基于步态的身份识别 1Why：我们的研究目的在于确立一种自动步态识别方法。它是一种基于对行走 时测定的时空轮廓分析的方法。 2What：提出一种简单而有效的基于步态的身份识别方法 3How：3.1 人体检测和跟踪是步态分析的第一步，分别采用背景减除法和剪影相 关作为变化检测和跟踪算法来从每一帧的背景图像中提取和跟踪行人的运动轮 廓（摄像机固定，图像序列中只有行人一个运动目标）；3.1.1 背景建模，用 LMedS 最小平方中位数法从图像序列中构造背景，令 I 代表一个包含 N 帧图像的序列， 则背景图像 Bxy 可表达为 B xy   min med I q t t xy  q 2 其中，q 是像素（x，y）处待确定的灰度值，t 代表帧数在 1-N 范围内，N 超过 60 才有足够的数据建立背景模型；3.1.2 差分及二值化 二值化阈值的选取很难用 下面函数间接执行差分 f  , a b  1     )(256 256 1) 1)( 2 2 a b a    (256 ) 1) 1) ( ( (256 a b a      ( , ( , ) 1,0 255 ) ), ( , a x y b x y f a b       ) b ) b 0  其中，a（x，y）和 b（x，y）分别是当前图像和背景图像在（x，y）处的亮度 值。该函数可根据背景图像的亮度来检测其敏感性变化。对于每幅图像 Ixy 而言， 通过二值化 该提取函数来获取当前图像中的变化像素；3.1.3 后处理和跟踪 上 面的处理都是图像的 R，G，B 分量独立进行的。对于一个像素，如果有一个分 量将其测定为变化点，那么它就成为前景。形态学处理过滤噪声和填充小的空洞 并且执行连通量分析来提取一个单连通的运动目标，为了减小分割误差，我们又 执行了一种基于轮廓边缘相关的配准方法进一步跟踪前景区域。 3.2 轮廓表示 人体轮廓随时间的变化，为了使提出的方法对穿着色彩和纹理 的变化敏感，我们只用二值轮廓。行人的运动轮廓被跟踪后，通过一种边界跟踪 算法可以容易地他的外部轮廓，同时计算它的质心  , x y i  x c y i   N N c b b 1 N b i 1  1 N b i 1  其中，（xc，yc）是质心坐标，Nb 是边界像素的总数，（xi，yi）是边界上的像素； 选定头顶边缘点作为参考起点将轮廓逆时针展开为边界像素点到质心距离组成 的一维信号 d i   x i  x c 2    y i  y c 2  为了消除图像尺度和信号长度对训练和识别过程的影响，我们用 L1 范数和等间 隔重采样对信号的幅度和长度归一化。 3.3 特征空间变换 3.3.1PCA 训练 目的是获得一些主要分量从高维测量空 间到低维特征空间表示原始步态特征。给定 s 个训练类别，每个类别表示某个人 的步态模式所形成的一个距离信号序列，令 Di,j 是类 i 的第 j 个距离信号，并且 Ni 是 i 类的距离信号数，总的训练样本数 Ni=N1+N2+…+Ns，整个训练样本集为 [D1,1,D1,2,…D1,N1,D2,1,…Ds,Ns],均值和方差为   m d D i iN j , 1 s N  1 i i j 1  

iN    1 s N  1 i 1  j i  D i , j   m D i d , j  m d T  如果矩阵∑的秩是 N 则用奇异值分解 可得 N 个非零特征值和特征向量，使用阈值 Ts 忽略小的特征值及其特征向 量 W k     i  i  T s N i 1  k i 1  3.3.2 特征空间投影 每个距离信号 Di,j 在特征空间被投影为一点 Pi,j Pi,j=[e1,e2,…ek]TDi,j 则每个步态序列在特征空间中将呈现为一个轨迹。特征空间分析极大地减少了样 本维数。对于每个步态序列而言，距离信号在特征空间中的投影质心为 C i iN 1   N  j 1 i P i,j 步态识别时一个传统的模式识别分类问题，它可以通过在特征空间中测量参 考模式和测试样本之间的相似性解决 4.1 相似性测量 4.1.1 时空相关 步态是一种时空运动模式，我们用 STC 捕捉 其空间结构和时间平移特性。两个步态序列的相似度测量可以定义为  2 d min ab  （ ）- P t 1 ' P ( 2 2 ) at b  T t 1  零 f1 和 f2 分别表示 2 个步态序列的行走频率，a=f1/f2，b 一般不超过一个完整的 步态周期。 步态周期分析，利用周期信号与其自相关信号有相同的周期性，行人被连续 跟踪若干帧后，它的时空参数能够被准确估计，选择运动轮廓的宽高比信号加以 分析。对于输入序列，经过步态检测和跟踪可以获得运动轮廓放入宽高比信号； 去除它的背景成分(减去均值/方差),并使用对称均值滤波器进行平滑，然后计算 它的自相关信号，最后计算它的一阶差分信号，通过寻找正向过零点发现其峰值 位置。4.1.2 归一化欧氏距离 利用投影质心间放入归一化欧氏距离 NED 来度量 序列之间的相似度，每个投影质心间接表达了该类的主轮廓形状，它反映了步态 模式的结构化模型。归一化欧氏距离定义为 2 d  2 C 1 C 1  C C 2 2 4.2 分类器 最近邻分类器和最近邻标本分类器。令 T 表示一个测试序列， Ri 表示第 i 个参考序列，我们可以将其归为 c 类 . d T R i i  c  i  arg min i 4 实验结果和分析：用留一校验法获取识别率的无偏估计。对于相同视角的序列， 每次留出一个样本出来，然后训练虽有余下的序列，最后依据余下样本的相似性 来分类被留出的样本 (计算测试样本与训练数据集之间的相似性差异，用 NN 或 ENN 分类)。这样的 过程将被重复 80 次。 分类性能度量是 ROS,定义为一个测试度量的实际类别在它的最前 k 个匹配 值之间的累计概率 p(k)。性能统计特性以累计匹配分值来表示，实际正确的分类 率等价于 p(1)(即 Rank=1)。也就是说，用 NN+STC 侧面，斜面，正面的正确分类 

率分别为 65%，63.75%，77.5%。用 NN+NED 分别为 65%，66.25%，85%；用 ENN+NED 分别为 75%，81.25%，93.75% 校验性能 使用留一准则，我们估计了错误接收率 FAR 和错误拒绝率 FRR。 其中使用余下的样本训练分类器，然后在 20 个类别中校验留出来的那个样本（注 意在 80 次反复过程中，有一个真正的尝试和 19 个冒充者，因为留出来的样本预 先知道是属于哪一类的）。 理想情况下，STC 能够更好的捕捉步态的时空特性，并且期望能够获得更好 的识别率。但是使用 NED 的识别性能比使用 STC 相对高些，或许是因为每帧中 的分割误差或者来自不同序列的衣服抖动的影响，它们的帧间差异在一定程度上 加大了时空匹配误差；而整个序列的统计均值投影却能够更好的克服个体帧间的 噪声。使用标本投影质心的 NED 比使用单一投影质心的 NED 执行的更好。就个 人而言，不同时间段的步态有一定的轻微区别。相比单一的随机样本序列，多个 样本序列的平均可以为那个特定的人提供一个更加标准的步态模式