。
3)对于测试集中的第K个子序列和训练集中任意以L为起始帧的子序列、计算它们之间的距离:
(4)
4)得到整个测试序列和训练序列之间的相似度:
(5)式中K=[m/
]。
l为训练样本序列中和测试样本子序列进行比较的起始帧l=0,1,...,n-
。
相似度Sim的值越大,说明两个序列越相似。
4、实验
我们分别对仅基于整体形状特征的算法)仅基于动态模型特征的算法)特征级融合算法以及运用了加法和乘法规则的决策级融合算法进行了实验和比较(见图7-图10)实验数据采用了来自于卡耐基梅隆大学的CMU数据库。
该数据库包含25人、每人6个视角4种走路姿势。
快走)慢走)上坡和抱球共24个序列,每个序列340帧左右、重点测试了步速对算法的性能影响。
算法评价采用CMS和ROS曲线。
为了便于进行评价(需要将数据库中每个样本序列按照步态周期拆分为若干子序列、每个快步走序列大约包含8个步态周期(每个慢步走序列大约包含7个步态周期)(再为每人随机抽取一个步态周期作为测试集(其余步态周期序列作为训练集(来进行步态识别。
另外(为了测试算法对行走速度的敏感性(本文分别以快步走和慢步走数据互为训练和识别样本、未拆分序列)进行了实验。
算法识别率采用5阶CMS结果的平均值。
实验结果如表1所列
实验
编号
训练
样本
测试
样本
基于形状
特性
基于模型
特征
特征级
融合算法
决策级融合算法
加法规则
乘法规则
1
25个快走步态周期
剩余快走步态周期
76
2
25个慢走步态周期
剩余慢走步态周期
3
25个快走序列
25个慢走序列
76
4
25个慢走序列
25个快走序列
图7实验1,(CMU数据库,Train:
fast;Test:
fast)的识别校验性能曲线
图8实验2(CMU数据库,Train:
slow;Test:
slow)的识别校验性能曲线
图9实验3(CMU数据库,Train:
fast;Test:
slow)的识别校验性能曲线
图10实验4(CMU数据库,Train:
slow;Test:
fast)的识别校验性能曲线
5、结果讨论
1)融合算法确实比单一特征算法的识别率有所提高。
2)对于相同步速的实验来说(使用决策级融合算法结果更好(而且乘法规则明显优于加法规则。
3)对于不同步速的实验(仅基于形状的步态特征识别率下降最多(基于模型的算法识别率变化不大(可见形状特征对步速变化不具有鲁棒性。
4)特征级融合算法在步速变化的实验中得到了最好的识别结果(说明决策级融合算法性能的提高更容易受特征算法识别结果的影响。
6、总结
步态识别的标准数据库以及算法统一评价准则还没有制定。
目前的数据库规模较小且不够全面。
一种步态识别方法在不同数据库上的识别结果可能会不同,使用不同评价标准对每种算法进行评价所得到的评价结果也是不同的,也不具有可比性。
基于自身数据量大、计算复杂的特点,不可能将所有步态识别算法在每个数据库上进行测试。
所以,如何客观评估步态识别算法的性能,是步态识别的研究难点,也是亟需解决的问题。
影响步态识别正确率的因素很多,如何采取相应的措施克服各种因素的影响,以达到期望的性能仍是研究的难点。
拥挤状态下,运动目标的自遮挡以及目标之间的互遮挡问题难于处理。
可以用统计的方法从已有图像信息中进行人体姿势、位置等的估计和预测。
另外,利用多摄像机多视角跟踪拍摄来解决遮挡问题的方法也是很有潜力的一种方法。
随着对步态识别中融合技术更深入的研究,如何选择性能互补的特征、如何优化具有冗余信息的特征、如何采用不同层次的融合策略来提升算法性能也亟需进一步研究。
7、应用前景
随着我们逐渐迈入数字时代,基于步态特征的身份识别技术愈加显示出它的价值。
对于诸如军事基地、停车场、机场、高档社区等重要场所,出于管理和安全的需要,人们必须知道该区域内发生的事件,并有效准确地识别人、快速检测威胁并且提供不同人员的进入权限级别,于是采用某种特定方法来监视该场景。
特别是场景中的人,人脸、指纹和虹膜等生理特征识别不再适用,而步态识别作为有效的行为特征,不需要任何交互性接触就可以实现远距离情况下的身份识别。
美国国防高级研究计划署(DARPA)资助的远距离身份识别HID(HumanI-
dentificationataDistance)计划,其任务就是开发多模式、大范围的视觉监控技术以实现远距离条件下的检测、分类和识别,从而增强国防、民用等场合免受恐怖袭击的自动保护能力。
美国五角大楼也正在拟定采用步态识别技术进行反恐。
美国9·11恐怖袭击以后,人们已经意识到安全的脆弱性,目前各国都高度重视这样一个问题,即如何对国家重要安全部门和敏感场所进行全天候、自动、实时的远距离监控和身份识别。
而基于步态特征的身份识别技术就是解决这一问题的有效手段之一。
虽然目前步态识别技术的效果还不尽如人意,系统的准确率不够高,而且成本较高,但这项技术有着美好的应用前景。
预计5年后,步态识别机将实现商品化。
届时,世界各国均可享受到这一新型识别技术的好处,在各国机场及其他重要场所的出入口安装这种机器,结成一张无形的反恐巨网,增强人类社会的安全度,构筑一个和谐、安全的人类家园。
在临床工作中,对人体行走方式进行客观记录并对步行功能进行系统评价,是康复评定的重要组成部分。
现实中有很多疾病会引起步态变化,即产生走路姿态异常。
为此可通过对步行规律的研究,分析人体骨骼、关节的三维空间定位以及生物力学特性,准确评价人体各部位在运动过程中的动态变化,从而揭示步态异常的病理原因。
步态评价也是神经病学、风湿病学、矫形学和康复医学在日常临床实践中的重要方面。
对患有神经系统或骨骼肌肉系统疾病而可能影响行走能力的患者需要进行步态分析,以评估患者是否存在异常步态以及步态异常的性质和程度,从而为分析异常步态原因和矫正异常步态、制定治疗方案提供必要的依据。
通过步态分析还可以理解步态异常的基本过程和机制,从而对力、关节角度和肌肉活动进行详细分析,进而进行相关的医学研究。
另外,步态识别问题是人的运动分析的一个子问题,因而步态识别问题的研究成果有可能扩展应用于解决计算机视觉领域里的其他问题,如区分不同的运动(走路、跑步、打网球的击球动作)、手语的解释等。
8、技术难点及解决途径
步态识别是计算机视觉和模式识别领域内一个非常新的研究方向,近10年来,研究者在这方面取得了许多成绩,但是要设计并实现一个实用性强的步态识别系统非常复杂并且困难。
由于人的行走姿势受各种因素的影响,在不同环境条件下行走姿势有或多或少的变化,因此步态识别的计算较复杂,识别的准确度还不够高。
目前该系统的准确率在80。
~90。
准确性低于第一代身份识别技术。
许多客观因素的存在,给步态的最终识别带来了困难,如何更准确地识别步态特征,是步态识别领域面临的难题。
然而,医学研究所确定的特征,或者因为特征本身没有可重复性,或者由于观察角度的限制和自遮挡问题,并不适于基于计算机视觉的系统去提取。
从计算的角度来看,从低质量和没有标记的视频序列中对运动物体进行跟踪和分割的算法的不精确性导致了所提取特征的不可靠性,而由摄像机深度和角度不同造成的透视的影响使特征提取工作变得十分繁重。
技术难点
复杂背景的干扰:
运动目标的有效检测对于目标识别、跟踪和行为理解等后期的处理是非常重要的。
步态序列图像是一个复杂、具有非常高维数的视觉模式,图像获取过程中的不确定性,使得步态识别过程必然会受到各种外界因素的干扰,从而使得复杂背景图像中的目标检测非常困难。
如何消除复杂背景的影响,准确提取运动人体的目标特征,
成为步态特征提取以及后续处理的关键。
识别算法问题:
目前已有几种常用的模式分类器应用于步态识别,但是尚且处于实验研究阶段,没有一种完美无缺的算法。
常见的方法有最近邻(Nearest-neighbor,NN)分类、人工神经网络(Ar-tificialneuralnetwork,ANN)及隐马尔可夫模型(Hiddenmarkovmodel,HMM)等,这些方法有许多弱点。
其中最近邻分类器是根据欧几里得距离对已知向量和待识别量进行比对,该方法没有深入挖掘数据内部包含的变化信息,即:
哪种数据变化属于同一个体内部变化信息引起的,哪种变化是由于不同个体之间的差别造成的。
其次,最近邻分类技术对于权重大小的分配具有不可靠性,这在步态识别以及数据融合中是非常重要的因素。
对步态数据进行简单的融合也会严重影响步态识别率。
而人工神经网络和隐马尔可夫模型的理论基础是经典统计学,采用的是样本数目趋于无穷大时的渐进理论。
然而在步态识别的实际研究中,样本数目往往有限,故这些在理论上有显著长处的分类方法在实际应用中却可能不尽人意。
另外,由于这些算法本身存在的问题,就会出现随着样本数的增多,识别率会有所下降。
这是因为,样本数量越大,出错的机会就越多;根据步态识别的特征来看,样本数的增加导致特征空间出现拥挤现象,个体之间的差别就会缩小。
如何解决这个问题,一直困扰着许多研究者。
环境因素干扰:
影响步态识别的外界因素也很多。
Laszlo等认为地面状况影响一个人走路的平衡性,从而对步态识别会产生影响。
Murray等认为受伤尤其是腿部的伤害会严重影响一个人的步态。
vonTscharner等证实赤脚与鞋子类型均会影响步态识别。
观测角度、携带物品状况、观测时间等,这些因素都严重影响着步态特征的识别。
另外,可用于研究人员使用的数据库目前大部分提供的都是两维形象,并且很大程度上取决于照相机的角度,这也在很大程度上严重制约了步态识别的研究。
遮挡现象在实际应用中随时都可能出现,人的步行存在着携带诸如提包、雨伞、背包等足以改变外形、掩盖部分人体的现象。
另外,同一个人身着不同种类的鞋和衣服,也会导致身体在二维平面的投影出现变化,对于基于统计特征的方法而言,显然会造成影响。
解决途径
随着图像处理、模式识别、人工智能以及生物心理学的研究进展,步态识别技术也将会获得更大的发展。
在一些高级信息安全的应用中,需要研究步态与人脸、指纹、虹膜、语音等识别技术的融合方法,这也是生物特征识别技术的发展趋势。
因此多分类器的混合使用、基于步态的多生物特征融合、3D人体建模以及利用外部环境模型等,都将是未来研究发展的方向,也是今后解决步态识别难题的有效方法。
另外支持向量机、混合概率模型和隐马尔可夫模型都是很有潜力的新方法,可能会给现有方法带来很大改进。
从提高步态识别系统实用性能的角度,步态识别技术可以在以下几方面做出努力:
首先,进一步研究特征提取算法和识别算法,提高识别精度;其次,研究对海量步态数据的分布式检索比对方法,以便提高识别速度;最后,提高系统的适用性,降低对应用环境的条件限制。
总之,步态识别是涉及生理学、神经科学以及心理学等众多学科的一门边缘学科,因此今后人们也必须借鉴生物生理模型、行为模型和心理模型的研究成果,最大限度地获取各种信息并且有机地集成起来加以利用,以便提高步态识别系统的正确识别率。
另外,将红外步态序列图像用于识别的研究还比较少,目前只是停留在对红外图像进行运动学分析。
因此红外步态识别也有可能是一种有效的解决方法。
9、参考文献
【1】步态识别研究现状与进展_薛召军
【2】步态识别关键技术研究_卢官明
【3】融合理论在步态识别中的应用研究_柴艳妹