第1期 李一波，等：双视角下多特征信息融合的步态识别 ·75· 基于光流场的步态特征表示方法.针对单视角研究 选用文献[9]中的方法进行差分和二值化： 存在的不足，人们发展出了基于多视角的步态识别 f(a,b)=1- 方法，对多个视角下的步态序列展开研究多视角能 2√(a+1)+(b+1)2√(256-a)+(256-b) 消除图像中的遮挡影响，提供更多的步态信息，形成 (a+1)+(b+1).(256-a)+(256-b) 不同视角之间的步态信息互补.Kusakunniran等[o 0≤fa,b)<1,0≤a(x,y),b(x,y)≤255. 为了解决视角变化对步态识别造成的影响，提出了 式中：a(x,y)与b(x,y)分别是当前图像和背景图 基于视角转换模型(view transformation model, 像在像素(x,y)处的灰度值，该函数可根据背景图 VTM)的交叉视觉和多视角步态识别算法；赵永伟 像的亮度来检测其敏感性变化9.对二值化处理后 等)提出了基于多特征和多视角信息融合的步态 得到的运动目标进行形态学处理即可得到单连通人 识别方法；刘海涛8]引人立体视觉的方法，构造了 体目标区域，如图2所示， 以三维人体轮廓的质心为参考中心的三维人体轮廓 描述子(3 body contour descriptor,3D-BCD) 多视角能提供更多的步态信息，但如何有效利 用这些信息是一个研究难点.本文尝试从双视角对 步态识别开展研究，选取正面视角和侧面视角的步 态序列作为研究对象，各自独立地获取特征，利用融 合策略进行双视角下的步态识别， 1 双视角步态识别算法 双视角步态识别的整体流程如图1所示.首先 a)正面视角 h)侧面视角 对正面视角和侧面视角的步态序列进行预处理，得 图2双视角下单连通人体目标区域 到单连通人体轮廓图形，然后针对正面视角的人体 Fig.2 The simply connected human target area of two 轮廓特征和侧面视角人体行走的动态特征分别进行 views Procrustes均值形状和动作能量图(active energy im- age,AEI)计算，并对动作能量图采用二维局部保留 1.2特征提取 two-dimensional locality preserving projections, 由于不同视角下所获取的步态序列所表达的信 2DLPP)进行降维，最后对2个视角的识别结果进行 息不同，因此对正面视角和侧面视角采用不同的特 决策融合达到最终识别的目的。 征进行表示. 1.2.1正面视角 正 正特 正面视角采用Procrustes均值形状对步态进行 表征.Procrustes均值形状分析法是方向统计学中一 角列 角取 取 侧特 宋 识别结果 种特别流行的方法，非常适用于编码二维形状，并提 供了一种好的工具来寻找一组形状的均值形状[] 角列 角取 图 正面视角的步态序列存在着从小到大的变化过 程1，需要进行归一化处理，以步态周期最后一帧 图1，双视角下多特征信息融合的步态识别 人体轮廓的大小作为归一化的标准.此外，从正面观 Fig.1 Flow chart of gait recognition of multiple fea- 察，人体质心存在周期性的左右偏离，因此采用质心 ture information fusion under dual-view 到人体轮廓外接矩形左右两侧的距离比进行周期检 1.1预处理 测.人体质心计算公式为： 预处理是步态识别中的重要步骤，它的目的在 ∑.xI(x,y) ∑yl(x,y) 于将人体轮廓从背景中提取出来.在构建背景时采 ∑I(x,y) ye I(x,y） 用中值法，选取连续N帧图像像素的中值作为背景 , 图像的像素值，即背景图像b可通过式(1)获取 对一段视频序列的周期检测如图3所示，从图 b(x,y）=median(Ik(x,y）),k=1,2,…,N.(1) 中可以看出该步态序列的步态周期在24帧左右