基于连续隐马尔科夫模型的步态识别

1、第32卷第2期应用科技Vol.32,.22005年2月AppliedScienceandTechnologyFeb.2005文章编号:1009-671X(2005)02-0050-03基于连续隐马尔科夫模型的步态识别洪文,黄凤岗,苏菡(哈尔滨工程大学计算机科学与技术学院,黑龙江哈尔滨150001)摘要:步态识别主要是通过人体走路的姿势来识别人的身份,近来年,步态作为一种生物特征识别技术备受计算机视觉研究者的关注.给出了基于连续隐马尔科夫的步态识别方法:研究了静止背景下人体步态的检测以及基于步态的人体身份识别技术,主要包括背景建模、人体检测、轮廓特征提取及连续隐马尔科夫识别和分类.在小数据库上取

2、得了超过95%的识别率;实验结果表明,本方法有效.关键词:生物特征识别;步态识别;连续隐马尔科夫模型;背景减除中图分类号:TP391141文献标识码:AHumangaitrecognitionbasedoncontinuousHMMHONGWen,HUANGSU(SchoolofComputerScienceandTechnology,Harbin)Abstract:Humangaitbytheirwalkingmanners.Thegaitasonetothecomputervisionresearchers.Inthepaper,agaitbasedonContinuousHMMispro

3、posed.Researchescontainthehumangaitde2tectiononthestationarybackgroundandgait-basedhumanidentification.Thismethodmainlyincludesbackgroundsubtraction,humanidentification,silhouettefeatureextractionandContinuousHMMrecogni2tionandclassification.Over95%ofrecognitionrateisobtainedfromthesmalldatabase.The

4、experimentalresultdemonstratesthatthismethodiseffective.Keywords:biometrics;gaitrecognition;ContinuousHMM;backgroundsubtraction生物特征识别中的步态识别主要是通过人体走路的姿势来区分人,由于个体之间身体结构和运动行为上的基本特性不同,步态运动为人的识别提供了独特的线索.步态作为一种生物特征,相比其他的生物识别技术有着如下几个优点:非侵犯性、远距离识别、对系统分辨率要求低、难以隐藏性.在此提出了一种基于连续隐马尔科夫的步态识别的新方法:利用背景减除获得样本的轮廓序列,一种

5、按比例分割轮廓区域的方法提取单个轮廓特征;再通过K-means算法获得一个步态周期中的5个关键帧以进一步压缩观测向量维数;用得到的5维向量序列训练连续HMM模型;最后求待识步态序列对所有HMM的输出概率,取最大输出概率所对应的人作为其类别标识.本方法紧凑地捕捉了人体步态的结构和变换信息,HMM的统计特性决定其在步态的描述和识别中具有很好的稳健性;实验结果说明,本方法行之有效.1特征提取1.1数据获取环境的假定由于人体步行运动在方向上具有多样性,而步态识别的研究还不成熟,为了简化,按照通常的做法对数据采集的环境进行了假定:1)摄像机静止不动;2)摄影方向与人体运动方向近似垂直;3)收稿日期:20

6、04-09-13.作者简介:洪文(1979-),男,硕士研究生,主要研究方向:生物特征识别、数字图像处理和计算机视觉.第2期洪文,等:基于连续隐马尔科夫模型的步态识别视野中只有一个人体运动.1.2轮廓检测与跟踪1.2.1背景建模采用邻帧差法1,从图像序列中恢复背景图像.对图像序列f(k,x,y)(其中k=1,N),可以利用两帧相差提取出k、k+1帧中的共同背景子区域b(k,k+1,x,y),利用同样的方法可以提取出k+1,k+2帧中共同背景子区域b(k+1,k+2,x,y),N-1,N帧的共同背景b(N-1,N,x,y)则可以利用如下的公式N-151图2轮廓分割B(x,y)=Ub(k,k+1,

7、x,y)k=1来逼近、重建背景.其中“U”为图像拼接算子,表示将k,k+1帧中共同背景b(k,k+1,x,y)拼接到已估计的背景B(x,y)中.1.2.2差分及二值化采用背景减除算法2,求得人的轮廓图.假定B(x,y)和f(k,x,y)分别是背景图像和当前图像,那么I(k,x,y)=f(k,x,y)-,.的4个参数:中心点坐标x、y、长短轴比l和长轴倾角;一共有7个区域,这样可得到28个参数,再加上质心点的y轴坐标值,每个轮廓可用这个29维的向量来表述.2基于HMM2.5(models)的基,.图1(b)是背景减除并进行二值化处理后得到的图像.图1图像对比1.2.3归一化处理3为消除图像尺度及

8、人所在位置的影响,把人体居中,图像的大小统一.1.3特征提取步态特征的选择和提取是步态识别工作的重点,当前研究表明轮廓是步态的一个重要特征.根据人体解剖学知识,人体结构可按其身高比例分成若干个部位4;因此,对序列中的每一个轮廓,以髋关节中点为中心按其结构比例分成7个部分,如图2所示.对每一区域用一个椭圆来拟合,可求得椭圆,一是链,这是基本随机过程,它描述模式内部状态序列;另一随机过程描述状态和观测值之间的关系.一个HMM可以记为=(N,M,A,B).式中:N为模型中Markov链的状态数目,M为各状态对应的观测值的数目,为起始状态概率分布矢量,A为状态转移概率矩阵,B为观测值概率矩阵.根据其输

9、出观测值的不同,HMM可分为离散HMM,半连续HMM和连续HMM;考虑到步态的连续性,在此选用连续HMM.2.2HMM参数训练HMM参数训练指给定观测值序列,调整模型=(,A,B)的参数,使P(O|)达到最大.解决这一问题,当前比较成熟的是Baum-Welch重估算法;在这个算法中,一个重要问题是初始模型地选取.一般认为6,和A参数初值选取影响不大,在满足和为1的条件下可随机地选取或均匀取值;但B的初值对训练出的HMM有很大影响,一般采取较复杂的选取方法.使用几个高斯概率密度函数的线性组合模拟观测序列的产生;如果高斯概率密度函数足够多,则混合高斯密度可以逼近任意的概率分布函数.因此,其输出概率

10、密度函数可表示为Rbj(O)=l=1cjlG(O;jl,Ujl),1jN.52应用科技第32卷式中:O是观测值向量,G表示正态高斯概率密度函数,jl,Ujl分别为第j个状态第l个混合高斯元均值和方差,cjl为第j个状态第l个混合高斯元的权值(混合系数),R为每个状态包含的混合高斯元个数,N是HMM的状态数.B的估计取决于训练样本向量的个数和维数,为了进一步压缩维数以更好地获得参数B,先从一个周期序列的步态数据中用K-means方法j选取5个关键帧:Sj1,S5,计算序列中的每帧和这5个关键帧之间的欧氏距离5:Oj(k)=j图3步态数据示例OWj(k)-Sjl,l=1,5.3.3实验结果式中:O

11、ij(k)表示第i个人根据第j个人的观测序列,注意到它只有5维,可作为观测帧和关键帧之间相似性度量.这样,可把训练向量维数从29维压缩到5维.2.3步态识别可用每个人的5个关键帧及训练得到的HMM模型作为这个人的步态描述,给定一个未知人的图像序列,得29维的特征向量序列;i人的.用前向-i概率:Pi=lg(P(OiX|i).最后对库中每个人重复上述过程,得到概率Pi,1iK,取最大的概率所对应的标号为待识人的类别号.用该数据库测试最后得到的识别率为9613%.高于文献3使用图像自相关作为原始特征在同一数据库下所取得的93%的识别率.识别性能有一定的提高,主要是本算法考虑了人体运动的静态信息(轮

12、廓结构和特征),又通过HMM()4研究了静止背景下人体步态的检测,以及基于步态的人体身份识别,主要包括背景建模、前景检测、轮廓特征提取及基于HMM分类;在数据库上得到了96.3%的识别效果.下一步的工作集中在更大规模的数据库上的算法性能测试,以及融合更多特征的人的身份识别的研究上.3实验结果3.1步态数据集参考文献:1张天序,戴可荣,彭嘉雄.复杂图像序列的自适应目标提取和跟踪方法J.电子学,1994,22(10):46-53.2王亮,胡卫明.基于步态的身份识别J.计算机学与人脸和指纹识别不同,目前国际上还没有通用的步态数据库2.为验证本算法的性能,采用Boyd等用摄像机获得的6个人(4男2女)

13、各自7个步态序列的数据库进行实验分析,如图3所示;采集速度为30帧/s,该数据库的分辨率为320×160的BMP格式的灰度图像文件,这个数据集已经得到了很多步态识别研究者的应用.3.2训练及测试对库中每个人的每个步态序列,通过步态检测算法获得人体运动轮廓序列,进一步分割轮廓提取步态特征序列.从每个人的7个序列中随机地选择4个序列作为训练集,建立一个5个状态、3个高斯、各态历经的连续HMM;用剩下的3个序列作为测试集;这一过程反复执行50遍.报,2003,26(3):353-360.3BENABDELKADERC.ROSSC.Eigengait:motion-basedrecognitionofpeopleusingimageself-similarityA.InProceedingsAVBPAC.2001.4DEMPSTERWT,GAUGHRANGRL.PropertiesofbodysegmentsbasedonsizeandweightJ.AmericanJournalofAnatomy,1967,120:33-54.5RABINERLR.AtutorialonhiddenMarkovmodelsan