关于步态识别技术的分析介绍和应用

步态是指人们行走时的方式，一个人在行走时，双脚动作和身体其他部位的姿势是独一无二的。根据早期的医学研究，人的步态有24个不同的分量，在考虑所有步态运动分量的情况下步态是唯一的。精神物理学中的研究结果显示即使通过受损的步态信息人们也能够识别出身份，这表明步态信号中存在身份信息。而且这种姿势具有相对稳定性，在一定的时间范围和相同的步行环境下不容易改变，人们可以据此揭示出行走人的身份。在生物特征识别技术里，步态特征是一种新兴的识别技术。步态即人走路的姿态，它由每个时刻身体各部位的相对运动组成，不同的人走路姿态都有比较独特的特征。

优势

相比于其它识别技术，步态识别技术具有一些明显的优势：

1）步态识别对识别距离要求不高

当视频采集设备与待识别目标距离较远时，人脸模糊不清，指纹更无法采集，但是人走路的姿态却清晰可见。除此之外，从预防的角度来说，适用于远距离身份识别技术可以在很大程度上增加以安全为目标的智能视频监控系统。

2）步态识别的非强迫性

与传统的生物特征识别技术（如指纹、虹膜等）相比，步态特征无需被识别者的配合即可获取步态特征。

3）步态特征的不易隐藏、不易模仿性

不同于其它的生物特征，如可以用明胶作的橡胶手指以较高的成功率骗过指纹识别系统，步态特征是人身体的各个部位的协调动作，在一定时间内具有稳定性，即很难改变，并且很难被其他人模仿。

研究现状

目前的步态识别算法大多是在摄像机拍摄的目标行走视频的基础上进行研究的，虽然在计算机视觉领域对人的运动分析研究为时已久，然而真正利用步态信息进行身份识别却是近些年才逐渐发展起来的。对步态识别研究的一个重要分界点是2000年美国国防高级研究项目署DARPA重大项目HID(Human Identificationat a Distance)计划开展的多模态视觉监控技术以实现远距离情况下人的检测、分类和识别，其研究重点之一就是通过步态进行远距离身份识别。

步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段。步态特征提取就是采取某种方法表示检测出的步态和数据库中的已知步态，主要分为两大类：基于形状信息的表征（也称为非结构表征），如轮廓边界、面积、宽高比等；基于运动和动力学特性的表征（也称为结构表征），如人体动力学模型、关节角度的变化、步行速度等。基于形状信息的方法包括，Little与Boyd利用了光流图像中上步态的频率和相位特征来对行人进行识别，在一个6人组成的数据库上获得了90%以上的识别率。Murase和Sakai提出了一种时空相关的模板匹配方法，同时引入特征空间变换(PCA, Principal ComponentAnalysis)来进行数据降维。Huang等人通过增加正则分析拓展了他们的工作，在UCSD数据库上的识别率为100％。中科院自动化所的王亮等人通过人体轮廓边界解卷绕方式来提取步态特征，同样用PCA进行数据降维，该方法在CASIA数据库上分别对3种视角的步态序列进行了实验，因视角的不同，识别率从63.75%-93.75%不等。Shutler等提出了一种基于速度时间矩的步态识别算法，减少了步态识别中噪声的影响。Kale等人率先将隐马尔可夫模型引入到步态特征提取中，并用聚类的方法提取5个关键帧来减少数据维数。此外，James等人利用对称性分析算子来进行步态识别也取得了不错的效果。另一类基于运动和动力学的方法旨在构建一个人体的2D或3D的运动结构模型，通过提取图像特征把它们映射到模型的结构成分上来表征人体的步态模式，其中包括，南安普顿大学的Cunado等人将大腿建模为链接的钟摆，并从其倾斜角度信号的频率分量中获取步态特征。

中科院自动化所的HuazhongNing等人先对人进行跟踪，再从跟踪结果中获取人体主要关节的角度变化轨迹作为动态特征用于身份识别。Yoo等人根据解剖学的知识，提取出头、脖颈、肩、胸、骨盆、膝盖和脚踝的位置，然后计算各个位置的运动学特征（相对于垂直方向摆动角度）从而进行步态的分类识别。Lily Lee等人采用七个椭圆表达人的侧面二值化图像的身体不同部分，每一个椭圆用质心的两个坐标、长短轴之比、长轴的方向等四个特征表示，加上整个身体图像的质心的高度，一共29个特征参数表示整个人体侧面图像，再通过模板匹配方法进行步态识别。P. J. Phillips和S. Sarkar对步态识别步态识别技术所面临的挑战和相关的技术困难进行了详细的论述，并构造了一个包括122个人的步态数据库，对视角、鞋的变化、路面变化、提包等因素进行了比较分析。