人体非正常步态的非模型及线性变换识别方法

　　步态识别在理解人体运动特征方面具有重要作用。人体运动是一系列具有周期性变化的小的运动重复序列,是由身体多个部分之间的大量相互作用组成的复杂活动。 人体运动提供了重要的生物特征信息,因此被广泛应用于人的身份识别、人类活动分类、情绪检测和性别分类等领域。人体步态运动或步态分析已经被长期研究,并产生了各种应用,如人身识别、身份认证,人体的运动融合等,具体来说,步态识别可以为取证分析提供依据。

　　步态识别是在视频监控拍摄的视频序列中进行预处理操作,包括去背景化等操作,然后提取嫌疑人的步态特征,进而与样本库中的步态特征进行比对,达到识别人身的目的。由于犯罪现场视频中所采集到的犯罪嫌疑人经常是手中提着作案工具等重物行走的,所提取出的步态特征也是非正常行走的步态特征,这就为步态识别工作增添了难度,也为嫌疑人同一认定增加了困难。本文拟提取正常步态与非正常步态的主要特征,找出两种步态之间的联系,进而建立统计学算法,通过一个人非正常行走步态预测出其正常行走步态,为犯罪嫌疑人同一认定提供依据。

　　目前的步态识别算法大体分为两类:基于模型的算法和基于非模型的算法。 其分类依据为是否对人体的结构进行建模。基于模型的算法包括: 椭圆模型、钟摆模型、棍棒模型,多刚体模型等。 这类模型的优点在于:首先,在行走的过程中,身体各个关节的变化可以形象地表示,大多数情况下不受视角变换等因素的干扰;其次,识别率较高,能根据关节点的角度变化等特征较好地进行人身识别,但是人体运动模型的建立一直以来都是个难点问题。 而非模型算法则无需建模,往往通过降维大大减少了计算量,但识别率往往没有基于模型的方法高。

　　非模型方法及线性变换

　　(一)非模型方法

　　本文采用基于非模型的方法即基于统计的方法,计算人在图像帧中轮廓的参数,并将其作为提取特征,不再需要进行建模,一定程度上减少了计筑量。非模型算法使用的前提是假设行走步态随图像序列的改变而改变,不受行走时身体结构、运动特征等因素的影响,且由于提取的是轮廓特征,即使是模糊的图像也可以运用此方法。基于以上优势,非模型方法也成为了当前主流的步态识别算法。 但是非模型方法工作量较大,举例来说,对于1秒钟的视频,采集频率为24Hz,标记受试者身上的10个点,每段视频就需要人工标记240个点,采集同一人10次行走数据,就需要标记2400个点,如果样本数量较多,则处理起来相当耗时,仅仅只对特征点的标定动辄就要耗费数月之久。因此,大多数情况下,采用非模型的方法都需要进行降维处理。

　　(二)线性变换

　　本研究的目的是发展一种方法,以期在给定一个非正常行走的运动条件下,能够预测一个人的正常行走运动。受试者被要求在一个步态实验室中行走,他们的代表人体轮廓的关节位置被三维运动捕捉系统Codamotion追踪,受试者右手提着一个总重量为其身体重量5%的手提袋,重复行走动作。在两个周期的步态试验中特征标记的数值形成一个步态矢量,通过线性映射分析方法,从收集的步态数据中用线性变换的方法确定正常步态向量和右手提袋步态向量之间的关系。该方法是通过给定一个人的手提袋步态矢量来预测正常行走步态矢量,建立一个关系模型,然后通过计算同其他人的预测矢量与测量的正常步态矢量之间的欧几里得度量来验证此模型的准确程度。 这项研究证明了,在不同行走条件下,根据人的正常行走运动来识别认定一个人是可行的。

作者：王天巍

编辑：广汉