第30卷 第1期
2008年1月武 汉 理 工 大 学 学 报JOURNA L OF WUHAN UNIVERSIT Y OF TECHN OLOG Y Vol.30 No.1 Jan.2008
程 琼，庄留杰，付 波
(湖北工业大学电气与电子工程学院，武汉430068)
立方体拼图
摘 要: 提出了一种基于傅立叶描述子和神经网络的步态识别方法。对于每个步态序列，通过背景减差检测运动目标的轮廓，使用傅立叶描述子对轮廓线进行描述，获取步态特征。运用人工神经网络分析方法，对步态进行自动识别。结果表明所提的步态识别方法具有较高的识别性能。关键词: 步态识别; 傅立叶描述子; 人工神经网络
中图分类号: TP 391.41文献标识码: A 文章编号:167124431(2008)0120126204
G ait R ecognition B ased on Fourier Descriptors and
清洗空调现摄像头
Artif icial N eural N et work
CH EN G Qiong ,ZHUA N G L i u 2Jie ,Fu Bo
(School of Electrical &Electronic Engineering ,Hubei University of Technology ,Wuhan 430068,China )
Abstract : This paper proposed a gait recognition method based on Fourier Descriptors (FDs )and Artificial Neural Net 2work.For each image sequence ,background subtraction algorithm was firstly used to segment the silhouettes of moving object from the background.Then the body contours were processed by Discrete Fourier Transform (DFT )and the gait feathers are expressed by FDs.Artificial Neural Network was finally applied to analysis and recognition automatically.The experimental re 2sults demonstrated that the approach had a good recognition performance.
K ey w ord : gait recognition ; fourier descriptors ; artificial neural network
收稿日期:2007209217.
基金项目：湖北省自然科学基金项目(2006ABA027)和国家自然科学基金项目(NO.60702079).
作者简介：程 琼(19592)，女，副教授.E 2mail :qiongcheng @
步态识别是生物特征识别技术中的一个新兴领域，它根据人们走路的姿势进行身份识别。区别于人脸识别、指纹识别、虹膜识别等识别技术，步态作为一种生物特征，具有对系统分辨率要求低、远距离识别、非侵犯性、难以隐藏等优点，目前已成为基于视觉的人体运动分析领域的研究热点。近年来，国内外许多大学和研究机构开展了大量的研究工作。文献[1]将大腿建模为链接的钟摆，从其倾斜角度信号的频率分量中获取步态特征。文献[2]利用步态序列图像的光流的频率和相位信息进行步态识别。文献[3]从光流图像中提取对应于行走周期的运动图像序列，然后借助主特征空间变换获得步态特征。文献[4]提供了一种基于步态图像自相似性的非参数化的方法和一种基于步态的周期和跨距的参数化的方法进行步态身份认证。文献[5]采用7个椭圆表达人的侧面二值化图像的身体的不同部分，用每一椭圆的质心等4个特征加上整个身体质心的高度共29个特征表示整个人体侧面图像，通过模板匹配方法进行步态识别。国内对步态识别的研究基本与国际研究同步，中科院自动化研究所最早开展步态研究工作，文献[6]提出了一种简单有效的自动步态识别算法。文献[7]提出一种基于傅立叶描述子的步态识别方法。文中通过对步态轮廓展开曲线的分析，对文献[6]和文献[7]中采用的方法进行比较分析，提出了一种新的基于傅立叶描述子的步态识别方法，对步态的轮廓用傅立叶描述子进行表示，并利用BP 神经网络进行识别，取得了更好的识别率。
1 步态特征提取
1.1 步态轮廓的检测与提取
采用基于背景减差法来检测运动目标，其主要原理是：采用中值法从图像序列中恢复背景图像b (x ,y )；利用式(1)计算当前图像a k 与背景图像b 的差；对差分图像c k 进行二值化，并对二值化后的图像d k 执行8连通区域的轮廓跟踪来提取一个单连通的运动目标。 c k (x ,y )=|a k (x ,y )-b (x ,y )|
(1)d k (x ,y )=0 c k (x ,y )>阈值1 c k (x ,y )≤阈值
(2) 图像中常常存在一些由影子等原因造成的非背景像素、噪声，使用中值滤波去除运动图像中的噪声，二值化后的图像依然存在小孔和噪声的干扰，采用形态学算子滤除噪声，并填充小孔。
1.2 步态的傅立叶描述子
步态的轮廓线是一条封闭的曲线，把轮廓边界上每一点看成一个矢量，用复数形式表示如下:z i =x i +j y i ,i =1,2,…,N ,N 为轮廓像素点数，步态轮廓的重心坐标为(x c ,
y c )
x c =1
N ∑N i =1x i y c =1N ∑N i =1y i (3)
选定头顶为起点，沿逆时针方向展开并计算步态轮廓面上任一点跟重心的距离d i滑水鞋
d i =(x i -x c )2+(y i -y c )2(4)
将一个序列的2D 轮廓图像对应的转换为一个序列的1D 距离信号。某一个轮廓的距离信号曲线如图1所示，从图1可以看出，步态的轮廓展开曲线是一条比较规则的曲线，曲线的波动特征明显，细节部分的幅度不大，因此，可以采用某种变换将轮廓的形状信息基本保留下来，尽可能减少保存的特征量以提高运算的速度和精度。经典的主元分析法(PCA )广泛应用于步态识别，但PCA 是一种线性的分析工具，且计算量非常大，而步态轮廓曲线所含有的数据非常大,PCA 对轮廓曲线进行处理，效率非常低。为了解决这个问题，文中提出了一种采用FDs 步态特征提取方法。
首先，所有距离构成的一个特征序列D ={d 1,d 2,…,d N }，对D 进行离散傅立叶变换(DFI )，得到离散傅立叶变换系数a n ，即步态轮廓的傅立叶描述子。
a n =1
N ∑N i =1d (i )e -j2πni/N n =1,2,…,N (5)
对傅立叶描述子进行归一化处理，以a 1为基准归一化傅立叶描述子，得到归一化后的傅立叶描述子为a 3n ,a 3n =a n /a 1,n =1,2,…,N 。归一化后的傅立叶描述子具有尺度、平移和旋转的不变性[8]。
轮廓线前50阶提取的轮廓线傅立叶频谱如图2所示，从图2可见，频率分量大部分集中在低频部分，前10阶频谱包含了大量的信息，而20阶频谱之后所包含的信息量非常的小。因此，文中选取傅立叶描述子的前20阶频谱分量作为步态识别的特征。
2 步态识别
2.1 人工神经网络原理
人工神经网络(ANN )具有极强的处理非线性问题的能力。文中基于ANN 中常用的BP 神经网络，建立
721第30卷 第1期 程 琼，等：基于傅立叶描述子和人工神经网络的步态识别
了自动识别步态的系统模型。
图3为3层BP 网络(n ,q ,m )(n ,q ,m 分别为输入层、隐层和输出层的
节点数)示意图，它能实现n 维向量X n =(x 1,x 2,…,x n )T (X n ∈X )到m 维
向量Y m =(y 1,y 2,…,y n )T (Y m ∈Y )的非线性映射。网络参数包括输入层
到隐层的权重ωI ij (i =1,2,…,n ;j =1,2,…,q )、隐层到输出层的权重ωO jk
(j =1,2,…,q ;k =1,2,…,m )、隐层阈值θH j 、输出层阈值θO k 。权重和阈
值的初值在网络训练前随机生成。BP 网络的训练包括信息正向传播与误差
反向传播2个过程。假设训练样本集S 有P 个样本:S ={s 1,s 2,…,s p |s i ∈
X n ;i =1,2,…,P}，其中s i 是n 维向量。S 对应的目标模式集为:T ={t 1,t 2,…,t R |t i ∈Y m ;i =1,2,…,R}，其中t i 是m 维向量。
输入训练样本，信息首先向前传播到隐含单元，经激活函数f (u )作用到隐层的输出信息:H jp =f (
∑n
i =1ωI ij X ip -θH j ),j =1,2,…,q ;p =1,2,…,P 。
激活函数f (u )一般采用S 型:f (u )=1/(1+e -u )。隐层信息传到输出层，得到最终输出结果:Y kp =f (
∑q
j =1ωO jk H jp -θO k ),k =1,2,…,m ;p =1,2,…,P 。如
果网络输出与期望输出间存在误差，将误差反向传播，调节网络权重和阈值。反复进行这2个过程，直至网络输出与期望输出的误差满足要求。
2.2 用BP 网络进行模式识别
采用识别准则实现BP 网络的输出数据到模式类别的转换。目标模式集T 确定了网络所能识别的模式类别为R 类，令t i =[0,…,1,…,0]T ,t ik =l ,t il =0,k ≠l 。其中,R =m ;t i ∈T 的每一个元素t il (l =1,2,…,m )对应模式类别,t il =0表示不属于第l 模式,t il =1表示属于第l 模式。
设定判断阈值h thres ，对某模式I 下的网络输出O I 进行下列转换
o I l =1 若o I l ≥h thres ,o I l ∈O I 0 若o I l <h thres ,o I l ∈O I (6)
O I 经过以上变换后，如果能够与目标模式集T 中的向量t i 匹配，则该模式属于t i 对应的类属，反之，该模式不属于网络所能识别的类别。
2.3 BP 网络对步态进行自动识别
BP 网络对步态进行自动识别的步骤为:1)根据傅立叶变换方法，计算得到步态的傅立叶描述子，选取低频的20个分量将其作为训练样本输入BP 网络进行训练。当输出误差达到指定的误差范围时停止训练。2)根据傅立叶变换方法，计算待检测步态的傅立叶描述子，作为特征向量I ；将I 送入步骤1)已训练好的BP 网络，计算得到输出向量O I 。3)对步骤2)计算得到的输出向量O I 应用识别规则(式(6))判定被检测步态的所属类别。
3 结果分析
实验中，采用了采集的数据库。选取20个人的侧面视角的步态,
每个人4个步态样本序列，共80个步态样本。在所有的步态样本序
列中，每次留出一个样本序列来，然后训练余下的序列，通过人工神经
网络对留出的样本进行分类，这样的过程将被重复80次。文中使用
合成氨变换工段了FERET 评估协议来报告识别结果，性能统计特性以累积匹配分值
来报告，阶次k 画在横轴上，而竖轴是正确匹配的累积百分比，如图4
所示。图4中，虚线是文献[7]的方法得到的识别率曲线；实线是文中
的方法得到的识别率曲线。从图4中可以看到，文献[7]采用模板匹
配进行相似性度量的方法在阶次k =1得到76%的识别率，而文中提出的方法识别率达到了78%；文献[7]的方法识别率达到100%采用的k =21，而文中在k =18时就达到了100%。从图4中曲线还可以看出，文中的识别率在整体上也要高于文献[7]。因此，文中提出的方法是一种有效的步态识别方法。
8
21 武 汉 理 工 大 学 学 报 2008年1月
4 结 语
提出了一种基于傅立叶描述子与人工神经网络的步态识别方法。利用傅立叶描述子的低频部分表示轮廓形状的特点，忽略高频部分，大量地压缩了原始数据。通过人工神经网络的强大功能进行识别。通过实验，取得了不错的识别效果。
参考文献
[1] Cunado D ,Nixon M ,Carter J.Using G ait as A Biometric ,via Phase 2weighted Magnitude S pectra[A ].Proceedings of Inter 2
national Conference on Audio 2and Video 2based Biometric Person Authentication[C].Crans 2montana :[s.n.],1997:952102.
[2] Little J ,Boyd J.Recognizing People by Their G ait :The Shape of Motion[J ].Journal of Computer Vision Research ,1998,
1(2):2232.
[3] Huang P ,Harris C ,Nixon M.Human G ait Recognition in Canonical Space Using Temporal Templates[J ].Vision Image and
Signal Processing ,1999,146(2):932100.
[4] Ben Adbelkader C ,Cutler R ,Davis L.Motion 2based Recognition of People in Eigen G ait Space[A ].Proceedings of the IEEE
International Conference on Automatic Face and G esture Recognition[C].Washington :[s.n.],2002:2672274.玻璃退火窑
[5] Lee L ,Grimson W.G ait Analysis for Recognition and Classification[A ].Proceedings of the IEEE International Conference on
Automatic Face and G esture Recognition[C].Washington :[s.n.],2002:1552162.
[6] 王 亮，胡卫明，谭铁牛.基于步态的身份识别[J ].计算机学报,2003,26(3):3542360.
大锅抗干扰[7] 韩鸿哲，李 彬，王志良，等.基于傅立叶描述子的步态识别[J ].计算机工程,2005,31(2):48250.
[8] 付 波，周建中，陈文清，等.一种基于傅里叶描述子的轴心轨迹自动识别方法[J ].电力系统自动化,2004,28(12):
40244.
(上接第97页)
参考文献
[1] 孙圣和，陆哲明，牛夏牧.数字水印技术及应用[M ].北京：科学出版社,2004.
[2] 司端锋，潘爱民.标准中的核心技术与研究进展[J ].软件学报,2005,16(2):2392249.
[3] 吕振肃，应 隽，李 宏.基于小波变换的低频数字水印嵌入算法[J ].兰州大学学报,2004,40(6):39242.
[4] Martin Kutter ,Fabien A ,Petitcolas P.A Fair Benchmark for Image Watermarking Systems[A ].Security and Watermarking
of Multimedia Continents :Proceedings of Electronic Imaging[C].Bellingham :SPIE Press ,1999.2262239.921第30卷 第1期 程 琼，等：基于傅立叶描述子和人工神经网络的步态识别
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议