416 智能系统学报 第8卷 统在其中的组成结构，最后给出了步态识别中隐马 右大腿、左腿肚和右腿肚6个部分，然后对每一部 尔可夫模型的统计方法、步态周期检测、基于模型的 分采用椭圆来拟合，最后采用椭圆参数的欧式距 方法、外观方法、时间序列的频域变换、降维方法、模 离或马氏距离进行身份识别.鉴于时间归一化存 板匹配方法.2012年，贲現烨等从人体测量学数 在较为复杂的调整过程，而关键帧所含的信息量 据、空间时间数据、运动学数据、动力学数据和视频 不足，本文提出基于Zernike矩（或者伪Zernike 流数据方面总结了步态识别的各种方法.在视频流 矩)的步态周期检测算法，并在一个完整的步态周 数据的计算机视觉的各种方法中，行人行走速度的 期内采用线性插值框架下的矩阵步态识别方法， 变化会影响步态识别的性能，样本的采样只能选取 最后分析和总结识别性能， 部分速率，因此样本间的匹配呈动态特性.就此， 1 Boulgouris等提出2种时间归一化方法，即动态时间 步态周期检测 规整(dynamic time warping,DTW))和线性时间归 首先提取视频中单帧图像进行灰度变换，选择 一(linear time normalization,LTN)[6.田光见等f]和 不含人体的图像作为原始背景图像，然后通过实时 Hog等[8)都是采用DTW进行步态匹配，而且都是 更新的背景减除法提取人体目标，根据Kapur嫡阈 在时间域上进行.DTW和LTN可捕捉步态的时空特 值法对图像序列进行二值化处理，利用数学形态学 性，但是计算较为复杂，而且特征数据较多.Nandini 方法填充二值化图像的空洞，通过单连通分析提取 等)提出关键帧对行走速度变化而言是鲁棒的，是 人的轮廓，将人体轮廓放置在图像中间，图像的大小 最大信息的压缩索引.BenAbdelkader等[o]采用关键 统一归一到64×64大小)，最后检测被分割出的人 帧的自相似图(self-similarity plot,SSP)作为步态的 体，去除包含不完整人体的冗余帧)，图1所示为 特征于仕琪等)使用关键帧的傅里叶描述子来表 视频图像处理的结果.之后再逐帧计算Zernike矩 达步态特征，该方法不需要周期对齐.徐俊红等[] (或伪Zernike矩)，作为分隔步态周期的依据，即起 将关键帧的步态分成头部、躯干和下肢（膝关节以 始帧为第1次出现局部极值，终止帧为第3次出现 上和膝关节以下)4个部分或者头、躯干、左大腿、 局部极值的前一帧。 图1步态图像预处理的结果 Fig.1 Results of gait images preprocessing l.l基于Zernike矩的步态周期检测 力强.在Zernike矩中，阶次较低的代表了图像的低 Zernike矩就是图像函数f(x,y)在正交基函 频特征，阶次较高的代表了图像的高频特征，因此， 数Vm(P,9)上的投影.在单位圆外趋于零的连续图 用其提取的特征还可以反映一定的动态特性.测试 像函数的n阶m重Zernike矩为 如图1所示的步态序列，采用前面所述的图像序列 2n=+1 ∬fx,y)Va(p,)dxdy.（1) 预处理方法，逐帧计算Zernike矩Zo的模数，测试 下2+3261 结果如图2所示.由于Zernike矩定义的特征只具有 对于一个数字图像，积分被求和代替，式(1)就 旋转不变性，为了获取尺度和平移不变量，步态序列 变为 图像还需要标准化处理， 名=”告Σ，.0+≤1 ×10 为了计算给定图像的Zernike矩，把图像的中心 作为原点，其他点的坐标被映射到单位圆内，即x2+ y2≤1，落在单位圆外的那些点不参与计算， 10 2030 40 50 60 Zernike矩具有以下优点：1)旋转不变性；2)信 帧数 息表达的冗余性小，所提取特征的相关性和冗余性 (a)未经人体居中、大小归一等步骤 小：3)容易构造高阶不变矩：4)鲁棒性好，抗噪声能统在其中的组成结构ꎬ最后给出了步态识别中隐马 尔可夫模型的统计方法、步态周期检测、基于模型的 方法、外观方法、时间序列的频域变换、降维方法、模 板匹配方法.２０１２ 年ꎬ贲晛烨等[４] 从人体测量学数 据、空间时间数据、运动学数据、动力学数据和视频 流数据方面总结了步态识别的各种方法.在视频流 数据的计算机视觉的各种方法中ꎬ行人行走速度的 变化会影响步态识别的性能ꎬ样本的采样只能选取 部分速率ꎬ因此样本间的匹配呈动态特性. 就此ꎬ Ｂｏｕｌｇｏｕｒｉｓ 等提出 ２ 种时间归一化方法ꎬ即动态时间 规整(ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇꎬ ＤＴＷ) [５]和线性时间归 一(ｌｉｎｅａｒ ｔｉｍｅ ｎｏｒｍａｌｉｚａｔｉｏｎꎬ ＬＴＮ) [６] .田光见等[７]和 Ｈｏｎｇ 等[８]都是采用 ＤＴＷ 进行步态匹配ꎬ而且都是 在时间域上进行.ＤＴＷ 和 ＬＴＮ 可捕捉步态的时空特 性ꎬ但是计算较为复杂ꎬ而且特征数据较多.Ｎａｎｄｉｎｉ 等[９]提出关键帧对行走速度变化而言是鲁棒的ꎬ是 最大信息的压缩索引.ＢｅｎＡｂｄｅｌｋａｄｅｒ 等[１０]采用关键 帧的自相似图(ｓｅｌｆ￣ｓｉｍｉｌａｒｉｔｙ ｐｌｏｔꎬ ＳＳＰ)作为步态的 特征.于仕琪等[１１]使用关键帧的傅里叶描述子来表 达步态特征ꎬ该方法不需要周期对齐.徐俊红等[１２] 将关键帧的步态分成头部、躯干和下肢(膝关节以 上和膝关节以下)４ 个部分或者头、躯干、左大腿、 右大腿、左腿肚和右腿肚 ６ 个部分ꎬ然后对每一部 分采用椭圆来拟合ꎬ最后采用椭圆参数的欧式距 离或马氏距离进行身份识别.鉴于时间归一化存 在较为复杂的调整过程ꎬ而关键帧所含的信息量 不足ꎬ 本 文 提 出 基 于 Ｚｅｒｎｉｋｅ 矩 ( 或 者 伪 Ｚｅｒｎｉｋｅ 矩)的步态周期检测算法ꎬ并在一个完整的步态周 期内采用线性插值框架下的矩阵步态识别方法ꎬ 最后分析和总结识别性能. １ 步态周期检测 首先提取视频中单帧图像进行灰度变换ꎬ选择 不含人体的图像作为原始背景图像ꎬ然后通过实时 更新的背景减除法提取人体目标ꎬ根据 Ｋａｐｕｒ 熵阈 值法对图像序列进行二值化处理ꎬ利用数学形态学 方法填充二值化图像的空洞ꎬ通过单连通分析提取 人的轮廓ꎬ将人体轮廓放置在图像中间ꎬ图像的大小 统一归一到 ６４×６４ 大小[１] ꎬ最后检测被分割出的人 体ꎬ去除包含不完整人体的冗余帧[１３] ꎬ图 １ 所示为 视频图像处理的结果.之后再逐帧计算 Ｚｅｒｎｉｋｅ 矩 (或伪 Ｚｅｒｎｉｋｅ 矩)ꎬ作为分隔步态周期的依据ꎬ即起 始帧为第 １ 次出现局部极值ꎬ终止帧为第 ３ 次出现 局部极值的前一帧. 图 １ 步态图像预处理的结果 Ｆｉｇ.１ Ｒｅｓｕｌｔｓ ｏｆ ｇａｉｔ ｉｍａｇｅｓ ｐｒｅｐｒｏｃｅｓｓｉｎｇ １.１ 基于 Ｚｅｒｎｉｋｅ 矩的步态周期检测 Ｚｅｒｎｉｋｅ 矩[１４]就是图像函数 ｆ(ｘꎬｙ) 在正交基函 数 Ｖ ∗ ｎｍ(ρꎬθ) 上的投影.在单位圆外趋于零的连续图 像函数的 ｎ 阶 ｍ 重 Ｚｅｒｎｉｋｅ 矩为 Ｚｎｍ ＝ ｎ ＋ １ π ∬ ｘ ２＋ｙ ２≤１ ｆ(ｘꎬｙ)Ｖ ∗ ｎｍ(ρꎬθ)ｄｘｄｙ . (１) 对于一个数字图像ꎬ积分被求和代替ꎬ式(１)就 变为 Ｚｎｍ ＝ ｎ ＋ １ π ∑ｘ ∑ｙ ｆ(ｘꎬｙ)Ｖ ∗ ｎｍ(ρꎬθ)ꎬｘ ２ ＋ ｙ ２ ≤ １. 为了计算给定图像的 Ｚｅｒｎｉｋｅ 矩ꎬ把图像的中心 作为原点ꎬ其他点的坐标被映射到单位圆内ꎬ即 ｘ ２ ＋ ｙ ２ ≤ １ꎬ 落在单位圆外的那些点不参与计算. Ｚｅｒｎｉｋｅ 矩具有以下优点:１)旋转不变性ꎻ２)信 息表达的冗余性小ꎬ所提取特征的相关性和冗余性 小ꎻ３)容易构造高阶不变矩ꎻ４)鲁棒性好ꎬ抗噪声能 力强.在 Ｚｅｒｎｉｋｅ 矩中ꎬ阶次较低的代表了图像的低 频特征ꎬ阶次较高的代表了图像的高频特征ꎬ因此ꎬ 用其提取的特征还可以反映一定的动态特性.测试 如图 １ 所示的步态序列ꎬ采用前面所述的图像序列 预处理方法ꎬ逐帧计算 Ｚｅｒｎｉｋｅ 矩 Ｚ２０ 的模数ꎬ测试 结果如图 ２ 所示.由于 Ｚｅｒｎｉｋｅ 矩定义的特征只具有 旋转不变性ꎬ为了获取尺度和平移不变量ꎬ步态序列 图像还需要标准化处理. (ａ)未经人体居中、大小归一等步骤 􀅰４１６􀅰 智 能 系 统 学 报 第 ８ 卷