就是背景減除法)進(jìn)行正面視角的目標(biāo)檢測時(shí)，針對本文所采用的視頻特點(diǎn)：比如遇到人體穿著與背景相似即前景和背景顏色相近的情況時(shí)，很難從噪聲中將運(yùn)動目標(biāo)區(qū)域完全地提取出來，

43、常常會出現(xiàn)兩種情況：第一種情況，當(dāng)取較小閾值時(shí)，人體上半部分空洞較小，但人體下肢區(qū)域常常會出現(xiàn)大面積的陰影，需要采用合適的方法將其去除；第二種情況，當(dāng)取較大閾值時(shí)，人體下肢區(qū)域的陰影面積較小，但是人體上半會出現(xiàn)大面積的空洞。而且不管我們?nèi)∪魏畏椒ńy(tǒng)一閾值，這兩種情況都無法避免。針對上面的問題：當(dāng)遇到第一種情況時(shí)，我們可以對人體上部分進(jìn)行空洞填充，人體下肢出現(xiàn)的大面積陰影可以采用基于歸一化 RGB 顏色空間的方法進(jìn)行陰影減除；而當(dāng)我們遇到第二種情況時(shí)，雖然人體下半部分不存在陰影，但人體上半部分的空洞采用普通的后處理(開閉運(yùn)算、空洞填充)都無法處理，需要采用運(yùn)算復(fù)雜的中值建模構(gòu)造空洞，然后去除空空

44、洞，或者采用計(jì)算更為復(fù)雜的邊界掃描子算法去除空洞。這些算法對于要求達(dá)到實(shí)時(shí)檢測的步態(tài)識別來說都是不可取的。 為此，本文提出一種改進(jìn)的背景減除法，即對人體上下部分二值化時(shí)分別自適應(yīng)閾值：首先根據(jù)人體根據(jù)人體解剖學(xué)的關(guān)系找到人體髖關(guān)節(jié)(我們將在下章詳細(xì)介紹怎樣進(jìn)行髖關(guān)節(jié)的定位)，然后根據(jù)人體髖關(guān)節(jié)的縱坐標(biāo)圖2-2 分部閾值二值化圖像將人體灰度圖像剪切將其分為上下兩部分，對人體上、下部分分別采用最大類間方差法取合適閾值法進(jìn)行二值化，如圖 2-2 所示。最后再將人體這兩張上下兩部分圖像重新拼接得到我們想要的完整的人體二值化圖片，如圖 2-3 所示。這種方法可以有效的杜絕空洞的出現(xiàn)，不僅可以得到完整的人

45、體二值化輪廓，還能完整保留人體下肢的特征。 圖2-3 完整的二值化圖像2.3 形態(tài)學(xué)去噪 數(shù)學(xué)形態(tài)學(xué)去噪，是利用對人體形態(tài)結(jié)構(gòu)模型的認(rèn)識，用數(shù)學(xué)中關(guān)于拓補(bǔ)學(xué)等知識對的得到的人體運(yùn)動輪廓進(jìn)行修復(fù)和去噪。在我們運(yùn)用改進(jìn)的背景減差法進(jìn)行分部閾值二值化，得到完整的二值化圖像后，除了運(yùn)動區(qū)域被標(biāo)識出來，還有常常很多其他的較小的噪聲區(qū)域，并且在提取出的人體區(qū)域內(nèi)部，也會一些小的縫隙。利用數(shù)學(xué)形態(tài)學(xué)處理的最終目標(biāo)就是去除這一類的小噪聲，使得人體二值化圖像變得更加平滑和完整。形態(tài)學(xué)處理是圖像處理中常用的一種方法。假設(shè)需要進(jìn)行形態(tài)學(xué)處理的圖像是 X ，選定的形態(tài)學(xué)算子是B ，讓B在圖像 X 上移動，根據(jù)各個(gè)操作

46、相應(yīng)的函數(shù)去產(chǎn)生處理后的目標(biāo)圖像14。2.4 連通性分析和去除冗余幀 對圖像進(jìn)行形態(tài)學(xué)處理之后，還是有一些較大的噪聲不能被消除，而且有時(shí)人體區(qū)域內(nèi)部也會出現(xiàn)一些消除不掉的空洞。正是由于這些噪聲的存在，程序便不能完成輪廓邊緣的提取。因此，我們必須在形態(tài)學(xué)處理之后使用連通性算法對圖像再進(jìn)行一次操作。經(jīng)過圖像連通性分析后，即可得到單一的人體運(yùn)動區(qū)域。 利用連通性分析，不僅可以去除較大的運(yùn)動區(qū)域外噪聲，還可以填補(bǔ)運(yùn)動區(qū)域內(nèi)部的空洞。獲得到分割出的運(yùn)動區(qū)域后，首先對整幅圖像進(jìn)行連通性分析，保留最大的黑色連通域作為運(yùn)動目標(biāo)區(qū)域。 冗余幀就是步態(tài)視頻中含有不完整的人體目標(biāo)的二值化圖像，在這些冗余幀中，人體區(qū)

47、域是不完整的，丟失了腳步信息，對周期檢測會造成不良影響，所以必須剔除這些冗余幀，從而獲得有效幀。去除冗余幀的基本算法思想就是，判斷二值化圖像最后一行像素點(diǎn)是否有為 1 的點(diǎn)，有則為冗余幀。冗余幀的去除不僅可以縮短周期檢測的時(shí)間，還可以提高周期檢測的準(zhǔn)確度，減少周期檢測的誤差。 2.5 利用人體下肢角度求周期與其他生物特征識別技術(shù)不同，步態(tài)具有周期性。一個(gè)步態(tài)周期可以看作右腳抬起時(shí)到下一次右腳抬起時(shí)的過程，包括四個(gè)階段：（1）右雙撐，兩腿邁開時(shí)右腳向前；（2）左單撐，兩腳合攏時(shí)左腳擺動；（3）左雙撐，兩腿邁開時(shí)左腳向前；（4）右單撐，兩腳合攏時(shí)右腳擺動15。圖2-4 步態(tài)周期四個(gè)關(guān)鍵幀2.5.1

48、 定位劃分左右腳的最佳點(diǎn)(P 點(diǎn))通過仔細(xì)觀察和實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)人體正面行走時(shí)，髖的寬度變化不大而且是逐漸變大的，但是髖關(guān)節(jié)的橫坐標(biāo)幾乎不變，所以理論上利用髖關(guān)節(jié)思想計(jì)算步態(tài)周期較為準(zhǔn)確。 為了提高周期檢測的準(zhǔn)確度，本文利用髖關(guān)節(jié)找到劃分人體左右腳的最佳點(diǎn)P點(diǎn)，根據(jù)P點(diǎn)求得左右腳最低點(diǎn)形成角度的正切值來得到周期，如圖2-5所示。 圖2-5 P點(diǎn)定位圖2.5.2 確定 BAC通過仔細(xì)觀察和實(shí)驗(yàn)發(fā)現(xiàn)，對于正面步態(tài)，在人從遠(yuǎn)到近的過程中，隨著人體左右腿的擺動，人體左右腳最低點(diǎn)(A點(diǎn)和B點(diǎn))連線間的高低距離差(BC)會產(chǎn)生的一定的角度 BAC，我們簡稱為人體下肢角度，如圖2-6所示。 隨著人體行走一個(gè)周期

49、時(shí)左右腿抬腳的幅度不同， BAC的大小也會發(fā)生變化，并且這角度的大小同樣呈現(xiàn)周期性變化，所以本文首先根據(jù)2.5.1小結(jié)求出的能夠劃分人體左右腿的最佳點(diǎn)(P點(diǎn))，然后根據(jù)P點(diǎn)的橫坐標(biāo)對人體左右腿進(jìn)行準(zhǔn)確的劃分，最后利用人體左右腳最低點(diǎn)間的高低距離差所產(chǎn)生的角度( BAC)的正切值的變化曲線來計(jì)算周期，如圖2-7示。平滑步態(tài)周期曲線，取最后兩個(gè)相鄰波峰波谷之差的平均值求得步態(tài)周期。如圖2-8所示。圖2-6 左右腳最低點(diǎn)形成的角度圖2-7 步態(tài)周期曲線圖2-8 平滑的步態(tài)周期曲線2.6 本章小結(jié) 本章首先介紹了幾種常用的步態(tài)檢測的方法，根據(jù)所采用的視頻特點(diǎn)，針對遇到人體穿著跟背景顏色相近時(shí)的目標(biāo)檢測

50、，采用常用背景減除法進(jìn)行正面目標(biāo)提取時(shí)，人體二值化圖像常出現(xiàn)大面積空洞，并且在人體下肢區(qū)域常常出現(xiàn)大面積陰影，針對這些情況，本文提出了一種改進(jìn)的背景減除法，即對人體上下部分分別閾值二值化，最后經(jīng)過圖像后處理得到理想的二值化運(yùn)動人體。根據(jù)最佳點(diǎn)P點(diǎn)得到左右腳最低點(diǎn)間形成的角 BAC，利用 BAC得出運(yùn)動周期。第3章 靜動態(tài)特征提取 第3章 靜動態(tài)特征提取3.1 引言 圖像特征是指圖像本身所具有的原始特性或者屬性。每一幅圖像都有一些別的圖像沒有的自身特征，包括人類視覺能夠直接感受到的自然特性和需要通過測量或者某種變換才能夠得到的人為特征。所以說找出能夠表征運(yùn)動的最有效的特征，就是特征提取和選擇所要

51、完成的首要任務(wù)。而良好的特征往往需要不僅擁有可以很好的與其他特征進(jìn)行區(qū)分的特性，還需要這個(gè)特征擁有可靠性、獨(dú)立性好和數(shù)量少這幾個(gè)特性。3.2 基于模型法的特征提取 這是一種基于人體骨骼和運(yùn)動序列中表現(xiàn)出的運(yùn)動特征基礎(chǔ)上的方法。根據(jù)模型測量并計(jì)算出特征參數(shù)，最后進(jìn)行分類識別。較之基于統(tǒng)計(jì)法，基于模型法能形象直觀地描述人體運(yùn)動中肢體各部分的變化，這種方法可以避免因遮擋和視角問題帶來的影響，通過計(jì)算肢體角度、高度、長度等參數(shù)來識別身份。但是，計(jì)算復(fù)雜。幾種常見的模型有鐘擺模型、人字模型、棍狀模型、線圖模型、3DHW模型和橢圓模型。 （1）鐘擺模型 鐘擺模型是比較早提出的，以腿部結(jié)構(gòu)為基礎(chǔ)，大腿部分看

52、成鐘擺的上部，在髖關(guān)節(jié)和膝蓋之間來回?cái)[動，小腿看成鐘擺的下部，在膝蓋和腳踝之間擺動。從模型中提取角度參量和，腿的長度t1和k1，關(guān)節(jié)點(diǎn)的位移函數(shù)a(t),k(t)和h(t)，髖關(guān)節(jié)在水平和垂直方向的速度vx和vy，示意圖如圖3-1和3-2。 （2）人字模型 該模型是以兩腿為基礎(chǔ)的，兩條腿的交點(diǎn)為髖關(guān)節(jié)，分別測量參數(shù)A、L、W、Ix和Iy，通過這5個(gè)參數(shù)來進(jìn)行身份識別。如圖3-3所示。圖3-1 腿部簡化模型圖3-2 鐘擺模型（3）棍狀模型 該模型是以人體行走時(shí)骨骼結(jié)構(gòu)為基礎(chǔ)的，通過計(jì)算出、來識別身份。如圖3-4所示16。 由于線圖模型，橢圓模型和3DHW模型不是針對正面視角下的，在此不多做介紹了?；谀Ｐ头m然具體形象但是計(jì)算復(fù)雜，在計(jì)算機(jī)視覺方面是個(gè)研究難點(diǎn)，但是基于統(tǒng)計(jì)法的特征提取方法相對計(jì)算簡單，容易出現(xiàn)結(jié)果，目前來說，研究員慣用基于統(tǒng)計(jì)法的特征提取方法，本文也是采用此法，下面做具體介紹。圖3-3 人字模型圖3-4 棍狀模型3.3 統(tǒng)一Hu矩靜態(tài)特征提取影響步態(tài)識別的識別率的因素有很多，針對目前目前針對正面視角所采用的識別方法所得的識別率沒有側(cè)面識別率高、步態(tài)特征單一等情況，因此需要一種更為有效的正面識別方法。本文提出了一種分別提取圖像的統(tǒng)一Hu 矩