雖然步態(tài)識別是一個新興的研究領(lǐng)域，但是近年來已經(jīng)涌現(xiàn)出了一些嘗試性的工作。最早提出步態(tài)識別算法的是Niyogi與Adelson等人。Cunado和Nixon等人提出了一種基于模型的特征提取分析方法，VHT(velocity hough transform)。Kale等人將行人的外輪廓寬度作為圖像特征，提出了一種依賴于角度的識別方法。而Johnson和Bobick提出了一種不依賴于角度的步態(tài)識別算法。Sarkar等人提出了步態(tài)識別的基線算法。Lee等人提出了一種基于步態(tài)外形的表達方法，其具體做法是先將人體的各個部分映射到幾個橢圓組成的模型上，然后用其質(zhì)心位置和離心率作為步態(tài)特征來進行步態(tài)識別。Wang等人提出了一種簡單有效的、基于人體運動輪廓的識別算法。值得注意的是，步態(tài)識別的研究尚處于初級階段，表現(xiàn)在：a．實驗都是在特定的環(huán)境下進行的，比如相對簡單固定的背景，人相對于攝像機側(cè)面行走，攝像機固定不動等；b．算法的評估都是在小樣本數(shù)據(jù)庫上進行的，而且數(shù)據(jù)庫也不規(guī)范。

 

　　迄今為止，針對步態(tài)識別所進行的研究幾乎全部是基于PC機的，而在許多情況下，卻需要非PC機環(huán)境，所以研究基于嵌入式平臺的步態(tài)識別系統(tǒng)，具有一定的工程意義。本系統(tǒng)的功能是對采集到的步態(tài)視頻序列進行圖像處理，得到視頻序列中的人體步態(tài)信息，再由步態(tài)算法根據(jù)所得到的步態(tài)信息進行步態(tài)識別。

 

　　1 系統(tǒng)結(jié)構(gòu)

 

　　本嵌入式自動步態(tài)識別系統(tǒng)主要包括CCD攝像機、圖像采集卡、嵌入式系統(tǒng)、顯示屏等。其中最為核心的是嵌入式系統(tǒng)部分，它包括Renesas 32位嵌入式芯片SH7709S、存儲器、外圍電路、鍵盤、鼠標等。主要完成視頻序列信號的預(yù)處理、處理、步態(tài)識別、顯示輸出等功能。該系統(tǒng)的結(jié)構(gòu)示意圖如圖1所示。

2 步態(tài)識別的基本原理

　　2．1 雙目立體視覺

　　雙目立體視覺是今年來在圖像測量領(lǐng)域發(fā)展起來的一種新技術(shù)，與單目視覺相比，雙目視覺有以下優(yōu)點：可以獲得單目視覺中所沒有的視差或者深度信息；當場景中有遮擋發(fā)生時，雙目立體視覺可以很好地處理遮擋。因為步態(tài)識別的場景難免存在遮擋，為了更好地從各個方向獲得步態(tài)視頻序列，從而能夠為進行正確的步態(tài)識別作出鋪墊，所以采用雙目立體視覺來獲取人體步態(tài)視頻序列。

　　在本實驗中，兩個CCD攝像機分別固定在一個三角架的兩邊，組成雙目立體視覺。

　　2．2 步態(tài)圖像序列中的光流場

　　光流是指圖像中模式運動的速度。光流場是一種二維(2D)瞬時速度場，其中的2D速度矢量是景物中可見點的三維(3D)速度矢量在成像表面的投影。光流不僅包含了被觀察物體的運動信息，而且攜帶著有關(guān)景物3D結(jié)構(gòu)的豐富信息。光流法假定相鄰時刻之間的間隔很小(一般為幾十ms)，從而相鄰時刻的圖像差異也比較小。

　　2．2．1 光流的基本等式

　　光流亮度不變性描述的是圖像上某個象素點的灰度值隨時間的變化率為零，即,展開為

　　若記其中u和v是該點的光流的x分量和y分量，則式(1)為

　　式(2)就為光流計算的基本等式。

　　2．2．2 光流有關(guān)的計算

　　對于圖像上的每一點(xi,yi)，求解光流場方程(2)，得到由迭代形式表示的解為：

　　2．3 光流場中運動特征的提取

　　從光流中提取的特征包括運動點T，加權(quán)的運動點|(u,v)|，|u|，|v|，以及光流分布的質(zhì)心特征等。通過光流場，利用T(u，v)將運動點(白色)和非運動點(黑色)區(qū)分開來，由下式表示：

　　在本實驗中，選取|(u，v)|加權(quán)橫坐標作為從光流場中提取的步態(tài)特征。

　　2．4 步態(tài)特征的數(shù)據(jù)融合

　　對于所提取的步態(tài)特征xuc和yuc，由數(shù)據(jù)融合算法D-S合成公式：

　　其中m1和m2是特征空間上的兩個mass函數(shù)，N為矛盾引子，

 2．5 識別

　　將由數(shù)據(jù)融合得出的特征進行基于PCA的特征空問變換。假設(shè)初始的訓(xùn)練樣本集為T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i個人第j個步態(tài)樣本向量為Xij，而樣本總數(shù)為NT=N1+N2+…+Nc。

　　求樣本集的總體均值向量μ和協(xié)方差矩陣∑，

　　如果協(xié)方差矩陣∑的秩為N，由det|λI-∑|=0求得矩陣∑的N個特征值λ1，λ2，λ3，…，λN，并由矩陣方程λiI-∑=0，i=0,1,2，…，N;求得對應(yīng)于N個特征值λ1，λ2，λ3，…，λN的N個特征向量e1，e2，e3，…，eN。選取與前K個最大特征值對應(yīng)的前K個特征向量，并使其中α表示樣本集在前K個軸上的能量占整個能量的百分比。通常取α值接近于1，以使得樣本集在前K個軸上的能量幾乎接近于整個能量。

　　用式(2)中所求得K個特征向量重建初始樣本集中的每個樣本。算法如下：

　　這樣就得到一個K維的權(quán)向量Ωi，j用于進行識別。

　　選取最近鄰分類法進行步態(tài)模式分類。設(shè)經(jīng)過特征提取并向特征空間投影，所得到的特征向量為Ω，求得Ω與每個每個模式類的平均向量Ω i，j之間的歐幾立德距離。

　　其中

　　由最近鄰分類法的判決準則可知，當εi(x)的值最小時，則x∈εi；否則x∈εi。

　　2．6 識別的有效性與錯誤率

　　根據(jù)模式識別的原理，當有兩類步態(tài)時，步態(tài)識別的錯誤率由下式給出：

　　其中積分區(qū)間R1為當w2誤判為w1時的誤判區(qū)間，而積分區(qū)間R2為當w1誤判為w2時的誤判區(qū)間。當p(e)最小時，識別越有效，而當p(e)越大時，識別性能越差。當有多類步態(tài)時，依次類推。

　　3 系統(tǒng)實現(xiàn)

　　3．1 硬件實現(xiàn)

　　系統(tǒng)硬件連接框圖如圖2所示。

　　3．2 軟件實現(xiàn)

　　系統(tǒng)軟件流程圖如圖3所示。

　　4 結(jié)論

　　步態(tài)識別已成為近些年來計算機視覺領(lǐng)域新的研究方向。本文提出了一種簡單的自動步態(tài)識別方法，并給出了基于Renesas嵌入式芯片的自動步態(tài)識別系統(tǒng)，從長遠來看，該系統(tǒng)的應(yīng)用很廣泛。