步態(tài)識(shí)別論文

1、百度文庫(kù)課程論文步態(tài)識(shí)別學(xué)號(hào)：班級(jí)：通信122姓名：楚舒琦目錄摘要3一、 背景介紹4二、相關(guān)研究 4三、主題（算法）/.1 5基于線圖模型的動(dòng)態(tài)特征提取 6基于整體的靜態(tài)特征提取 ）8識(shí)別9四、實(shí)驗(yàn)9五、結(jié)果討論.12六、總結(jié)12七、應(yīng)用前景12八、技術(shù)難點(diǎn)及解決途徑 14技術(shù)難點(diǎn)14解決途徑15九、參考文獻(xiàn)1618摘要步態(tài)識(shí)別是一種新興的生物特征識(shí)別技術(shù)，旨在通過(guò)人們走路的姿態(tài)進(jìn)行身份識(shí)別，與其他的生物識(shí)別技術(shù)相比，步態(tài)識(shí)別具有非接觸遠(yuǎn)距離和不容易偽裝的優(yōu)點(diǎn)。在智能視頻監(jiān)控領(lǐng)域，比面像識(shí)別更具優(yōu)勢(shì)。 對(duì)步態(tài)識(shí)別的優(yōu)缺點(diǎn)以及步態(tài)識(shí)別所涉及到的運(yùn)動(dòng)分割、特征提取與選擇、模式識(shí)別算法進(jìn)行了綜述，并

2、對(duì)步態(tài)識(shí)別中存在的問(wèn)題與未來(lái)的研究方向進(jìn)行了討論。J關(guān)鍵詞：生物特征識(shí)別；步態(tài)識(shí)別；特征提取；運(yùn)動(dòng)分割；動(dòng)態(tài)時(shí)間規(guī)正一、背景介紹步態(tài)是指人們行走時(shí)的方式，這是一種復(fù)雜的行為特征。罪犯或許會(huì)給自己化裝，不讓 自己身上的哪怕一根毛發(fā)掉在作案現(xiàn)場(chǎng)，但有樣?xùn)|西他們是很難控制的， 這就是走路的姿勢(shì)。英國(guó)南安普敦大學(xué)電子與計(jì)算機(jī)系的馬克尼克松教授的研究顯示，人人都有截然不同的走路姿勢(shì)，因?yàn)槿藗冊(cè)诩∪獾牧α俊?肌腱和骨骼長(zhǎng)度、骨骼密度、視覺(jué)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?xiàng)l件以及個(gè)人走路的'"風(fēng)格"上都存在細(xì)微差異。對(duì)一個(gè)人來(lái)說(shuō)，要偽裝走路姿勢(shì)

3、非常困難， 不管罪犯是否帶著面具自然地走向銀行出 納員還是從犯罪現(xiàn)場(chǎng)逃跑，他們的步態(tài)就可以讓他們露出馬腳。人類自身很善于進(jìn)行步態(tài)識(shí)別， 在一定距離之外都有經(jīng)驗(yàn)?zāi)軌蚋鶕?jù)人的步態(tài)辨別出熟悉的人。步態(tài)識(shí)別的輸入是一段行走的視頻圖像序列，因此其數(shù)據(jù)采集與面像識(shí)別類似，具有非侵犯性和可接受性。 但是，由于序列圖像的數(shù)據(jù)量較大，因此步態(tài)識(shí)別的計(jì)算復(fù)雜性比較高，處理起來(lái)也比較困難。盡管生物力學(xué)中對(duì)于步態(tài)進(jìn)行了大量的研究工作，基于步態(tài)的身份鑒別的研究工作卻是剛剛開(kāi)始。步態(tài)識(shí)別主要提取的特征是人體每個(gè)關(guān)節(jié)的運(yùn)動(dòng)。到目前為止，還沒(méi)有商業(yè)化的基于步態(tài)的身份鑒別系統(tǒng)。二、相關(guān)研究信息融合：感知融合是人類感知外部世界的

4、本能之一。人類可以非常自然地運(yùn)用這一能 力把來(lái)自人體各個(gè)感知器官眼耳鼻四肢的信息圖像聲音氣味觸覺(jué)組合起來(lái)并使用先驗(yàn)知識(shí) 去估計(jì)理解和識(shí)別周圍的環(huán)境以及正在發(fā)生的事情。融合理論正是對(duì)人類這一本能的模仿旨 /在利用計(jì)算機(jī)技術(shù)對(duì)按時(shí)序獲得的多源觀測(cè)信息在一定準(zhǔn)則下加以自動(dòng)分析綜合以完成所 需的決策和估計(jì)任務(wù)而進(jìn)行的信息處理過(guò)程。信息融合的基本原理就像人腦綜合處理信息一樣充分利用多源信息通過(guò)對(duì)這些多源的觀測(cè) 信息的合理支配和使用把多源信息在空間或時(shí)間上的冗余或互補(bǔ)依據(jù)某種準(zhǔn)則來(lái)進(jìn)行組合以獲得被測(cè)對(duì)象的一致性解釋或描述。按照信息抽象的個(gè)層次可將信息融合分為3級(jí)（像素級(jí)融合特征級(jí)融合和決策級(jí)融合）。像素級(jí)

5、融合是在采集到的原始數(shù)據(jù)上進(jìn)行的融合是原始測(cè)報(bào)未經(jīng)預(yù)處理之前就進(jìn)行的綜合和分析是最低層次的融合。特征級(jí)融合屬于中間層次它先對(duì)原始信息進(jìn)行特征提取然后對(duì)特征信息進(jìn)行關(guān)聯(lián)處理和綜合分析最終用于目標(biāo)識(shí)別。 一般來(lái)說(shuō)提取的特征信息應(yīng)該是這一目標(biāo)的充分表示量并且去除了一定的冗余信息。其優(yōu)點(diǎn)是實(shí)現(xiàn)了可觀的信息壓縮有利于實(shí)時(shí)的目標(biāo)識(shí)別。f 遂在1 ，葉也提取埼征提原特征級(jí)融合算法的一般流程如圖 1所示。埼征提息 f圖1特征級(jí)融合算法一般流程決策級(jí)融合是一種高層次融合。 先將多源傳感信息對(duì)目標(biāo)屬性進(jìn)行獨(dú)立決策。 再對(duì)各自 得到的決策結(jié)果進(jìn)行融合以獲得整體一致的決策。 其優(yōu)點(diǎn)是具有很強(qiáng)的容錯(cuò)性和很好的.開(kāi)放性。

6、并且處理時(shí)間較短 ）難點(diǎn)在于分類特征組合與表達(dá)的機(jī)理難以量化和統(tǒng)一圖2給出了決策級(jí)融合算法的一般流程。決策級(jí)融合必須從具體決策的實(shí)際需求出發(fā)。充分利用特征級(jí)融合所提取的測(cè)量對(duì)象的各類特征信息。采用適當(dāng)?shù)娜诤霞夹g(shù)來(lái)實(shí)現(xiàn)。常用的方法包括 k/n準(zhǔn)則、Bayes準(zhǔn)則和Dempster-Shafer理論等。事物將征茨取決策級(jí)融合圖2決策級(jí)融合算法一般流程三、主題（算法）信息融合在其他生物特征識(shí)別領(lǐng)域已經(jīng)取得了很好的效果。也為步態(tài)識(shí)別性能的進(jìn)一步提高提供了可能的方法。在步態(tài)識(shí)別領(lǐng)域中。 常采用特征級(jí)融合和決策級(jí)融合兩類方法。融合的特征包括不同類的步態(tài)特征（多特征融合卜步態(tài)特征和其他生物特征 （多模態(tài)特征

7、融合）以及不同角度攝像機(jī)拍攝的步態(tài)特征（多視角融合）等。在決策級(jí)融合中。通常假設(shè)各個(gè)特征之間具備統(tǒng)計(jì)獨(dú)立性。 則各個(gè)分類器得到的匹配分值可用 Bayes理論D-S證據(jù)理論、表決法、聚類分析、模板法、模糊集合論、神經(jīng)網(wǎng)絡(luò)、嫡法等進(jìn)行合并。通常使用的合并規(guī)則有加法 規(guī)則、乘法規(guī)則、最大規(guī)則、最小規(guī)則、中值規(guī)則和多數(shù)投票規(guī)則等。為了進(jìn)一步研究融合理論在步態(tài)識(shí)別中的應(yīng)用。我們提出一種基于線圖模型和靜態(tài)特征的步態(tài)識(shí)別算法、靜態(tài)特征主要用于反映人體目標(biāo)的全貌。例如形體高度胖瘦等。線圖模型主要用于反映人體目標(biāo)的運(yùn)動(dòng)特點(diǎn)。如行走過(guò)程中主要關(guān)節(jié)點(diǎn)位置的變化(肢體間角度的變化等、本文分別研究了使用特征級(jí)和決策級(jí)融

8、合加法規(guī)則和乘法規(guī)則理論進(jìn)行步態(tài)識(shí)別的方法、算法流程如圖 3圖4所示。 £V在視頻序列分析中。首先要將運(yùn)動(dòng)目標(biāo)從背景圖像中分割出來(lái)、通過(guò)背景減除二值化及陰影消除后?？梢缘玫讲綉B(tài)序列中每幀圖像的單連通人體運(yùn)動(dòng)區(qū)域、為了去除圖像中存在的大量冗余信息并減小計(jì)算量。 進(jìn)一步使用圖像模板化技術(shù)將目標(biāo)縮放到固定大小的圖像模板中(見(jiàn)圖6 (a)步態(tài)的靜態(tài)和動(dòng)態(tài)特征都是從二值化側(cè)影的目標(biāo)模板中提取的。圖3特征級(jí)融合策略流程圖圖4決策級(jí)融合策略流程圖基于線圖模型的動(dòng)態(tài)特征提取首先抽取出二值側(cè)影圖像的骨架信息。然后根據(jù)該骨架信息和解剖學(xué)知識(shí)共同得到各個(gè)關(guān)節(jié)點(diǎn)的位置及相互間形成的角度。最后使用這些位置和角

9、度信息形成步態(tài)的動(dòng)態(tài)特征、算法的具體步驟如下：步驟1利用圖像處理技術(shù)中的中軸變換方法提取二值側(cè)影圖像的骨架圖、它是一種可逆變換。既能壓縮圖像信息。又能由中軸及其數(shù)值恢復(fù)原圖像、提取方法如下 ：1) D表示原圖區(qū)域中像素點(diǎn)的集合Ei (D)表示其內(nèi)邊界Eo(D)表示其外邊界$。宸示區(qū)域D及其8連通區(qū)域內(nèi)的所有像素點(diǎn)、令 Ddd、D .2) 一步細(xì)化之后得到的結(jié)果區(qū)域如下DnewS(Doid) DoidEi(Doid)Eo(S(Doid ) Doid(1)3）如果DnewDoid ,終止迭代，跳轉(zhuǎn)到第4）步.否則，令DoidDnew,并跳轉(zhuǎn)到第2）步。4）Dnew即為所求區(qū)域的骨架像素的集合。步驟

10、2根據(jù)解剖學(xué)中人體各部分肢體占身高的比例關(guān)系。來(lái)提取人體的關(guān)節(jié)點(diǎn)位置、即對(duì)人體骨架進(jìn)行掃描。掃描線與人體骨架的交叉點(diǎn)即為關(guān)節(jié)點(diǎn)的位置、這樣可以得到人體的8個(gè)關(guān)節(jié)點(diǎn)：(Xhead, yhead ), (xneck , yneck), (xshouidwer , yshouider ), ( xpeivis , y pelvis ), (xkneel, ykneel ),(xknee2, yknee2), (xankie1 , yankie 2) (xankei 2 , yankie2 )連接這8個(gè)關(guān)節(jié)點(diǎn)，得到人體的骨骼化模型，圖5示出簡(jiǎn)化的人體比例關(guān)系。圖5簡(jiǎn)化的人體比例關(guān)系圖步驟3進(jìn)一步計(jì)算出

11、骨骼化模型中各部分肢體所形成白角度、這里取肢體與豎直線的角度） 這7個(gè)角度分別包括。head， neck， back， thighl， thigh 2， shinl， shin2 5 人體骨架及骨骼化模型、以及肢體夾角示意圖如圖6所示。令（xo, y°）和（xi, y。分別為肢體兩端的關(guān)節(jié)點(diǎn)所在位置、則肢體夾角計(jì)算如下： arc tan公二（2）yiyoM卡夏id .懼黑讓通電圖6人體骨架及骨骼化模型步驟4確定步態(tài)參數(shù)）通過(guò)上述討論，可以看出在骨骼化模型中一共有23維參數(shù)特征，關(guān)節(jié)點(diǎn)位置2*8=16維，肢體角度7維。關(guān)節(jié)點(diǎn)位置中的x值通常是固定不變的、 為了簡(jiǎn)化運(yùn)算、可以將其去除、留

12、下關(guān)節(jié)點(diǎn)的y值信息及肢體角度信息共同構(gòu)成 15維參數(shù)特征的步態(tài)模式） 進(jìn)一步、為了消除空間尺度不同帶來(lái)的影響、需要將這些參數(shù)特征歸一化到區(qū)間"2,3 "2中?；谡w的靜態(tài)特征提取側(cè)影的寬度和高度信息是決定目標(biāo)形狀的兩個(gè)重要因素，寬度代表了運(yùn)動(dòng)目標(biāo)的胖瘦程度、高度則代表了運(yùn)動(dòng)目標(biāo)的身高）身高和胖瘦是人類視覺(jué)系統(tǒng)進(jìn)行身份識(shí)別的主要依據(jù)之一、但是這兩個(gè)參數(shù)常常隨著攝像機(jī)拍攝距離的變化而變化）例如、同樣焦距下、一個(gè)高個(gè)子目標(biāo)由于拍攝距離較遠(yuǎn)會(huì)顯得比近處的矮個(gè)子目標(biāo)還要矮小）寬度所代表的胖瘦信息也是如此）因此、它們都不可以單獨(dú)作為形體特征來(lái)進(jìn)行步態(tài)識(shí)別）為了消除這種誤差、本文算法W

13、米用了側(cè)影的伸長(zhǎng)度作為基于整體的形態(tài)特征、即：E （3）式中W代表側(cè)影H的寬度,H代表側(cè)影的高度。/然而，伸長(zhǎng)度中的除法運(yùn)算常常會(huì)消除掉一些有用的信息、例如一個(gè)拍攝距離較遠(yuǎn)的又高又胖的人可能會(huì)和一個(gè)拍攝距離較近的又矮又瘦的人擁有同樣的伸長(zhǎng)度、因此單獨(dú)使用伸長(zhǎng)度很難將目標(biāo)區(qū)分開(kāi)來(lái)）為了克服上述缺點(diǎn)、又引入了空間度特 n m/征：S i 1 j 1P（i, j）,P（i, j） （0,1）（4）空間度代表了二值側(cè)影目標(biāo)中前景像素的數(shù)目。同樣、兩種靜態(tài)參數(shù)特征也需要進(jìn)行幅度上的歸一化運(yùn)算。識(shí)別本算法采用K近鄰分類器進(jìn)行模式分類）由于步態(tài)數(shù)據(jù)具有周期性）循環(huán)性的特征、因此 相似性度量采用基于周期的方法

14、、具體步驟如下：1）令訓(xùn)練序列為 Xg Xg,i,Xg,2,Xg,Ng,測(cè)試序列為 Xp Xp,i,Xp,2,Xp,Np, Ng和Np分別表示兩序列的幀數(shù)，Xi j表示第i個(gè)序列中的第j個(gè)特征矢量。 p, j2）對(duì)任意一個(gè)序列 XXi,X2,.,Xn計(jì)算出它的步態(tài)周期 n（n<N）是它的幀數(shù)，并將其分成N/n個(gè)子序列.其中，第k個(gè)子序列可表示為 X （k） Xk i,Xk 2,.,Xk no 3）對(duì)于測(cè)試集中的第K個(gè)子序列和訓(xùn)練集中任意以L為起始幀的子序列、計(jì)算它們之間的距離：diS（Xp（k）,Xg）NiXp,kj Xg,i j （4）4）得到整個(gè)測(cè)試序列和訓(xùn)練序列之間的相似1 KIt

15、:Sim（Xp,Xg）1 - k 1min（diS（Xp（k）,Xg）（l）（5）式中 K=m/Np。l 為訓(xùn)練樣本Kl序列中和測(cè)試樣本子序列進(jìn)行比較的起始幀l=0,1,.,n- N 。相似度Sim的值越大，說(shuō)明兩個(gè)g序列越相似。四、實(shí)驗(yàn)我們分別對(duì)僅基于整體形狀特征的算法）僅基于動(dòng)態(tài)模型特征的算法）特征級(jí)融合算法以及運(yùn)用了加法和乘法規(guī)則的決策級(jí)融合算法進(jìn)行了實(shí)驗(yàn)和比較（見(jiàn)圖7-圖10）實(shí)驗(yàn)數(shù)據(jù)采用了來(lái)自于卡耐基梅隆大學(xué)的CMU數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包含25人、每人6個(gè)視角4種走路姿勢(shì)。快走）慢走）上坡和抱球共24個(gè)序列，每個(gè)序列340幀左右、重點(diǎn)測(cè)試了步速對(duì)算法的性能影響。算法評(píng)價(jià)采用CMS和ROS

16、曲線。為了便于進(jìn)行評(píng)價(jià)（需要將數(shù)據(jù)庫(kù)中每個(gè)樣本序列按照 步態(tài)周期拆分為若干子序列、每個(gè)快步走序列大約包含/8個(gè)步態(tài)周期（每個(gè)慢步走序列大約包含7個(gè)步態(tài)周期）（再為每人隨機(jī)抽取一個(gè)步態(tài)周期作為測(cè)試集（其余步態(tài)周期序列作為訓(xùn)練集（來(lái)進(jìn)行步態(tài)識(shí)別。另外（為了測(cè)試算法對(duì)行走速度的敏感性（本文分別以快步走和慢步走數(shù)據(jù)互為訓(xùn)練和識(shí)別1¥本、未拆分序列)進(jìn)行了實(shí)驗(yàn)。算法識(shí)別率采用5階CMS結(jié)果的平均值。實(shí)驗(yàn)結(jié)果如表1所列實(shí)驗(yàn)編號(hào)訓(xùn)練測(cè)試基于形狀/ 特性基于模型特征特征級(jí)融合算法決策級(jí)融合算法加法規(guī)則乘法規(guī)則125個(gè)快走 步態(tài) 周期剩余 快走 步態(tài)周期76225個(gè)慢走 步態(tài) 周期剩余 慢走 步態(tài)周期

17、325個(gè)快走 序列25個(gè)慢走 序列76425個(gè)慢走 序列25個(gè)快走 序列(n)實(shí)驗(yàn)1識(shí)別性能的CM5曲線4iJ3UJM)7)% 10 % 30 Ms0 加 7。BO 90 皿L特隹較畬 或量敢融身加幺電網(wǎng)廣-坨看汪*包凳史此利，(b)實(shí)臉校驗(yàn)性能的ROC曲線圖7實(shí)驗(yàn)1,(CMU數(shù)據(jù)庫(kù)，Train:fast;Test:fast)的識(shí)別校驗(yàn)性能曲線ID的¥-B-戈星嚀4*tiff+俚*'咐冷橋 一*畤工鼻融專-r-ttJUtt*u- 限瓶F臺(tái)也策«t觸黑能點(diǎn)現(xiàn)JU 一不量物立乩土兒;一廠覆菱丁前扇任示警率，%陰次（6實(shí)驗(yàn)2識(shí)別性能的CMS曲線。力實(shí)驗(yàn)2校驗(yàn)性能的R3C曲

18、線圖8實(shí)驗(yàn)2（CMU數(shù)據(jù)庫(kù)，Train:slow;Test:slow）的識(shí)別校驗(yàn)性能曲線051015 m 25階次100箕BOmHIIs?如30細(xì)1U次、*不用D 10 2U 30 1U 5C 6<1 70 WJ 90 1UU示譽(yù)率1OJ前川Tn的WM 葡 R1O浜、*理生（a）實(shí)的3識(shí)別性能的（,MS曲線Cb)實(shí)驗(yàn)3校驗(yàn)性能的ROC曲線圖9實(shí)驗(yàn)3（CMU數(shù)據(jù)庫(kù)，Train:fast;Test:slow）的識(shí)別校驗(yàn)性能曲線加附8070相50始和并由 手/臉郁察10 iiO JO 4U 5Q 60 TO d0 90 100示誓率7%（心實(shí)臉4識(shí)別性能的M5曲畿<b）實(shí)臉4校驗(yàn)性能的R

19、OC曲線圖10實(shí)驗(yàn)4（CMU數(shù)據(jù)庫(kù)，Train:slow;Test:fast）的識(shí)別校驗(yàn)性能曲線五、結(jié)果討論1）融合算法確實(shí)比單一特征算法的識(shí)別率有所提高。2）對(duì)于相同步速白實(shí)驗(yàn)來(lái)說(shuō)（使用決策級(jí)融合算法結(jié)果更好、（而且乘法規(guī)則明顯優(yōu)于加法規(guī) 則。3）對(duì)于不同步速的實(shí)驗(yàn)（僅基于形狀的步態(tài)特征識(shí)別率下降最多（基于模型的算法識(shí)別率變化不大（可見(jiàn)形狀特征對(duì)步速變化不具有魯棒性。4）特征級(jí)融合算法在步速變化的實(shí)驗(yàn)中得到了最好的識(shí)別結(jié)果（說(shuō)明決策級(jí)融合算法性能的提高更容易受特征算法識(shí)別結(jié)果的影響。'六、總結(jié)步態(tài)識(shí)別的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)以及算法統(tǒng)一評(píng)價(jià)準(zhǔn)則還沒(méi)有制定。目前的數(shù)據(jù)庫(kù)規(guī)模較小且不夠全面。一種步態(tài)

20、識(shí)別方法在不同數(shù)據(jù)庫(kù)上的識(shí)別結(jié)果可能會(huì)不同，使用不同評(píng)價(jià)標(biāo)準(zhǔn)對(duì)每種算法進(jìn)行評(píng)價(jià)所得到的評(píng)價(jià)結(jié)果也是不同的，也不具有可比性?；谧陨頂?shù)據(jù)量大、 計(jì)算復(fù)雜的特點(diǎn)，不可能將所有步態(tài)識(shí)別算法在每個(gè)數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試。所以，如何客觀評(píng)估步態(tài)識(shí)別算法的性能，是步態(tài)識(shí)別的研究難點(diǎn)，也是亟需解決的問(wèn)題。 影響步態(tài)識(shí)別正確率的因素很多，如何采取相應(yīng)的措施克服各種因素的影響，以達(dá)到期望的性能仍是研究的難點(diǎn)。擁擠狀態(tài)下，運(yùn)動(dòng)目標(biāo)的自遮擋以及目標(biāo)之間的互遮擋問(wèn)題難于處理?？梢杂媒y(tǒng)計(jì)的方法從已有圖像信息中進(jìn)行人體姿勢(shì)、位置等的估計(jì)和預(yù)測(cè)。 另外，利用多攝像機(jī)多視角跟蹤一拍攝來(lái)解決遮擋問(wèn)題的方法也是很有潛力的一種方法。隨著

21、對(duì)步態(tài)識(shí)別中融合技術(shù)更深入的研究，如何選擇性能互補(bǔ)的特征、如何優(yōu)化具有冗余信息的特征、如何采用不同層次的融合策略來(lái)提升算法性能也亟需進(jìn)一步研究。七、應(yīng)用前景隨著我們逐漸邁入數(shù)字時(shí)代，基于步態(tài)特征的身份識(shí)別技術(shù)愈加顯示出它的價(jià)值。對(duì)于 諸如軍事基地、停車場(chǎng)、機(jī)場(chǎng)、高檔社區(qū)等重要場(chǎng)所，出于管理和安全的需要，人們必須知道該區(qū)域內(nèi)發(fā)生的事件，并有效準(zhǔn)確地識(shí)別人、快速檢測(cè)威脅并且提供不同人員的進(jìn)入權(quán)限級(jí) 別，于是采用某種特定方法來(lái)監(jiān)視該場(chǎng)景。特別是場(chǎng)景中的人，人臉、指紋和虹膜等生理特征識(shí)別不再適用，而步態(tài)識(shí)別作為有效的行為特征，不需要任何交互性接觸就可以實(shí)現(xiàn)遠(yuǎn)距離情 況下的身份識(shí)別。美國(guó)國(guó)防高級(jí)研究計(jì)劃

22、署(DARPA資助的遠(yuǎn)距離身份識(shí)別 HID(Human Identification at a Distance)計(jì)劃，其任務(wù)就是開(kāi)發(fā)多模式、大范圍的視覺(jué)監(jiān)控技術(shù)以實(shí)現(xiàn)遠(yuǎn)距 離條件下的檢測(cè)、分類和識(shí)別，從而增強(qiáng)國(guó)防、民用等場(chǎng)合免受恐怖襲擊的自動(dòng)保護(hù)能力。美國(guó)五角大樓也正在擬定采用步態(tài)識(shí)別技術(shù)進(jìn)行反恐。美國(guó)9 - 11恐怖襲擊以后，人們已經(jīng)意識(shí)到安全的脆弱性，目前各國(guó)都高度重視這樣一個(gè)問(wèn)題，即如何對(duì)國(guó)家重要安全部門和敏感 場(chǎng)所進(jìn)行全天候、自動(dòng)、實(shí)時(shí)的遠(yuǎn)距離監(jiān)控和身份識(shí)別。而基于步態(tài)特征的身份識(shí)別技術(shù)就是解決這一問(wèn)題的有效手段之一。雖然目前步態(tài)識(shí)別技術(shù)的效果還不盡如人意，系統(tǒng)的準(zhǔn)確率不夠高，而且成

23、本較高，但這項(xiàng)技術(shù)有著美好的應(yīng)用前景。預(yù)計(jì)5年后,步態(tài)識(shí)別機(jī)將實(shí)現(xiàn)商品化。屆時(shí)，世界各國(guó)均可享受到這一新型識(shí)別技術(shù)的好處，在各國(guó)機(jī)場(chǎng)及其他重要場(chǎng)所的出入口安裝這種機(jī)器，結(jié)成一張無(wú)形的反恐巨網(wǎng)，增強(qiáng)人類社會(huì)的安全度，構(gòu)筑一個(gè)和諧、安全的 人類家園。在臨床工作中，對(duì)人體行走方式進(jìn)行客觀記錄并對(duì)步行功能進(jìn)行系統(tǒng)評(píng)價(jià)，是康復(fù)評(píng)定的重要組成部分。現(xiàn)實(shí)中有很多疾病會(huì)引起步態(tài)變化，即產(chǎn)生走路姿態(tài)異常。為此可通過(guò)對(duì)步行規(guī)律的研究，分析人體骨骼、關(guān)節(jié)的三維空間定位以及生物力學(xué)特性，準(zhǔn)確評(píng)價(jià)人體各部位在運(yùn)動(dòng)過(guò)程中的動(dòng)態(tài)變化 ，從而揭示步態(tài)異常的病理原因。步態(tài)評(píng)價(jià)也是神經(jīng)病學(xué)、風(fēng)濕病 學(xué)、矯形學(xué)和康復(fù)醫(yī)學(xué)在日常臨床

24、實(shí)踐中的重要方面。對(duì)患有神經(jīng)系統(tǒng)或骨骼肌肉系統(tǒng)疾病而可能影響行走能力的患者需要進(jìn)行步態(tài)分析，以評(píng)估患者是否存在異常步態(tài)以及步態(tài)異常的性質(zhì)和程度，從而為分析異常步態(tài)原因和矯正異常步態(tài)、制定治療方案提供必要的依據(jù)。 通過(guò)步態(tài)分析還可以理解步態(tài)異常的基本過(guò)程和機(jī)制，從而對(duì)力、關(guān)節(jié)角度和肌肉活動(dòng)進(jìn)行詳細(xì)分析，進(jìn)而進(jìn)行相關(guān)的醫(yī)學(xué)研究。另外，步態(tài)識(shí)別問(wèn)題是人的運(yùn)動(dòng)分析的一個(gè)子問(wèn)題，因而步態(tài)識(shí)別問(wèn)題的研究成果有可能擴(kuò)展應(yīng)用于解決計(jì)算機(jī)視覺(jué)領(lǐng)域里的其他問(wèn)題，如區(qū)分不同的運(yùn)動(dòng)(走路、跑步、打網(wǎng)球的擊球動(dòng)作卜手語(yǔ)的解釋等。、/八、技術(shù)難點(diǎn)及解決途徑步態(tài)識(shí)別是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域內(nèi)一個(gè)非常新的研究方向，近10年

25、來(lái)，研究者在這方面取得了許多成績(jī)，但是要設(shè)計(jì)并實(shí)現(xiàn)一個(gè)實(shí)用性強(qiáng)的步態(tài)識(shí)別系統(tǒng)非常復(fù)雜并且困 難。由于人的行走姿勢(shì)受各種因素的影響，在不同環(huán)境條件下行走姿勢(shì)有或多或少的變化，因此步態(tài)識(shí)別的計(jì)算較復(fù)雜，識(shí)別的準(zhǔn)確度還不夠高。目前該系統(tǒng)的準(zhǔn)確率在80。90。，準(zhǔn)確性低于第一代身份識(shí)別技術(shù)。許多客觀因素的存在，給步態(tài)的最終識(shí)別帶來(lái)了困難，如何更準(zhǔn)確地識(shí)別步態(tài)特征，是步 態(tài)識(shí)別領(lǐng)域面臨的難題。然而，醫(yī)學(xué)研究所確定的特征，或者因?yàn)樘卣鞅旧頉](méi)有可重復(fù)性，或者由于觀察角度的限制和自遮擋問(wèn)題，并不適于基于計(jì)算機(jī)視覺(jué)的系統(tǒng)去提取。從計(jì)算的角度來(lái)看，從低質(zhì)量和沒(méi)有標(biāo)記的視頻序列中對(duì)運(yùn)動(dòng)物體進(jìn)行跟蹤和分割的算法的不精

26、確性導(dǎo)致 了所提取特征的不可靠性，而由攝像機(jī)深度和角度不同造成的透視的影響使特征提取工作變 得十分繁重。技術(shù)難點(diǎn)復(fù)雜背景的干擾：運(yùn)動(dòng)目標(biāo)的有效檢測(cè)對(duì)于目標(biāo)識(shí)別、跟蹤和行為理解等后期的處理是非常重要的。步態(tài)序列圖像是一個(gè)復(fù)雜、具有非常高維數(shù)的視覺(jué)模式，圖像獲取過(guò)程中的不確定性，使得步態(tài)識(shí)別過(guò)程必然會(huì)受到各種外界因素的干擾，從而使得復(fù)雜背景圖像中的目標(biāo)檢測(cè)非常困難。如何消除復(fù)雜背景的影響，準(zhǔn)確提取運(yùn)動(dòng)人體的目標(biāo)特征，成為步態(tài)特征提取以及后續(xù)處理的關(guān)鍵。識(shí)別算法問(wèn)題：目前已有幾種常用的模式分類器應(yīng)用于步態(tài)識(shí)別，但是尚且處于實(shí)驗(yàn)研究階段，沒(méi)有一種完美無(wú)缺的算法。常見(jiàn)的方法有最近鄰(Nearest-ne

27、ighbor,NN)分類、人工神經(jīng)網(wǎng)絡(luò)(Ar-tificial neural network,ANN)及隱馬爾可夫模型(Hidden markov model,HMM)等，這些 方法有許多弱點(diǎn)。其中最近鄰分類器是根據(jù)歐幾里得距離對(duì)已知向量和待識(shí)別量進(jìn)行比對(duì)，該方法沒(méi)有深入挖掘數(shù)據(jù)內(nèi)部包含的變化信息，即:哪種數(shù)據(jù)變化屬于同一個(gè)體內(nèi)部變化信息引起的，哪種變化是由于不同個(gè)體之間的差別造成的。其次 /，最近鄰分類技術(shù)對(duì)于權(quán)重大小的 分配具有不可靠性，這在步態(tài)識(shí)別以及數(shù)據(jù)融合中是非常重要的因素。對(duì)步態(tài)數(shù)據(jù)進(jìn)行簡(jiǎn)單 的融合也會(huì)嚴(yán)重影響步態(tài)識(shí)別率。而人工神經(jīng)網(wǎng)絡(luò)和隱馬爾可夫模型的理論基礎(chǔ)是經(jīng)典統(tǒng)計(jì) 學(xué),采用的是樣本數(shù)目趨于無(wú)窮大時(shí)的漸進(jìn)理論。然而在步態(tài)識(shí)別的實(shí)際研究中，樣本數(shù)目往往有限，故這些在理論上有顯著長(zhǎng)處的分類方法在實(shí)際應(yīng)用中卻可能不盡人意。另外，由于這些算法本身存在的問(wèn)題，就會(huì)出現(xiàn)隨著樣本數(shù)的增多，識(shí)別率會(huì)有所下降。 這是因?yàn)?，樣本?shù)量 越大，出錯(cuò)的機(jī)會(huì)就越多；根據(jù)步態(tài)識(shí)別的特征來(lái)看，樣本數(shù)的增加導(dǎo)致特征空間出現(xiàn)擁擠現(xiàn) 象,個(gè)體之間的差別就會(huì)縮小。如何解決這個(gè)問(wèn)題，一直困擾著許多研究者。環(huán)境因素干擾：影響步態(tài)識(shí)別的外界