《基于类haar特征模板匹配的多镜头步态识别算法》由会员分享，可在线阅读，更多相关《基于类haar特征模板匹配的多镜头步态识别算法（11页珍藏版）》请在金锄头文库上搜索。
1、基于类 Haar 特征模板匹配的多镜头步态识别算法 刘冠群 罗桂琼 谭平 湖南广播电视大学网络资源系 中南大学信息科学与工程学院 摘 要： 针对视频监控中步态识别算法准确度较低的问题, 提出一种双边傅里叶校正点估计类 Haar 特征模板匹配的多镜头步态识别算法。根据视频监控的特点, 使用图像点估计重构算法, 设计一种无标记类 Haar 特征模板匹配的步态特征提取算法, 进行步态的自动识别与提取。对不同镜头视角下特征运动角度提取差异, 基于双边傅里叶级数实现观测角度校正, 并依据高维特征空间设计自适应顺序前进浮动选择的搜索算法。在 Southampton 测试库上的仿真结果表明, 该算法步态正确
2、分类率达到 96.3%, 能有效提高分类识别精度。关键词： 点估计; Haar 特征; 模板匹配; 步态识别; 双边傅里叶级数; 作者简介：刘冠群 (1981) , 女, 副教授、硕士, 主研方向为步态识别、物联网技术;作者简介：罗桂琼, 副教授、硕士;作者简介：谭平, 讲师、博士。收稿日期：2016-10-17基金：湖南省教育科学“十二五”规划课题 (XJK014BXX005) Multiple Lens Gait Recognition Algorithm Based on Category Haar Feature Template MatchingLIU Guanqun LUO Gui
3、qiong TAN Ping Department of Network Resource, Hunan Radio & TV University; College of Information Science and Engineering, Central South University; Abstract： Aiming at the problem of low accuracy for the gait recognition in video surveillance, the bilateral Fourier calibration point estimation cat
4、egory Haar feature template matching based multiple lens gait recognition algorithm is proposed. According to the characteristics of video monitoring, the point estimation algorithm is used for image reconstruction and a markerless Haar feature template matching based feature extraction algorithm is
5、 designed to realize the automatic recognition and extraction of gait feature. According to the angles difference of feature extraction in motion, the bilateral Fourier is used for observation angle correction, and the adaptive sequential forward selection is designed for high dimensional feature ex
6、traction. Simulation results in the Southampton test database show that the correct classification rate of the proposed algorithm can reach about 96. 3%, and through the observation angle correction, the gait motion angle can reach basically the same in different gait cycles.Keyword： point estimatio
7、n; Haar feature; template matching; gait recognition; bilateral Fourier series; Received： 2016-10-170 概述在基于人体参数的运动学研究领域中, 学者根据人体在运动中所呈现出的身体配置参数变化, 对相关的运动进行识别或者自动监控, 其中基于视频监控人体运动参数的步态识别算法在近些年得到了广泛研究, 逐渐成为研究热点1-2。现有文献中对于人体运动参数步态识别算法研究较多, 例如文献3基于物理学中常用的振动模型为样板构建人体步伐姿势形态的模型, 并利用自学习算法进行实时更新;文献4基于辩证理论的内外因
8、思想, 以步伐姿势的平滑性作为人体运动的内因, 而以步态图像证据作为外因来实现以步伐姿势轮廓能量最小化的步态识别算法;文献5基于粒子滤波算法设计步态形态跟踪器, 实现基于步伐整体轮廓数据的步态识别跟踪算法。文献3-5是较有代表性的以人体运动轮廓为基础的步态识别算法, 此类文献还有很多, 这种研究思路在多镜头步态识别实际使用中存在 2 个问题:人体运动轮廓建模非常复杂;建模所需数据量庞大。这 2 个问题制约了上述算法实际应用的实时性, 影响实际应用效果。对此, 有学者提出基于点估计算法的步态识别, 基本思想是将人体轮廓或者下肢抽象为有限的几个观测点, 通过观测点的运动角度变化, 对人体或直接对下
9、肢的运动情况进行推算。例如文献6提出基于点估计算法的多镜头步态识别算法, 但是算法考虑人体轮廓点估计, 较为复杂;文献7利用点估计算法实现下肢运动状态估计, 以此来对步态进行识别和跟踪, 但是未考虑观测视角问题, 导致算法识别精度不高等。对此, 本文在上述研究的基础上, 综合考虑算法计算复杂性和观测角度校正等问题, 利用下肢运动状态点估计和双边傅里叶角度校正算法, 以实现多镜头下的步态自动识别和跟踪。1 类 Haar 模板无标记步态特征提取1.1 点估计图像近似运动图像 Mt在第 t 帧处基于像素的变化生成一个连续的图像视频流窗口, 然后将运动图像划分为 10 像素10 像素大小的小网格, 最
10、后计算每个网格中的值, 通过上述操作完成图像的积累过程。此后对图像累计值设定一个阈值, 通过连接成分分析, 提取场景中移动对象的较大特征点。对于一个给定点 p 的近似值, 依赖于点 p 的临阈 Rp内点的数量, 以及这些点与点 p 的距离。在研究中, 通常对临域 Rp的选取简化为一个边长为 2r 的正方形区域, 该区域以点 p 为中心, 基于上述分析, 得出 r=10。为了计算近似图像, 根据点 p 计算区域 Rp的临域近似 dp, 其中 dp是边长为 2r 的正方形区域。上述计算过程从区域 Rp的边界开始迭代进行。计算相对于参考点 p 的贴近值, 并逐渐向内部迭代, 然后基于下式对计算值进行
11、累计:其中, d p为与中心点 p 距离为 i 的方环的近似值, N i为与中心点 p 距离为 i 临域内的点的数量。为产生最后的近似图像, 将所有中心点 p 的所有临域近似值dp累积生成一幅图像, 公式如下:其中, X 和 Y 分别为各帧图像的宽度和高度, d (x, y) 为区域 R (x, y) 的临近近似值, 函数 shift 为将临近近似值 d (x, y) 放在 XY 空矩阵中的位置 (x, y) 处。对于一个给定的图像点的邻近输出如图 1 所示。图 1 点估计特征近似示意图 下载原图从图 1 可以看出, 输入图像中含有随机分布的点, 并且包含几个点密集区域, 则图中显示的近似图像
12、的黑暗区域等同于输入图像的点密集区域, 用这种方法实现对行人进行自动探测的目的。本文研究在监测范围内, 使用一个监控探头对不同的运动对象进行监测, 由于步态的周期性, 步幅长度在不同的步态周期内是相同的, 因此其距离的标准偏差应趋于零。对于移动物体的分类, 定义特征b, , , 其中, b 为近似图像下半部分比例, 为连续两峰之间距离的标准偏差值, 为近似区域高度与宽度的纵横比。1.2 无标记步态特征提取本文提出一种基于单腿运动信息行走定位的类 Haar 特征模板8-9匹配算法, 这里使用的无标记特征提取算法是基于医疗数据中对于膝关节和髋关节在步态周期的不同阶段角运动的描述, 如图 2 所示。
13、图 2 髋关节与膝关节运动角度 下载原图图 2 中上限与下限代表医学研究中人体步态角数据。纵坐标为步态周期, 定义为连续 2 次角触地的时间间隔。图 2 (a) 显示, 在跨步阶段髋关节的弯曲角度约为 20, 而在站立节点髋关节的弯曲角度约为 10。在预摆以及摆动期, 髋关节弯曲近 20, 然后腿部开始伸展, 直到下次与地面接触。图 2 (b) 显示在一个步态周期中, 在脚部落地时, 膝关节角度最大约为 6070, 随后进入下一个周期。通过提供更好的边缘数据, 可以对连续帧间的行人移动像素进行监测。对连续两帧 It和 It+1间的运动图像 Mt进行计算:对上述运动图像 Mt应用阈值以降低伪影。
14、相似性得分用来描述运动图像与模板匹配程度, 计算方式是通过给定阈值, 区分叠加区域中的较大近似值和较小近似值, 然后利用较大近似值除以较小近似值, 公式如下:其中, 为旋转角度, Z (P x, y, ) 计算公式如下:与采用每帧姿态恢复算法相比, 本文使用逐帧恢复方式, 从先前帧的结果来指导后续帧的匹配过程。最初在整个运动区域执行搜索过程找到最佳匹配的腿。为了限制候选点的搜索空间, 进一步细化提取精度地运动和人体测量空间限制以及来自前期步态运动模型的部分角数据施加到后续提取过程中。例如, 在行走期间, 其中一条腿稳定在同一的位置, 因此踝关节运动空间相对封闭在一个较小的区域内, 同时在不同的
15、步态周期内阶段旋转参数 将限制在一特定范围内。基于人体解剖学原理, 根据人体各段比例进行下肢姿势估计:利用采集到的大腿方向的画面帧 T=t1, t2, , t , , tF, 由粗到细对髋部姿态进行估计, 髋部位置可通过下式获取:其中, 为是从运动区域提取的对象 S 的子集 P (Pmax X) 的水平坐标。在式 (7) 中, 以图像水平轴为参考, 给出了髋部水平位置与行走方向 间的函数关系, 这种函数关系可利用不同相机捕捉到的三维运动数据, 通过回归分析获得。2 角度校正与高维特征搜索2.1 双边傅里叶观测角度校正为将提取到的步态数据恢复到正常的平面数据, 文献10提出 4 个假设:1) 步
16、态是自然循环的;2) 在一个步态周期内, 人们通常走直线;3) 人体关节间的距离是恒定的;4) 关节与腿的运动近似为平面。因此, 多周期的线性步态运动可通过多个相关联相机的线性转换及其位置的自动串联, 看作类似的单周期运动。根据双边傅里叶算法11-12, 若 ji为下肢 =1, 2在监控视频中第 i 帧的位置, 则 ji与相应位置的关系可由下式表述:其中, R e为旋转矩阵, 则求解式 (8) 可得 ji表达式为:其中, H v为肢体平面变换矩阵, 作用是使两截面线归一化。假定在所有帧中四肢关节的长度是恒定的:则在连续两帧中, 肢体的差分向量可表述为:在重建人体步态平行结构后, 腿部关节的功能表现J x (t) , Jy (t) 可表述为:同样地, J y (t) 可定义为:其中, g (t) 是系数为 F 和 h 的双边傅里叶级数, 而系数 F 和 h 是变换矩阵的逆归一化值。因此, 从一台摄像机没有任何先验知
