一種正面視角的行人步態(tài)周期檢測方法
【技術(shù)領域】
[0001] 本發(fā)明涉及計算機視覺和生物特征識別領域，尤其是一種適用于正面視角的行人 步態(tài)周期檢測方法。
【背景技術(shù)】
[0002] 步態(tài)是人類步行時的姿態(tài)，是各種步態(tài)特征的集合表現(xiàn)。步態(tài)識別是指將人行走 時的姿勢作為特征信息來實現(xiàn)對個人身份的一種識別方法，是新興的生物特征識別方法之 一。不同人的走路姿勢都是各不相同的，都具有唯一性，且都具有長期穩(wěn)定性。因此，可根 據(jù)步態(tài)特征來檢測行人的身份。近年來，步態(tài)識別以其低分辨率、易采集、不易偽裝與模仿 等優(yōu)勢而成為視覺檢測和模式識別領域研宄的熱點之一，在智能監(jiān)控、醫(yī)學、運動分析、虛 擬現(xiàn)實以及基于模型編碼領域得到了廣泛應用，具有很強的理論意義和現(xiàn)實價值。
[0003] 人體正常條件下的行走姿態(tài)是具有周期性的，一個步態(tài)周期就包含了幾乎全部的 步態(tài)信息，因而為減少計算量，在進行步態(tài)識別之前需要對步態(tài)周期進行檢測，然后從人體 步態(tài)視頻序列中的某一周期提取出一組特征幀，從而提取行人的步態(tài)特征。目前，國內(nèi)、外 學者在步態(tài)周期檢測方面做了大量的研宄。Boulgouris等人通過利用前景像素和的自相 關(guān)分析法獲得步態(tài)周期；Collins等人通過分析人體高度和寬度的周期性變化獲得步態(tài)周 期；Kale等人通過人體寬度向量的范數(shù)隨時間的變化來分析步態(tài)的周期特性；陳實等人通 過人體局部輪廓的點分布直方圖獲取步態(tài)周期。
[0004] 可是，上述這些方法都不能應用在正面步態(tài)的周期檢測上，因為正面步態(tài)序列中 人體寬度是基本保持不變的。目前針對正面視角步態(tài)的周期檢測方法不多，高海燕等人根 據(jù)腳踝以下部分在一個步態(tài)周期中呈現(xiàn)出"W-U-W-U"的變化規(guī)律，利用人體下1/4部分區(qū) 域人體中心線左右兩側(cè)像素點數(shù)目之差的變化規(guī)律來檢測周期，但由于受腳部陰影響而使 中心線的位置不準，最終導致周期分割不準確，且算法復雜。王科俊等人根據(jù)下臂搖擺區(qū)域 像素點的數(shù)目變化情況確定正面步態(tài)周期，但這種方法受到行人衣著的干擾較大，且當行 人攜帶物品時，胳膊的擺動會受到嚴重影響甚至相對于軀干完全靜止，需要預先保存靜態(tài) 背景且適用性差。潘興廣等人利用下肢擺動的面積變化來計算步態(tài)周期，但單一的特征使 得受腳部陰影影響較大，最終導致周期分割不準確。目前的適用于正面視角的步態(tài)周期檢 測方法較少，且因條件限制使得檢測結(jié)果不準確、適用性差。步態(tài)周期檢測的準確度會嚴重 影響后期步態(tài)識別的精確度，而現(xiàn)有的步態(tài)識別算法基本都是在假定周期分割很好的情況 下進行特征提取與目標識別的。
[0005] 綜上所述，快速準確的分割步態(tài)周期、提高適用性，對步態(tài)識別具有非常重要的意 義。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種適用于正面視角、計算量小、無需預先保存靜態(tài)背景、對 光照等環(huán)境噪聲和陰影具有很好魯棒性的正面視角的行人步態(tài)周期檢測方法。
[0007] 本發(fā)明所要解決的技術(shù)問題由以下技術(shù)方案實現(xiàn)，所述檢測方法包括以下步驟：
[0008] (1)輸入行人正面步態(tài)的視頻，提取單幀圖像，經(jīng)灰度變換獲得灰度圖像序列，將 經(jīng)過預處理得到的二值圖像中包含不完整人體目標的冗余幀去除；
[0009] (2)采用背景減除法，利用尾幀進行背景建模；提取視頻圖像中含有完整人體目 標的最后一幀，作為迭代法的靜態(tài)背景，將所有幀對視頻最后一幀做減法運算，得到二值化 圖像序列，圖像中包含一個白色輪廓，定義為外靜態(tài)輪廓，白色區(qū)域中存在一個黑色輪廓， 定義為內(nèi)靜態(tài)輪廓；
[0010] (3)利用統(tǒng)計相鄰幀差法對得到的二值化圖像序列進行分析，分別提取出內(nèi)、外靜 態(tài)輪廓，并通過連通性分析，只保留外靜態(tài)輪廓及其外側(cè)的點，之后將二值圖像取反，分別 與利用尾幀進行背景建模得到的圖像序列相加，提取完整的人體目標輪廓；
[0011] (4)從上至下掃描人體目標，在人體身高的下三分之一高度處將人體目標輪廓劃 分為上、下兩部分。采用局部閾值法，對人體上、下區(qū)域分別采用最大類間方法對圖像進行 二值化處理；
[0012] (5)從左至右掃描人體目標身高的下三分之一高度處，標記此處人體輪廓兩側(cè)的 邊緣點，利用對稱性確定中心線橫坐標，將人體目標輪廓劃分為左、右兩部分，提取人體下 三分之一區(qū)域的左、右腿投影的長度以及提取人體左、右上肢的擺動幅度，得出變化曲線， 將其作為判斷正面步態(tài)周期的依據(jù)；提取人體下三分之一區(qū)域的左、右腿的長度的方法如 下：掃描人體目標輪廓的左、右腿最低點的縱坐標，分別提取左、右腿最低點與人體下三分 之一高度處的縱向距離，得出變化曲線。提取人體左、右上肢的擺動幅度的方法如下：根據(jù) 人體四肢比例，確定人體腕關(guān)節(jié)的高度，掃描最左、最右的人體輪廓邊緣點，得出兩點的橫 坐標與分割中心線橫坐標的差值。
[0013] (6)將人體上、下肢特征進行相加融合；將人體目標下三分之一區(qū)域左腿長度與 左側(cè)上肢擺動幅度進行加法運算，獲得左側(cè)周期特征，將右腿長度與右側(cè)上肢擺動幅度進 行加法運算，獲得右側(cè)周期特征；
[0014] (7)提取人體目標左側(cè)周期特征和右側(cè)周期特征，將人體左、右側(cè)周期特征進行減 法運算，得到步態(tài)周期的周期曲線，確定人體步態(tài)周期的最終結(jié)果。
[0015] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點：
[0016] 1、計算量小，大大縮短周期檢測時間，具有良好的快速性；
[0017] 2、利用視頻尾幀進行背景建模提取目標輪廓，解決了正面步態(tài)視頻無靜態(tài)背景的 問題；
[0018] 3、對光照等環(huán)境噪聲具有很好的魯棒性，將下肢運動產(chǎn)生的長度變化特征和上肢 擺動產(chǎn)生的幅度變化特征融合，使用更全面的信息進行步態(tài)周期檢測，彌補了單一特征不 穩(wěn)定造成周期檢測結(jié)果不準確的缺點，擴大了檢測方法的適用范圍。
【附圖說明】
[0019] 圖1是本發(fā)明方法的流程圖。
[0020] 圖2是無靜態(tài)背景的背景減除圖像。
[0021] 圖3是本發(fā)明方法利用尾幀進行背景建模的背景減除圖像。
[0022] 圖4a)是像素值沒有變化的點的集合圖像。
[0023] 圖4b)是填補空洞后圖像。
[0024] 圖5是利用尾幀進行背景建模的運動目標輪廓提取的過程圖。
[0025] 圖6是采用局部閾值處理的二值化圖像。
[0026] 圖7是人體目標區(qū)域左右部分分割圖。
[0027] 圖8是人體下三分之一區(qū)域左右腿長度示意圖。
[0028] 圖9是人體下肢長度差值變化曲線圖。
[0029] 圖10是人體上肢左、右擺動幅度示意圖。
[0030] 圖11是人體上肢擺動幅度差值變化曲線圖。
[0031] 圖12a)是基于人體左、右周期特征融合的正面步態(tài)周期曲線圖。
[0032] 圖12b)是平滑后的正面步態(tài)周期曲線圖。
[0033] 圖13是本發(fā)明方法的正面步態(tài)周期檢測結(jié)果。
【具體實施方式】
[0034] 下面結(jié)合附圖對本發(fā)明做更詳細的描述：
[0035] 如圖1所示的流程圖，所述檢測