·122 智能系统学报 第6卷 息，如方向、阶跃性质与形状等，是图像的基本特征 (108°，252)、(288°，360)覆盖的躯干区域少采 之一，本文采用一种叫做串行边界分割技术[的轮 点，对于(72°，108)、(252°，288°)覆盖的头部和脚 廓跟踪算法顺序地搜索边缘点来取得轮廓边缘线. 部区域多采点.如设定采样点数N=280时，可设定 具体来说就是：从左到右、从下到上的顺序搜 躯干部分采样间隔为2.4°，两侧各取60个点，设定 索，找到的第一个目标点A(假设目标是白色，背景 头部和脚部区域采样间隔为0.45°，上下各取80个 是黑色)一定是最左下方的边界点，由于边界是连 点.当一个角度方向上不止1个轮廓点时，同时保留 续的，所以每一个边界点都可以用这个边界点对前 距重心最远和最近的2个点，最后从躯干部位去除 一个边界点所张的角度来表示.跟踪准则：从第1个 相同数目多采集的点.如图6(c)所示，与图6(b)相 边界点开始，定义初始的搜索方向为沿左上方；如果 比点数减少了，采样效果却更好，更能准确地表达轮 左上方的点是白色，则为边界点，否则搜索方向顺时 廓形状 针旋转45°，直到找到第1个白点为止；然后把这个 108°909 70 白点作为新边界点，当前搜索方向再逆时针旋转 90°，用同样的方法继续搜索下一个白点，直到返回 A为止.此方法的优点是当检测出人体区域有空洞 180 >0° 时，提取的轮廓线不受影响.如下图5(a)所示为轮 廓跟踪算法示意图，(b)为二值化处理后的图像， (©)为用此轮廓跟踪算法得到的封闭的人体轮廓 线，(d)是为了便于观察效果而进行反色处理后的 252°270°288 效果图 (a分段采样示意图 )均匀采样 c改进的采样 图6轮廓边缘采样结果 Fig.6 The results of the sampling 2.3用傅里叶描述子进行描述 不同于文献[15]，为了避免复数运算和轮廓线 平移的影响，采用中心距作为步态的形状特征，中心 (a)轮察跟踪算法)二值化轮廓（©）轮廓跟踪仙反色处理 距r:为 图5人体轮廓边缘线提取 :=√(x-x)+(y:-y)7 Fig.5 Body contour extraction 所有采样点的中心矩构成特征向量R= 2.2.2轮廓线采样 (r1r2…Tw),对R做离散傅里叶变换为 轮廓线的像素点间紧密相关，存在大量信息冗 余，需对轮廓线进行采样以方便特征提取和减少计 S()= 名e-20=1,2M 算量.常用的有等长度采样和等角度采样. 傅里叶变换可用幅度和相位来表示，即为 等角度间隔采样是先把轮廓点的直角坐标 S(w)=I S(w)I exp(j0). (x,y)转化成以人体质心为原点的极坐标，然后以 式中：幅度表示形状信息，而相位代表了旋转、起始 相同的角度0=360/W(W为预定的采样点数)对轮 点、反射等信息，在对人体轮廓线用傅里叶描述子处 廓点序列进行采样.如图6(b)所示为设定N=300 理时，为了消除起点和旋转的影响，只提取幅度频谱 时的等角度采样效果，可以看出头部和小腿及脚部 特征{IS(0)I.为了消除尺度变换的影响，要进行 区域的采样点过少，不能表征相应部位的形状，而躯 归一化处理，即把IS(w)I的各个分量都除以第一个 干采样点数过多，产生了不均衡现象， 分量1S(1)1,至于轮廓线平移的影响，在选择采用 鉴于此，提出一种改进的等角度采样法.即减小 中心距作为步态的形状特征的同时已经避免了， 头部和脚部区域的采样间隔，而加大躯干和大腿部 根据傅里叶变换的性质知道，傅里叶变换的高 区域的采样间隔.如图6(a)所示，对于(0°，72)、 频分量对应一些细节，一般很小且容易受到高频噪