基于M-GCHMM步态识别研究*

赵喜玲, 何 勇

(信阳农林学院 计算机科学系,河南 信阳 464000)

基于M-GCHMM步态识别研究*

赵喜玲*, 何 勇

(信阳农林学院 计算机科学系,河南 信阳 464000)

步态识别是通过人走路方式来识别人的身份方法.该文采用高斯多元混合输出模型,改进CHMM在步态识别中的应用.首先，采用背景减除法进行步态检测，用边缘跟踪法提取出步态图像的边缘轮廓，训练得到的关键帧用多元高斯混合输出连续隐马尔可夫模型来表示,最后用近邻法进行识别.在不同视角下，利用CASIA数据库对该算法进行验证，取得了较高的识别率，该算法对视角的变化有一定的鲁棒性.

步态识别；多元高斯混合输出连续隐马尔可夫模型；背景减除；k-均值聚

步态识别作为一个新的生物识别领域，近年来取得了一系列的研究成果.柴艳妹等提出一种基于区域特征的识别方法[1]；叶波等提出一种基于小波变换和支持向量机的步态识别算法[2]；李潇等提出了一种基于Snake模型的改进算法[3]；贲晛烨等提出了基于线性插值的张量步态识别算法[4]；本文提出了一种基于M-GCHMM的步态识别方法，该算法考虑了步态动态和静态信息特征.在同一实验条件下与文献[7]和文献[8]进行了比对，实验表明，该算法对视角的变化有一定的鲁棒性.

1 步态图像检测及预处理

对于步态图像序列，首先，经过图像的预处理获得前景图像；然后，去除前景图像中的干扰信息，保留人体运动目标信息；最后，对轮廓图像进行形态学处理，为下一步特征提取奠定基础.前景图像如图1所示.

2 步态特征的表示

2.1 步态特征参数计算

对步态图像序列中的某一帧，经过预处理之后包含一个较为完整的目标区域，利用边缘跟踪法找出运动图像的边缘轮廓线[5]，再根据边缘图像到重心的距离计算轮廓的特征参数.从轮廓图像的顶点依次搜索步态轮廓的特征点(xi,yi),(xi,yi)到重心(xc,yc)的距离为ri.

(1)

轮廓边缘到重心的距离组成特征矢量R=(r1,r2,…,rN)，对特征矢量进行统一处理

R′=R/max(r1,r2,…,rN).

(2)

图2显示了步态序列中一帧图像的特征参数归一化图；横轴表示特征元素标号，纵轴表示归一化后的欧氏距离.

不同的步态轮廓边界点的数量不同，所以特征矢量的维数不同，为了统一特征矢量的维数，需要对特征矢量R′进行降维处理，使所有的步态特征矢量维数相同.

2.2 步态的关键帧表示

为了降维处理，采用对步态序列进行K均值聚类分析，压缩特征矢量维数.如图3，取N=5作为最优的聚类数目.

(3)

3 基于M-GCHMM的步态识别

3.1 M-GCHMM训练

M-GCHMM的参数为λ={A,B,π}，其中：A为状态转移矩阵，B为输出概率分布集合，π为初始状态概率集合.

M-GCHMM的初始化如下：初始状态转移概率分布为

(4)

状态转移矩阵A的初值定义为

(5)

观察概率B为

(6)

对于bj(Ot)用高斯混合概率密度函数表示

(7)

观察矢量d为

(8)

经过M-GCHMM初始化后，为了获得满意的模型，使用多个观测序列进行训练.对于L个观测值序列O(l)，l=1,…,L,

(9)

(10)

(11)

(12)

(13)

式中的γt(j,k)表示t时刻处于状态j的第k个混合高斯元的输出概率，γt(j,k)为

(14)

3.2 M-GCHMM训练过程

经过M-GCHMM初始化后， M-GCHMM参数初始值为λ0=(π,A,B).M-GCHMM训练如下：

(1) 输入N、π、A、迭代误差e，观测矢量序列O；

(3) 基于λ0，训练λ；

(4) 由前向算法计算输出概率P(O|λ).若P(O|λ)-P(O|λ0)

M-GCHMM训练流程图如图4所示.

3.3 M-GCHMM步态识别

采用近邻法识别，计算出被测试人u的步态图像特征矢量序列为xu.比对库中P个人的特征矢量xp各序列之间的欧氏距离，与xu距离最小的序列对应的人即为被识别的人.即

D=min||Xp-Xu||，

(15)

D值最小时的Xu对应的人即为被识别的人.

4 实验结果及分析

利用CASIA Dataset B数据库对本文方法进行了验证，在不同的实验条件下验证本论文算法的性能.实验结果见表1、表2和表3.

为了验证本论文算法可行性，在Dataset B上和其他算法在同一数据库上进行了对比性实验，本论文算法和文献[7]、文献[8]算法是在相同条件下进行的.实验时，实验人数20人，选取状态数N=5，混合高斯元数M=3，步态库中训练序列不参与识别，实验结果见表4.

表1 90度视角实验

表2 45度视角实验

表3 90度不同衣着实验

表4 在侧面视角(0度)下不同算法比较实验

Tab.4 This Paper algorithm and the other algorithms experimental comparison of effects under 0 degree angle

方法人数识别率/%文献[7]2075文献[8]2090．1本文方法2091．5

表1中三个实验是在90度视角下进行，实验一，穿着普通衣服，人体轮廓不被遮掩，实验结果识别率为98%；实验二，在普通衣着上加一个背包，识别率为95%； 实验三，普通衣着上穿一件大衣，识别率为67.7%.从实验结果看出，普通情况下和背包情况下识别率高于穿大衣时的情况，是由于穿大衣掩盖了身体的部分轮廓和一些运动特征，本论文算法在步态识别时既考虑了轮廓特征又考虑了步态的运动特征，大衣的遮掩丢失了一部分特征参数.

表2中三个实验在45度视角下所做实验，其他实验条件和表1相同.实验结果和表1相比，在衣着相同的条件下，视角的变化对识别率影响不大，说明本论文方法对视角的变化有一定的鲁棒性.

表3中三个实验中，实验视角相同，测试序列和训练序列外表不同，实验目的是验证本论文算法外表变化对识别率的影响，从实验结果看出识别率急剧下降，说明人体外表变化对步态识别率有很大的影响，由于外表变化引起提取出步态轮廓、重心位置的变化，特征参数的提取受到一定的影响.

为了验证本论文算法的性能，在Dataset B侧面视角数据库上和其他算法做一个比较性实验，文献[7]、文献[8]和本论文方法的识别率见表4.从实验结果看本文算法识别率高于文献[7]、文献[8]，该算法考虑了步态动态和静态信息特征.

5 结 论

提出了一种基于M-GCHMM步态身份识别方法.采用快速有效的背景减除方法进行步态检测，用边缘跟踪算法提取出步态图像的边缘轮廓，利用5个关键帧和训练得到的连续隐马尔可夫模型参数来表示步态库中每个人的步态序列，利用欧氏距离进行识别.对本论文所提出的算法在不同的实验条件下进行了验证，并和其他算法做了分析比较，实验结果表明该算法的可行性.

[1] 柴艳妹,赵荣椿. 一种新的基于区域特征的快速步态识别方法[J]. 中国图象图形学报, 2006, 11(9):1 260-1 265.

[2] 叶波, 文玉梅. 基于小波变换和支持向量机的步态识别算法[J]. 中国图象图形学报, 2007, 12(6):1 055-1 063.

[3] 李潇, 李平, 文玉梅，等. 基于改进蛇模型的步态轮廓提取[J].计算机应用,2007, 27(6):1 468-1 471.

[4] 贲晛烨,安实,王健. 基于线性插值的张量步态识别算法[J].计算机应用研究,2012，28(01):355-358.

[5] MILAN S, VACLAV H,ROGER B. Image Processing, Analysis and Machine Vision[M]. London Chapman & Hall Computing, 1993.

[6] 武士涛.基于HMM理论的身份认证应用研究[J].湘潭大学自然科学学报,2013,35(2): 81-85.

[7] LIU L,YANG P. Leg amputees motion pattern recognition based on principal component analysis and BP network[C]// 25th Chinese Control and Decision Conference,2013:3 802-3 804.

[8] HONG S J, LEE H, TOH K A, et al. Gait recognition using multi-bipolarized contour vector[J].International Journal of Control, Automation and Systems,2009,7(5):799-808.

责任编辑：龙顺潮

Gait Recognition Research Based on M-GCHMM

ZHAOXi-ling*，HEYong

(Department of Computer, Xinyang College of Agriculture and Forestry, Xinyang 464000 China)

Gait recognition refers to automatic identification of individual based on his/her style of walking. This paper proposes a gait recognition method based on Continuous Hidden Markov Model with Multivariate Mixture of Gaussians(M-GCHMM). First, the background subtraction is used to gait detection. Boundary tracking algorithm is used to describe gait contour. Therefore, the M-GCHMM is constructed for each person's gait sequence. Finally, the recognition is achieved by Front algorithm. The experiments made on CASIA gait databases obtain comparatively high correction identification ratio and comparatively strong robustness for variety of bodily angle.

gait recognition; M-GCHMM; background subtraction;K-meansalgorithm

2014-04-22

河南省教育厅科技攻关项目(11326005)

赵喜玲(1972— ),女，河南 太康人，副教授.E-mail:zxl_72@163.com

TP

A

1000-5900(2015)01-0103-04