第2期 高海燕，等：正面视角的步态识别 ·121· 如图2(a)中的白色区域为检测出的阴影，图2 由于20帧之前人体目标过小，相差结果不准 (b)为未去除阴影时的二值化图像，图2（©）为去除 确，故从第20帧起开始统计.粗线为零点线，曲线与 阴影后的图像.可见该方法检测阴影效果很不错。 粗线的交点就表示双脚并拢状态，极值点表示单脚 最后用形态学算法处理消除小噪声，填补小空 迈出达最大幅度时的状态，每3个零点之间的图像 洞.对图像进行连通性分析，选择像素点最多的连通 序列就构成了一个步态周期。一个步态序列中的多 域作为人体目标区域， 个周期求平均就是该序列的步态周期.图3(b)为用 1.3周期检测 此法提取的一个周期的关键帧序列。 一个步态周期是指人从双腿并拢到迈开一条 腿，再经过一次双腿并拢到迈开另一条腿，直到下一 2特征提取 次双腿并拢的过程，其中包含4个关键帧21：左双 形状特征在模式识别中很常用，而离散傅里叶 撑（两腿迈开时左脚在前）、右双撑（两腿迈开时右 变换是个可逆线性变换，形状信息不会丢失，且具有 脚在前)，左单撑（两脚合拢时左脚摆动），右单撑 简单、高效、计算量小的特点，所以本文以步态轮廓 (两脚合拢时右脚摆动)，常用的周期检测方法有： 线的形状特征的傅里叶描述子作为每帧图像的形状 据人体宽高比、据大腿角度的变化、利用人体 特征 宽度向量的泛数的变化曲线6]等.但很明显这些方 2.1归一化 法都不能用于正面步态周期检测. 正面步态序列中人体图像由小到大变化，不便 本文研究发现正面步态脚部呈“WU-WU-W” 于后期采样，在此需将人体轮廓大小进行归一化.采 规律变化，“W”表示双脚合拢时的形状，“U”表示单 用双线性插值法，用插值点周围4邻点的灰度值加 脚迈出，本文结合正面步态的特点提出利用人体下 权内插作为该点的灰度值，算法如下： 1/4部分区域人体中心线左右两侧像素点数目之差 g(x,y）=(1-p)(1-q)f(x,y)+ 的变化规律来检测周期 p(1-p)f(x+1,y）+q(1-p)fx,y+1)+ 首先利用式(1)确定人体质心 pqf(x +1,y+1). N (1) 式中：f(x,y)为插值前坐标(x,y)处的灰度值； g(x,y)为该点插值后的灰度值；p和q为权值，权重 式中：(x。,y)为质心坐标，N为二值化轮廓的像素 由插值点与邻点的距离比决定， 点总数，xy分别为第k个点的横、纵坐标 本文以步态序列最后一个步态周期中最后一帧 所求像素点数之差曲线如图3(a)所示.横坐标 的人体大小为标准进行归一化，则每帧图像的放大 为图像序列的帧序号，纵坐标为像素点数之差， 倍数都不相同，第帧图像的放大倍数为 5×10 a hw/hk,B Ww/W;k =1,2,..N. 式中：N为步态周期，hk和W.分别为第k帧轮廓的 3 2 高度和宽度，αB分别为纵向和横向的放大倍数。 图4给出了一个周期(N=23,第78~100帧)中第 78813、100帧归一化大小后的效果图。 40102030405060708090100 帧序号 (a)人体下1/4区域左右像素数目差曲线 图4归一化图像大小 Fig.4 The sizes of normalized image 2.2轮廓线提取及采样 (b)步态周期关键帧 2.2.1提取轮廓线 图3步态周期分析 图像的轮廓边缘形状包含了图像大部分的信 Fig.3 Gait cycle analysis