早期的醫(yī)學(xué)研究指出：人的步態(tài)中有24種不同的成分，如果把這24種成分都考慮到，則步態(tài)是為個體所特有的。有關(guān)研究人員近些年來通過對人的步態(tài)分析，已經(jīng)得出了在步態(tài)視頻序列中含有人的身份信息，因此進(jìn)行步態(tài)識別也是一種非常重要的生物識別技術(shù)。步態(tài)識別是近年來越來越多的研究者所關(guān)注的一種較新的生物認(rèn)證技術(shù)，它是通過人的走路方式來識別人的身份?；诓綉B(tài)的身份認(rèn)證識別技術(shù)相對于其它生物識別技術(shù)有如下優(yōu)點(diǎn)：遠(yuǎn)距離識別、識別對象的被動性、不易被隱藏、不易被察覺、應(yīng)用領(lǐng)域廣闊等，步態(tài)識別技術(shù)最近已經(jīng)備受關(guān)注，并且已經(jīng)取得了一些初步成果。如美國國防部研究項(xiàng)目署(DARPA)2000年的重大項(xiàng)目一HID(human identification at adistance)計(jì)劃，其目的就是開發(fā)多模態(tài)視覺監(jiān)控技術(shù)以實(shí)現(xiàn)遠(yuǎn)距離情況下人物的檢測、分類和識別。中科院自動化研究所模式識別國家重點(diǎn)實(shí)驗(yàn)室近年也開始了對步態(tài)識別的研究，而且創(chuàng)建了NLPR步態(tài)數(shù)據(jù)庫。
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(diǎn)：可以獲得單目視覺中所沒有的視差或者深度信息；當(dāng)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?yàn)椴綉B(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?yàn)檫M(jìn)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(shí)驗(yàn)中，兩個CCD攝像機(jī)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(yùn)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(diǎn)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(yùn)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(diǎn)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(diǎn)的光流的x分量和y分量，則式(1)為
式(2)就為光流計(jì)算的基本等式。
2．2．2 光流有關(guān)的計(jì)算
對于圖像上的每一點(diǎn)(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(yùn)動特征的提取
從光流中提取的特征包括運(yùn)動點(diǎn)T，加權(quán)的運(yùn)動點(diǎn)|(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(yùn)動點(diǎn)(白色)和非運(yùn)動點(diǎn)(黑色)區(qū)分開來，由下式表示：
在本實(shí)驗(yàn)中，選取|(u，v)|
加權(quán)橫坐標(biāo)
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(jìn)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(jìn)行識別。
選取最近鄰分類法進(jìn)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(zhǔn)則可知，當(dāng)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(dāng)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(dāng)w2誤判為w1時的誤判區(qū)間，而積分區(qū)間R2為當(dāng)w1誤判為w2時的誤判區(qū)間。當(dāng)p(e)最小時，識別越有效，而當(dāng)p(e)越大時，識別性能越差。當(dāng)有多類步態(tài)時，依次類推。
3 系統(tǒng)實(shí)現(xiàn)
3．1 硬件實(shí)現(xiàn)
系統(tǒng)硬件連接框圖如圖2所示。
3．2 軟件實(shí)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(jì)算機(jī)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