專利名稱：基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于涉及人的特征識別、人體步態(tài)識別方法、身份認定，尤其涉及基于人體運動 結(jié)構(gòu)正投影三維重建的步態(tài)識別方法。
背景技術(shù)：
生物特征識別是通過各種高科技信息檢測手段、利用人體所固有的生理或行為特征來進 行個人身份鑒定。生物特征主要包括生理特征和行為特征兩種，生理特征是指與生俱來的， 先天性的人體物理特征，如指紋、虹膜、人臉等；行為特征是指從人所執(zhí)行的運動中提取出 來的特征，多為后天性的，如步態(tài)、筆跡等。人類利用生物特征識別的歷史可追溯到古代埃 及人通過測量人體各部位的尺寸來進行身份鑒別。而現(xiàn)代生物特征識別技術(shù)始于二十世紀70 年代中期，生物特征識別技術(shù)經(jīng)過數(shù)十年緩慢發(fā)展，近幾年出現(xiàn)了跳躍式發(fā)展，成為產(chǎn)、學、 研、管各方面廣泛關(guān)注的熱點。在2001年的MIT Technology Review雜志中，生物特征識別 技術(shù)被列為10項最有可能改變世界的技術(shù)之一。根據(jù)International Biometric Group (IBG) 2007年最新的市場預測分析報告，到2012年生物特征識別技術(shù)帶來的收益將是現(xiàn)在的2倍 多。
步態(tài)識別是生物特征識別技術(shù)中的一個新興領(lǐng)域。所謂步態(tài)，是指人在行走和跑步過程 中表現(xiàn)出來的一種行為方式。研究顯示，人人都有截然不同的走路姿勢,因為人們在肌肉的力 量、肌腱和骨骼長度、骨骼密度、視覺的靈敏程度、協(xié)調(diào)能力、經(jīng)歷、體重、重心、肌肉或 骨骼受損的程度、生理條件以及個人走路的"風格"上都存在細微差異。這使得利用步態(tài)進 行身份識別成為可能。步態(tài)識別旨在根據(jù)人們的走路姿勢實現(xiàn)對個人身份的識別或生理、病 理及心理特征的檢測。與其它生物特征相比，步態(tài)具有非侵犯性、遠距離識別、簡化細節(jié)、 難以偽裝等顯著優(yōu)點。由于步態(tài)特征不像各種證件類持有物那樣容易被竊取，也不像密碼、 口令那么容易被遺忘或破解，在身份識別領(lǐng)域具有獨特的優(yōu)勢。步態(tài)識別融合了計算機視覺、 模式^別與視頻/圖像序列處理等多項技術(shù)，具有廣闊的應(yīng)用前景，因此引起了國內(nèi)外許多研 究者的濃厚興趣，成為近年來生物醫(yī)學信息檢測領(lǐng)域備受關(guān)注的前沿方向。'
步態(tài)識別通常包括人體檢測、步態(tài)特征提取以及身份識別。而復雜背景下的人體檢測 與輪廓提取，是進行步態(tài)識別的前期預處理。檢出人體目標后，進行疊加處理，可以獲取步 態(tài)特征圖，但是如何提取步態(tài)特征圖的有效特征參數(shù)就成為問題的關(guān)鍵。
目前的步態(tài)特征提取可以劃分為基于模型和非模型兩種方法。非模型方法是指直接對 人體在行走過程中的形狀或動作進行分析而提取出來的特征?；谀Ｐ偷姆椒ㄊ侵竿ㄟ^對 人體結(jié)構(gòu)建立模型或者對人體在步態(tài)序列圖像中所表現(xiàn)出的明顯的行走特征建立模型，利用 模型衍生出來的參數(shù)提取步態(tài)特征。非模型方法，其特點是計算量相對較小，有助于在實用 環(huán)節(jié)中達到實時運算的目的，但對背景和光照信號的變化敏感， 一旦場景中出現(xiàn)遮擋現(xiàn)象， 識別能力將受到較大影響。基于模型的步態(tài)識別算法可以更精確描述步態(tài)特征，大幅度減低 對外部條件變化的敏感性，但是巨大的運算量是重視實時性的實用化所面臨的難題。此外這兩種方法的分析都要求人體行走的平面必須平行于照相機所在的平面，當人體行走平面不平
行于照相機所在的平面時，步態(tài)識別率就會降低。

發(fā)明內(nèi)容
為克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提出一種新的步態(tài)識別方法，在人正常行 走的情況下，能夠準確實時地提取出人體的步態(tài)特征，減少外界環(huán)境的影響，并識別出人的 身份，提高識別率。本發(fā)明采用的技術(shù)方案是基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識 別方法，借助于下列裝置實現(xiàn)，在人行走直線為半徑的一側(cè)半圓上，每隔18度設(shè)置一個攝像 裝置，共設(shè)置11個用于攝取人行走視頻序列的攝像裝置，并包括下列步驟以攝像裝置對人 體進行步態(tài)跟蹤，根據(jù)跟蹤結(jié)果進行三維步態(tài)重建，然后提取出步態(tài)特征進行步態(tài)識別，
所述步態(tài)跟蹤分為預測步態(tài)特征和優(yōu)化步態(tài)特征兩個階段，預測步態(tài)特征是運用人 體動態(tài)模型根據(jù)前一幀圖像中的步態(tài)特征來預測現(xiàn)在人體的步態(tài)特征；本發(fā)明采用運動 學Kinematics模型進行優(yōu)化步態(tài)特征；
所述三維步態(tài)重建是指運用正投影技術(shù)將二維圖像中所得到的人體模型投影到三維 空間中，再在三維空間中提取步態(tài)特征；
提取出步態(tài)特征是指提取出三維空間中人體的關(guān)節(jié)角度； 所述步態(tài)識別是采用基于支持向量機的步態(tài)識別方法。
以攝像裝置對人體進行步態(tài)跟蹤還包括步態(tài)運動分割和預處理步驟，步態(tài)運動分割 和預處理步驟是指提取出捕捉區(qū)域在圖像的一定區(qū)域內(nèi)用公式
A(z',力=S / (/ + - ")， -辦 )計算出不同的速度，找出最大速度的區(qū)域就是捕捉
區(qū)域，式中A為坐標為(i， j)的點的加速度，v是速度，In是第n幀的邊界圖像強度 函數(shù)，i和就j是圖像坐標系，dyn是y軸方向的位移，N是步態(tài)序列總的幀數(shù)。
所述三維步態(tài)重建中將二維圖像中所得到的人體模型投影到三維空間中，這個投影 過程中要用到空間兩點距離的計算方法，用圖像信息和步態(tài)知識進行估計公式
中的化，用公式C Z2 =/2 — ((A —M2)2十(V， 一V2)2)/^2三維空間中兩點
之間的相對距離，前式中空間坐標分別為(Xl，yi,Zl)和(x2, y2,z2)的兩個點投影之后 為攝像裝置中的坐標(Ul,Vl)和(u2,v2), /為空間兩點的距離。
所述提取出三維空間中人體的關(guān)節(jié)角度是指，對于三維空間中的向量(x,y,z)，其起 始點為(x!， yi， z!)和終止點為(X2， y2, z2),則xn-X2， y=yi-y2， z-z纊Z2，對三維模型中的每一
段都可以看成一個向量，則對于每兩個向量之間的夾角用如下公式計算
6 = COS
5xb
3
6
用前述公式就可以提取出三維空間中人體的關(guān)節(jié)角度，a為三維空間
中的一個起始向量，b為與a對應(yīng)的終止向量。
所述步態(tài)識別是采用基于支持向量機的步態(tài)識別方法，取"一對一"策略，該方法 對N類訓練數(shù)據(jù)兩兩組合，構(gòu)建C^ =7^^-1)/2個支持向量機，最后分類時采取"投
5票"的方式?jīng)Q定分類結(jié)果。
所述運用人體動態(tài)模型根據(jù)以前圖像中的步態(tài)特征來預測現(xiàn)在人體的步態(tài)特征是
指前一幀提取的步態(tài)結(jié)果來估計現(xiàn)在的動作，然后將預測的模型投影到平面上得到投
影模型，將投影模型和現(xiàn)在的動作進行匹配，最后得到一個匹配誤差，匹配誤差包括邊
界匹配誤差和區(qū)域匹配誤差，邊界誤差的計算公式 1 i
五* = 7 J"min(H Zl") — r")，" I,;
區(qū)域匹配誤差計算公式為
使用兩個物理力，分別是彈簧力Fb和另一彈簧力Fr,用如下公式減小匹配誤差
其中:r(s)是模型曲線，0《S<1， z(s)是在圖像的人體曲線，，ds是積分變量，s 是表示模型曲線中的橫坐標，u是常量，其大小為r(s)和z(s)空間尺度上的最大值，C是 常量，其大小取決于r(s)的長度，z,(s)相對于r(s)上的每一點離z(s)最近的點，p為
動作向量，a為平衡參數(shù)，將模型區(qū)域分為兩個部分，重疊部分pi和非重疊部分p2, |pi| 為Pi區(qū)域的像素數(shù)，P2同理。
本發(fā)明可以帶來以下效果
本發(fā)明提出的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，通過對同一實驗 對象的步態(tài)序列中不同角度的不同動作進行三維步態(tài)重建，再對人體身份進行識別，因而能 夠減少外界環(huán)境的影響，并識別出人的身份，提高識別率。本發(fā)明為步態(tài)提取和識別提供了 一種新的方案，并獲得可觀的社會效益和經(jīng)濟效益。


圖1步態(tài)數(shù)據(jù)庫采集示意圖。
圖2步態(tài)識別系統(tǒng)框圖。
圖3投影在圖像平面上的人體模型。
圖4捕捉區(qū)域算法過程(a)原始步態(tài)序列(b)用Sobel算子提取出的邊界(c)捕捉 區(qū)域算法后的圖像。
圖5同一實驗對象不同動作不同角度的三維步態(tài)重建結(jié)果。
具體實施例方式
本發(fā)明提出一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別的新方法。其過程是首先 采用基于模型的方法進行人體建模，再用捕捉區(qū)域的方法計算人體行走中的運動參數(shù)，最后 根據(jù)正投影原理進行三維步態(tài)重建，用重建的結(jié)果對人體身份進行識別。另外本發(fā)明提出的 算法不受人體行走方向的限制，即人體可以沿任意方向走動，但試驗者的行走方向必須是直的。
本發(fā)明是通過動作估計方程來優(yōu)化本文中所使用的人體模型，然后將人體模型投影到三 維空間中，再在三維空間中提取步態(tài)特征，從而再進行步態(tài)識別。
本發(fā)明運用重建三維步態(tài)來提取步態(tài)特征，也就是運用三維步態(tài)重建算法來提取步態(tài)特征。
下面結(jié)合附圖和實施例進一步詳細說明本發(fā)明。
本發(fā)明通過位于不同視角位置的11臺攝像檢測裝置得到步態(tài)視頻，每個對象攝取十一個 方向行走(0°、 18°、 36?！?80。)的視頻序列，如圖1所示。圖2為本發(fā)明提出的算法結(jié)構(gòu) 框圖。本發(fā)明的算法主要是通過對人體進行跟蹤，根據(jù)跟蹤結(jié)果運用步態(tài)知識和正投影技術(shù) 進行豐維步態(tài)重建，然后提取出步態(tài)特征進行步態(tài)識別。其中三維步態(tài)重建和步態(tài)特征提取 是步態(tài)識別系統(tǒng)中一個非常重要的環(huán)節(jié)。 l實施例 1. 1步態(tài)跟蹤
本發(fā)明的步態(tài)跟蹤主要分為預測步態(tài)特征和優(yōu)化步態(tài)特征兩個階段。預測步態(tài)特征是是 運用人體動態(tài)模型根據(jù)前一幀圖像中的步態(tài)特征來預測現(xiàn)在人體的步態(tài)特征。在優(yōu)化步態(tài)特 征階段， 一定要選擇適合人體的最好模型，根據(jù)研究表明，優(yōu)化人體結(jié)構(gòu)模型是很復雜的過 程，并且很耗時，但是優(yōu)化過程很重要。目前對于優(yōu)化過程中的人體模型主要有三種，分別 是Kinematics模型、Taylor模型和Stochastic模型，Kinematics模型在優(yōu)化階段考慮了人 體各部分受力情況，Taylor模型運用人體運動的各種參數(shù)找出人體最佳位置來提高優(yōu)化水平， Stochastic模型是在隨機的人體框架中進行步態(tài)特征的提取。本發(fā)明使用了 Kinematics模 型，這種模型和Taylor模型相比，不需要估計動作微分方程，和Stochastic模型相比，計 算復雜度比較低。 1.1.1人體模型
本發(fā)明所用的骨架模型主要包括14個部分，分別是上軀干、下軀干、頸、雙臂、兩前 臂、兩個大腿、兩個小腿、兩個腳和頭。人體建立的模型如圖3所示人身體的各個部分都 用錐形表示，而頭用圓表示，人體的頭、上身和下身這三個部分在行走時形成的角度用歐式 角度計算。如果不考慮人體靜止時的參數(shù)，如人體的大小。那么這個模型的動態(tài)參數(shù)有34個 自由度，分別是人體的每個部分有兩個自由度(14X2), 3個位置自由度和3個轉(zhuǎn)動自由 度。而計算這些自由度是很復雜的事情，如果我們假設(shè)關(guān)節(jié)角度一定時，那么這34個自由度 就減少為12個，分別是10個關(guān)節(jié)角度(兩個肩膀，兩個肘關(guān)節(jié)，兩個髖關(guān)節(jié)，兩個膝關(guān)節(jié)， 兩個腕關(guān)節(jié))和2個位置角度，所以就用一個12維向量P來表示，/^^y,A，^，…0Kj， (x， y)
是人體的位置，^是第i個關(guān)節(jié)的角度。另外三維人體模型重建還要計算出各個點的高度和 各個關(guān)節(jié)點之間的距離，本發(fā)明根據(jù)臨床研究得出這些點的高度和各個關(guān)節(jié)點之間的距離。
本發(fā)明的步態(tài)提取算法最重要的部分就是和向量i^k:vA,&,…^^有關(guān)的動作估計方 程，動作估計方程就是用前一幀提取的步態(tài)結(jié)果來估計現(xiàn)在的動作，然后將預測的模型投影 到平面上，這個投影模型和現(xiàn)在的動作進行匹配，最后得到一個匹配誤差。這個誤差包括邊 界匹配誤差和區(qū)域匹配誤差，本發(fā)明通過人體的受力情況、關(guān)節(jié)角度和修正模型來減少匹配本發(fā)明的步態(tài)提取算法最重要的部分就是和向量i^k^^^，…^J有關(guān)的動作估計方 程，動作估計方程就是用前一幀提取的步態(tài)結(jié)果來估計現(xiàn)在的動作，然后將預測的模型投影 到平面上，這個投影模型和現(xiàn)在的動作進行匹配，最后得到一個匹配誤差。這個誤差包括邊 界匹配誤差和區(qū)域匹配誤差。邊界誤差的計算公式如下
五6 = 7 _fmin(|| z！— r(>)," 11)^ (1)
其中r(s)是模型曲線(0《Wl), z(s)是在圖像的人體曲線，u是常量，其大小為r(s) 和z(s)空間尺度上的最大值，C是常量，其大小取決于r(s)的長度，z,(s)相對于r(s)上的 每一點離z(s)最近的點，所以得到如下公式
,、 …m s'二argninl | r(力一z(y) 11
z"力^zCy')，其中 .&,,、引、7 \ /II (2)
—(力
本發(fā)明根據(jù)人體受力情況用匹配誤差來優(yōu)化關(guān)節(jié)角度。對于人體每一個力Fi都考慮為 與人體本身受力||巧||相對應(yīng)的一個物理力，對于人體的一個點總共所受的物理力Ft用如下
公式計算
其中FW"(咖^)， P為空間尺度常量，f(F(s))用如下公式計算
肌"k | (4) 另外當模型位于兩個人體之間時，這時就要考慮區(qū)域誤差，此時將模型區(qū)域分為兩個部
分，重疊部分^和非重疊部分P2，區(qū)域匹配誤差計算公式為
五,=^4^ (5)
其中IPil為Pi區(qū)域的像素數(shù)。另外本發(fā)明定義d和C2為區(qū)域Pi和P2的中心位置，向量 &=^為人體所受的物理力，這個力會使模型偏向區(qū)域的一邊。
為了使兩個匹配誤差更小，本發(fā)明使用了兩個物理力，分別是Fb和Fn然后用公式(7)
和(6)來減小兩個匹配誤差。Fb和Fr指的是物理中的彈簧力。
- ￡(/ ) = (1- 0&+《 (6)
F二(l-a)f;+《 (7) 其中P為動作向量，a為平衡參數(shù)。當減小身體上半部分匹配誤差時，a的值應(yīng)該很小， 因為當人體上半部分穿著衣服時，區(qū)域匹配誤差不重要。
1.1.2模型初始化本發(fā)明提出的步態(tài)跟蹤過程是根據(jù)前一幀模型的結(jié)果來預測現(xiàn)在的模型，然后再對現(xiàn)在 的模型進行優(yōu)化。所以在跟蹤過程中需要得到前一幀模型的結(jié)果，但是在跟蹤開始時，前一 幀的模型是不存在的，這就需要對模型進行初始化，本發(fā)明利用捕捉區(qū)域的辦法對模型進行 初始化，另外捕捉區(qū)域的方法還可以估計人體的形狀和大小。
捕捉區(qū)域的原理是在背景剪切之后，用邊界檢測算法提取邊緣，然后在步態(tài)序列中計算 人體運動速度、加速度和起始點的公式如下
A(/， J) = ￡ / (/ + "K^ — "), —辦 ) ( 8 )
其中A是加速度，v是速度，L是第n幀的邊界圖像強度函數(shù)，i和就j是圖像坐標系， dyn是y軸方向的位移，N是步態(tài)序列總的幀數(shù)，其中捕捉區(qū)域的邊界的干擾主要取決于邊界 的強度、幀數(shù)和速度。如果人體運動加速度合適，即速度合適，就可以提取到邊界。圖4顯 示了捕捉區(qū)域的提取過程，為了提取出捕捉區(qū)域，本發(fā)明在圖像的一定區(qū)域內(nèi)用公式(8)計 算出不同的速度，找出最大速度的區(qū)域就是捕捉區(qū)域，
此跟蹤算法只適用于人體行走的平面平行于照相機所在的平面。當人體行走的平面不平 行于照相機的平面時，人體行走過程中的大小是會發(fā)生變化的，所以要把人體大小放縮到同 一大小，放縮系數(shù)用/^// ^來計算，其中/ ^為所有幀中人體的最大高度，/^為每一幀
中人體的高度。
1.2三維步態(tài)重建
1.2.1三維步態(tài)重建算法
三維步態(tài)重建算法主要是用模型中的一些參數(shù)來計算圖像中人體的一些參數(shù)，然后再提 取出參數(shù)。但這個過程比較耗時，本發(fā)明提出了一種新的三維步態(tài)重建算法。
在三維步態(tài)重建過程中，首先要進行坐標轉(zhuǎn)換，即把(x, y, z)坐標系轉(zhuǎn)換成照相機中
的坐標系(u, v)，本發(fā)明用正投影視圖的關(guān)系就可以得到這兩個坐標系之間的關(guān)系，這就 可以得到公式(9)
(9)
Vl 「100、
、"
如果假設(shè)z是常量，由公式(9)得到公式(10) ' m =化x x
(10)
v = x _y
公式(10)中的se用圖像信息和步態(tài)知識進行估計。
另外在正投影視圖中，若兩點(Xl, yi， Zl)和(x2， y2, z2)投影之后為(Ul,Vl)和(u2， v2)，在三維空間中這兩點之間的距離用公式(11)來計算
",-A)2+0廣h)2+(Z!-Z2)2 (11)
由公式(10)和(11)可以得到
J =/2 _M2)2 +(Vi — V2)2)/w2 (12)用公式(12)就可以計算出兩點之間的相對距離&。
將所二維圖像中所得到的人體模型投影到三維空間中，這個投影過程中要用到上述空間 兩點的距離。 1.2.2關(guān)節(jié)角度的計算
步態(tài)識別中還需要得到人體行走過程中的運動參數(shù)，本發(fā)明通過幾何關(guān)系來提取人體行 走過程中的運動參數(shù)。對于三維空間中的向量(x, y， z),其起始點為(Xi， yi， zj和終止點 為"2， y2， z2)，則x^「X2， y=y「y2， z=Zl-z2，對三維模型中的每一段都可以看成一個向量， 則對于每兩個向量之間的夾角用如下公式計算
<formula>formula see original document page 10</formula> (13)
用公式(13)就可以提取出三維空間中人體的關(guān)節(jié)角度。
本發(fā)明用4. 2. 1提出的算法對4. 1跟蹤的關(guān)節(jié)位置進行三維步態(tài)重建，再用4. 2. 2提出 的算法計算出關(guān)節(jié)角度。據(jù)研究表明人體在行走過程中的上肢動作大部分是相同的，所以本 發(fā)明在三維步態(tài)重建后只提取了下半身的關(guān)節(jié)角度，即兩個髖關(guān)節(jié)的角度和兩個膝關(guān)節(jié)的角度。
1. 3基于支持向量機的步態(tài)識別方法
在步態(tài)識別中，樣本數(shù)目是有限的，而傳統(tǒng)的統(tǒng)計模式識別是在樣本數(shù)目足夠多的前提 下進行的，只有在樣本數(shù)趨向于無窮大時其性能才有理論上的保證，這時很多方法都難以取 得理想的效果。支持向量機(Support Vector Machine, SVM)是新近發(fā)展的及其學習方法， 它通過結(jié)構(gòu)風險最小化原則建模，將期望風險降至最低，使其模型識別力顯著提高，該識別 方法能夠較好地解決小樣本學習問題。支持向量機的主要思想是尋找一個滿足分類要求的 最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面的間隔最大化。從理 論上說，支持向量機能夠?qū)崿F(xiàn)對線性可分數(shù)據(jù)的最優(yōu)分類。
,支持向量機方法是針對二類別的分類提出來的，但步態(tài)識別是一個多類別的分類問題， 如何將二類別分類方法擴展到多類別分類是將支持向量機應(yīng)用于步態(tài)識別的技術(shù)難點之一。 支持向量機不能直接應(yīng)用于多類別分類問題，對于多類模式識別問題，支持向量機方法可通 過兩類問題的組合來實現(xiàn)，通常有兩種方法"一對一"和"一對其余"策略。"一對一"策 略，即一個分類器每次完成二選一，該方法對N類訓練數(shù)據(jù)兩兩組合，構(gòu)建C^ = W(7V-l)/2
個支持向量機。最后分類時采取"投票"的方式?jīng)Q定分類結(jié)果。"一對其余"策略，即一個 分類器將每一類與剩下所有類別區(qū)分開來。"一對其余"的方法是對N分類問題構(gòu)建N個支 持向量機，每個支持向量機負責區(qū)分本類數(shù)據(jù)和非本類數(shù)據(jù)。最后結(jié)果由輸出離分界面距離 6^X + 6最大的那個支持向量機決定。由于步態(tài)識別屬于多類模式識別問題，因此采取"一 對一"策略。
假設(shè)待識別的步態(tài)有m類，記為SpS2,"、5^，每一類中隨機選取其中一個樣本5^. (其中i為類別，j為該類中的樣本序號)進行訓練，其它祥本aS^(/ # 0用于測試。測試時，將測試樣本&輸入到經(jīng)過訓練得到的分類器中，如果輸出為i，則將該樣本判為第i類，
如果輸出為j，則判定為識別錯誤。
另外本發(fā)明對每個測試對象在行走過程中記錄12個步態(tài)序列，隨即選取其中4個序列作 為訓練樣本，另外8個樣本用于測試。
最后在步態(tài)數(shù)據(jù)庫上用1. 1提出的算法進行步態(tài)跟蹤，再用1. 2提出的算法對提跟蹤的 結(jié)果進行三維步態(tài)重建，其中一個實驗對象不同動作的三維步態(tài)重建結(jié)果如圖5所示，再提 取出三維步態(tài)重建之后的髖關(guān)節(jié)和膝關(guān)節(jié)的角度。將提取出的4個關(guān)節(jié)角度(兩個關(guān)節(jié)和兩 個膝關(guān)節(jié))輸入支持向量機進行步態(tài)識別。 2有益效果
通過對同一實驗對象的步態(tài)序列中不同角度的不同動作進行三維步態(tài)重建，再對人體身 份進行識別，取得了超過89%的識別率。這說明本發(fā)明所用的三維步態(tài)重建算法對人體步態(tài) 進行識別是可行的，其算法合理、有效。從圖4和圖5的各階段結(jié)果來看，本發(fā)明所采用三 維步態(tài)重建算法中步態(tài)跟蹤、三維步態(tài)重建和步態(tài)識別是不可缺少的；其處理流程基本合理， 最終三維步態(tài)重建結(jié)果比較清楚，可以對人體進行識別。
本發(fā)明提出一種三維步態(tài)重建的步態(tài)識別方法，能夠?qū)ふ业揭粋€最恰當?shù)姆椒?，即在?價最小的情況下提高預期的步態(tài)識別的準確率。該項發(fā)明可為監(jiān)控系統(tǒng)的有效使用及監(jiān)控效 果的可靠評價提供幫助，并獲得可觀的社會效益和公共安全服務(wù)的提升。最佳實施方案擬采 用專利轉(zhuǎn)讓、技術(shù)合作或產(chǎn)品開發(fā)。
權(quán)利要求
1、一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征是，借助于下列裝置實現(xiàn)，在人行走直線為半徑的一側(cè)半圓上，每隔18度設(shè)置一個攝像裝置，共設(shè)置11個用于攝取人行走視頻序列的攝像裝置，并包括下列步驟以攝像裝置對人體進行步態(tài)跟蹤，根據(jù)跟蹤結(jié)果進行三維步態(tài)重建，然后提取出步態(tài)特征進行步態(tài)識別，所述步態(tài)跟蹤分為預測步態(tài)特征和優(yōu)化步態(tài)特征兩個階段，預測步態(tài)特征是運用人體動態(tài)模型根據(jù)前一幀圖像中的步態(tài)特征來預測現(xiàn)在人體的步態(tài)特征；本發(fā)明采用運動學Kinematics模型進行優(yōu)化步態(tài)特征；所述三維步態(tài)重建是指運用正投影技術(shù)將二維圖像中所得到的人體模型投影到三維空間中，再在三維空間中提取步態(tài)特征；提取出步態(tài)特征是指提取出三維空間中人體的關(guān)節(jié)角度；所述步態(tài)識別是采用基于支持向量機的步態(tài)識別方法。
2、 根據(jù)權(quán)利要求1所述的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征 是，以攝像裝置對人體進行步態(tài)跟蹤還包括步態(tài)運動分割和預處理步驟，步態(tài)運動分割和 預處理步驟是指提取出捕捉區(qū)域在圖像的一定區(qū)域內(nèi)用公式A(/,力=Z / (/ + - "), -辦 )計算出不同的速度，找出最大速度的區(qū)域就是捕捉區(qū)域，式中A為坐標為(i， j)的點的加速度，V是速度，In是第n幀的邊界圖像強度函 數(shù)，i和就j是圖像坐標系，dyn是y軸方向的位移，N是步態(tài)序列總的幀數(shù)。
3、 根據(jù)權(quán)利要求1所述的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征是，所述三維步態(tài)重建中將二維圖像中所得到的人體模型投影到三維空間中，這個投影過W = se X x程中要用到空間兩點距離的計算方法，用圖像信息和步態(tài)知識進行估計公式 中v =化x _y的M，用公式^2:^2-((^-M》2+(^—i;》2;)"e2三維空間中兩點之間的相對距 離，前式中空間坐標分別為(Xl,yi，Zl)和(x2,y2,z2)的兩個點投影之后為攝像裝置中的坐標(Ul，Vl)和(U2，V2)， /為空間兩點的距離。
4、 根據(jù)權(quán)利要求1所述的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征是，所述提取出三維空間中人體的關(guān)節(jié)角度是指，對于三維空間中的向量(x,y,z)，其起始 點為(x!， yi， Zi)和終止點為(X2， y2， z2)，則xn-X2， y=yi-y2, z=Zl-z2，對三維模型中的每一段都可以看成一個向量，則對于每兩個向量之間的夾角用如下公式計算(9 = COSa6用前述公式就可以提取出三維空間中人體的關(guān)節(jié)角度，a為三維空間中的一個起始向量， b為與a對應(yīng)的終止向量。
5、根據(jù)權(quán)利要求1所述的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征 是，所述步態(tài)識別是采用基于支持向量機的步態(tài)識別方法，取"一對一"策略，該方法對N類訓練數(shù)據(jù)兩兩組合，構(gòu)建<formula>formula see original document page 3</formula>個支持向量機，最后分類時米取"投崇" 的方式?jīng)Q定分類結(jié)果。
6、根據(jù)權(quán)利要求1所述的一種基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，其特征是，所述運用人體動態(tài)模型根據(jù)以前圖像中的步態(tài)特征來預測現(xiàn)在人體的步態(tài)特征是指前一幀提取的步態(tài)結(jié)果來估計現(xiàn)在的動作，然后將預測的模型投影到平面上得到投影模 型，將投影模型和現(xiàn)在的動作進行匹配，最后得到一個匹配誤差，匹配誤差包括邊界匹配誤差和區(qū)域匹配誤差，邊界誤差的計算公式 <formula>formula see original document page 3</formula> 區(qū)域匹配誤差計算公式為<formula>formula see original document page 3</formula>使用兩個物理力，分別是彈簧力Fb和另一彈簧力Fr，用如下公式減小匹配誤差 <formula>formula see original document page 3</formula>其中r(s)是模型曲線，0《s<l， z(s)是在圖像的人體曲線，，ds是積分變量，s 是表示模型曲線中的橫坐標,u是常量，其大小為r(s)和z(s)空間尺度上的最大值，C是 常量，其大小取決于r(s)的長度，zjs)相對于r(s)上的每一點離z(s)最近的點，p為動作向量，a為平衡參數(shù)，將模型區(qū)域分為兩個部分，重疊部分pi和非重疊部分P2， |pi| 為Pi區(qū)域的像素數(shù)，P2同理。
全文摘要
本發(fā)明屬于涉及人的特征識別、人體步態(tài)識別方法、身份認定，尤其涉及基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法。為提供一種新的步態(tài)識別方法，在人正常行走的情況下，能夠準確實時地提取出人體的步態(tài)特征，減少外界環(huán)境的影響，并識別出人的身份，提高識別率。本發(fā)明采用的技術(shù)方案是基于人體運動結(jié)構(gòu)正投影三維重建的步態(tài)識別方法，借助于下列裝置實現(xiàn)，在人行走直線為半徑的一側(cè)半圓上，每隔18度設(shè)置一個攝像裝置，共設(shè)置11個用于攝取人行走視頻序列的攝像裝置，并包括下列步驟以攝像裝置對人體進行步態(tài)跟蹤，根據(jù)跟蹤結(jié)果進行三維步態(tài)重建，然后提取出步態(tài)特征進行步態(tài)識別。本發(fā)明主要用于通過人步態(tài)進行身份識別。
文檔編號A61B5/117GK101558996SQ20091006888
公開日2009年10月21日 申請日期2009年5月15日 優(yōu)先權(quán)日2009年5月15日
發(fā)明者萬柏坤, 聰 張, 東 明 申請人:天津大學