步态算法（共3篇）
步态算法 篇1
摘要：以仿人机器人双足步行为研究重点,实现了线性倒立摆步行规划和正逆运动学算法。推导出机器人机械结构对线性倒立摆步行参数的约束条件,并采用遗传算法探索参数空间以得到可行、稳定、快速的步行模式。最后,在该仿真平台上验证了步态生成算法的有效性。
关键词：双足步行,步态算法,仿人机器人
机器人是近几十年来发展起来的综合学科,人们总是设法让机器来替人完成繁重的工作,因此研制具有人类行为特征、可以模拟人类行走与操作功能的机器人是长久以来人类对机器人研究的梦想之一。双足步行是生物界难度最高的步行动作,但其步行性能却是其它步行结构所无法比拟的。仿人机器人是工程上少有的高阶、非线性、非完整约束的多自由度系统,这对机器人的运动学、动力学及控制理论的研究提供了一个非常理想的实验平台[1]。
机器人的最大特征是步行能力,因此机器人的步态规划和姿态控制是仿人机器人最重要的技术之一[2]。它不仅是仿人机器人能否实现最基本的类人动作的关键,而且可以为仿人机器人的机构设计和优化提供理论上的指导和技术支持。
1机器人运动学算法
在使用三维线性倒立摆算法生成髋关节与踝关节的轨迹之后,需要用正逆运动学算法计算出机器人各关节角度[3,4]。正逆运动学算法在机器人实时步行规划中会被经常用到,因此实现方法应具有能用性和高效性,使其既适合拥有不同连杆结构的机器人模型,同时必须在机器人舵机控制周期内完成计算。
1.1正运动学的算法及其实现
正运动学(Forward Kinematics)是指根据关节角来求连杆的位姿[5]。它常用于机器人的重心计算、机器人状态的可视化图形描述和与环境碰撞的判定等情况。正运动学的计算可以根据齐次变换并按链式法则进行。
1.2逆运动学的算法及其实现
在倒立摆算法生成运动轨迹后,需要根据机器人的躯干和足部位姿求解各关节的角度,称为逆运动学(Inverse Kinematics)。例如,在机器人避开地面障碍过程中需要指定抬脚高度和落脚点,这时便要用到逆运动学算法。逆运动学求解有解析法和数值法两种,而数值法计算简单且具有通用性[6]。
1.3编译不同平台上的函数库
说明函数库Boost,TVMET和CLAPACK编译成不同平台上的共享库的步骤。
Boost库是一个经过千锤百炼、可移植、提供源代码的C++库,大部分boost库功能的使用只需包括相应头文件即可。所以主要使用其uBLAS子库完成相应矩阵运算功能。uBLAS库提供矢量和矩阵的C++模板类,并通过运算符重载使矩阵运算更接近数学表达形式。本方所使用的u BLAS库可在头文件<openhrp/ublasCommonTypes.h>中找到时。
TVMET库,即小型矢量和矩阵的表达式模版,通过表达式模版提高小型矩阵运算的效率。矩阵维数需在编译时确定。该库的使用方式也是只需包含相应头文件。
CLAPACK库是线性代数库LAPACK的C语言版本。原生的LAPACK库是用Forturn写的,因此影响其可移植性。使用源码转换工具f2c将LAPACK源码转换为C源码,并加上少许修改,便成为CLA-PACK。CLAPACK不仅提供了强大的线性代数运算功能,而且更易于移植到不同平台。
2三维线性倒立摆步态生成算法
三维线性倒立摆(3D Linear Inverted Pendulum,3D LIP)是目前双足步行中使用最为广泛的步态生成模型[7],它主要基于以下两点假设:第一,假设机器人所有的质量集中于其质心位置;第二,假设机器人的腿部无质量,它与地面的接触是通过一个可以转动的支点实现的。
2.1基于步行区段的LIP算法实现
LIP算法由LIPGaitPlanner类实现,参阅源码<lip/LIPGaitPlanner.cpp><lip/LIPGaitPlanner.h>。可以将LIP算法理解为以步行常量和步行参数为输入,并以调整落脚点之后的步行区段序列为输出的计算过程。通过步行区段序列,可得到质心的规划轨迹。该类的UML图如图1所示:
在此对LIPGaitPlanner两个重要方法进行说明。构造函数LIPGaitPlanner()第一个参数fws为LIP算法开始执行时机器人的第一个步行区段,通常机器人由曲膝站立状态开始行走,因此fws描述了此时机器人位姿;第二个参数sxy是步长步宽序列;而第三个参数sth是步角序列。GetWalkingSegments()是真正实现LIP算法的方法,该方法将规划后的步行区段序列放在wsseq中。
下面给出一个使用LIP算法进行步行规划的范例。从代码可以看出,只需3行(第1～3行)便可获得描述了质心轨迹及落脚点的步行区段序列。第6～11行以TIMESTEP为时间步长,打印出各步行区段的质心轨迹。
2.2 LIP步态生成算法参数设置研究
线性倒立摆(LIP)是双足机器人步行步态生成中最常用的模型,它将复杂的机器人机械结构简化为中于腰部的一个质点及两条细长无质量的等效腿。在实际应用中,LIP算法的参数设置直接影响机器人步行的稳定性和速度。本文研究在给定的机器人结构后,如何通过设置LIP参数,从而产生有效,稳定,快速的直线行走步行模式。
2.2.1 步行参数的松弛约束
步行参数的松弛约束是指,在执行LIP算法之前,根据机器人结构检查所设置的步行参数在物理上是否可行。只有通过了满足松弛约束的步行参数才能执行LIP算法。LIP算法中质心高度Zc,单腿支撑周期Tsup,及步长Sx与步宽Sy的设置。
为了进行约束检查,必须获得两个反映机器人机械结构的参数:最大腿长和最大关节角速度。由机器人机械结构导出Lm与ωm后,可对步行参数进行约束。LIP质心高度应小于机器人直立时髋关节与踝关节的垂直距离,即Zc<Lm;在支撑时间Tsup内,摆动腿需要从上个着地点摆到下个着地,而摆动腿的最大角度的受ωm限制,分析两个对称步行单元的摆动腿运动过程如图2所示。
根据图2可以得到式(1)与式(2):
2.2.2 步行参数的严格约束
LIP步行参数的松弛约束可在算法执行之前进行检验,而严格约束需要随着算法的执行过程一步步进行检验。机器人由站立状态到直线行走,最近停止返回站立状态这一过程中,使用LIP生成步态时应该注意的参数设置问题。LIP参数设置的目标是使生成的步态可行,稳定,快速。
2.3 使用遗传算法搜索参数组合
遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。
正因为遗传算法这个特性,可以用其来寻找合适的步行参数组合[8],再使用最佳参数组合执行线性倒立摆算法,便可得到可靠合理的步行模式。
3 步态仿真
3.1 仿真平台
OpenHRP3[9] (Open Architecture Human-centered Robotics Platform version 3,开放体系架构类人机器人平台版本3)是日本国立产业技术综合研究所(AIST)机器人技术研究中心开发的类人机器人技术仿真平台,是一个“分布式组件类型的机器人仿真器”。
OpenHRP3建立在中间件omniOrb与OpenRTM之上,omniOrb是COBRA规范的一个实现,而OpenRTM是采用了omniOrb的机器人技术中间件,其目标是在基于分布式对象技术的基础上通过网络实现不同机器人组件的整合与协作。本研究主要是在OpenHRP3上进行机器人双足行走的仿真,同时验证LIP算法的有效性。
3.2 建立双足机器人模型
OpenHRP3使用VRML语言描述双足机器人模型,然后用一个工程将这些模型添加进来,构造期望的仿真环境。VRML模型文件一般位于MYM(OPENHRPHOME)/etc/目录下。每个VRML模型文件由两部分构成,PROTO节点声明部分和真实模型定义部分。所谓真实模型定义,就是定义PROTO节点的实例,从而构成期望的模型。每个模型的所有关节与连杆其实都是PROTO节点的实例。
3.3 编写步态控制器
使用rtc-template软件生成RTC(RT功能单元的模块化软件组件称为RT-Component,简称RTC)框架;添加核心逻辑,采用了离线步态生成方法之后,采用PD控制,每隔TIMESTEP的时间就向仿真器发送关节力矩。编写rtc.conf,配置RTC控制器的与corba的连接。对于双足步行机器人的控制器来说,其配置文件的内容如下。
3.4 建立仿真工程
在完成模型的建立,控制器的编写和步态文件的生成后,再把这些东西组合起来,建立平坦地面上机器人直线步行的仿真。启动OpenHRP3仿真平台,新建工程,并创建一个新World State;添加模型,将在场景中添加两个模型,一个作为地面的floor.wrl,另一个是机器人模型CSRobot.wrl;添加碰撞对,将机器人与地板设碰撞对,设置OpenHRP标签页中的collision页;为机器人指定控制器,接下来点击“start simulation”进行仿真,可以看到机器人在地面上开始缓缓行走,如图3所示。
4 结论
在现有的技术下,完成仿人机器人的结构设计和加工并不困难,困难的是规划出适用于仿人机器人样机的双足步行步态。因而规划出合理并且适用的步态是整个仿人机器人科研计划完整实施的必要条件,没有行走步态的规划,仿人机器人最基本的移动功能也就无从实现,也就失去了仿人机器人灵活多变、适应能力强的优势,而仿人机器人的其他功能,也会受到极大的影响。
参考文献
[1]谢涛,徐建峰,张永学,等.仿人机器人的研究历史、现状及展望.机器人,2002;24(4):367—374
[2]杨庆.仿人机器人实时运动规划方法研究.湖南:国防科技大学,2005
[3]李允明.国外仿人机器人发展概况.机器人,2005;27(6):561—568
[4]包志军,马培荪.从两足机器人到仿人型机器人的研究历史及其问题.机器人,1999;21(4):312—319
[5]蔡自兴.机器人学.北京.清华大学出版社,2002
[6]宋伟刚.机器人学-运动学、动力学与控制.北京.科学出版社,2007
[7]刘涛,王志良,等.基于遗传算法的双足机器人步行姿态控制策略.机器人,2006;22(7):252—254
[8]恽为民,席裕庚.基于遗传算法的机器人关节空间最优化运动规划.机器人,1995;17(4):206—216
[9] Kanehiro F,Hirukawa H,Kajita S.OpenHRP:open architecture hu-manoid robotics platform.The International Journal to Robotis Re-search,2004;23(2):155—165
步态算法 篇2
步态识别旨在利用人们的走路姿势来进行身份的识别。目前,步态识别的方法大致分为2类:基于模型方法和非模型方法。基于模型方法需要事先建立人体的结构或运动模型[1,2],如庄月挺[3]等建立的人体三维棍状模型等。这种方法直接从建立的模型中获得步态特征,但匹配和搜索过程较复杂。非模型方法直接从人体轮廓或运动中提取步态特征参数,无需建立人体模型。如文献[4]将统一Hu矩和步幅特征结合进行步态识别;文献[5]提取Zernike矩特征进行步态识别研究;文献[6]将提取的紧致度、矩形度、伸长度和质心高度相结合,采用支持向量机进行步态识别。这类方法计算量小,符合实时性要求,但受外界干扰比较敏感。
依据非模型的方法,提出了一种基于PCA主成分分析和统一Hu矩特征融合的步态识别新方法。将人体髋关节以下的运动部分作为感兴趣区域,进行归一化处理,对其进行PCA特征提取,并用统一Hu矩来描述其轮廓特征,将二者进行数据融合,采用支持向量机进行分类识别。
1 特征提取算法分析
1.1 PCA主成分分析
PCA是目前应用较广泛的特征提取方法。假设有N幅大小为n×n的步态序列图像,将每幅图像按列相连,构成一个n2维的列向量xi,i=1,2,…,N,则样本矩阵X=[x1,x2,…,xN]n2×N,为n2×N维。由此得序列图像的均值向量M和协方差矩阵Cx为:
式中,N为样本总数;M为均值。
设Cx的秩为r,其特征值为λ1,λ2,…,λr,且λ1≥λ2≥…≥λr,对应的特征向量为wi,i=1,2,…,r。则λi与wi满足:
Cxwi=λiwi,i=1,2,…,r。 (3)
令W=[w1,w2,…,wr],一般称特征向量wi为样本矩阵X的第i个主分量,W称为样本数据的主分量矩阵。
1.2 统一Hu不变矩
Hu提出了用于区域形状识别的连续函数不变矩的定义,利用归一化的二阶和三阶中心距构造了7个不变矩的表达式,这7个表达式对于平移、旋转和尺度缩放都具有不变性。其中前4个的表达式如下:
文献[7]已经证明,在实际点的离散状态下7个不变矩的尺度不变性是不成立的。针对这种情况,构造了一组新的表达式,新表达式同时考虑了区域、边界和离散状态3种情况,使之在这3种情况下都具有平移、旋转和尺度不变性,称之为统一Hu矩。其仅利用了Hu矩中计算量小的前4个矩不变量φ1,φ2,φ3,φ4。具体表达式如下:
2 实验结果与分析
2.1 运动目标检测及感兴趣区域分割
运动目标检测过程如图1所示。
利用中值法对图像序列进行背景建模,背景减除得到初步二值化的运动人体。由于存在噪声和干扰点,多次利用形态学操作,来消除孤立的噪声点,填充小的孔洞,进一步获得理想的二值化图像,如图1所示。图1(a)为视频序列图像中的原始图像,图1(b)为利用中值法得到的背景估计图像,图1(c)为背景减除得到的初步二值化运动人体,图1(d)为经过形态学处理后的理想二值化图像。
根据人体解剖学中各部分肢体占身高的比例关系,如图2所示,设人体高度为H,则髋关节为0.530 H。
根据此比例关系,对人体髋关节以下部分进行加框操作并将其作为感兴趣区域进行分割,将感兴趣区域进行归一化操作,以消除冗余。如图3所示。
(a) 髋关节以下加框操作 (b)感兴趣区域分割
2.2 特征提取和融合
本文首先采用PCA主分量分析进行感兴趣区域的特征提取,选取90%的能量特征,同时采用统一Hu矩的不变矩表达式,来计算图像序列每一帧中感兴趣区域的不变矩,将二者所得特征数据融合,构成用于识别的步态特征向量。
在进行统一Hu不变矩特征提取时,由于不变矩的变化范围较大,采用取对数的方法进行数据压缩,即实际上采用的不变矩为:
undefined。 (6)
本文的步态视频序列库为小样本数据,其中包含4个人的步态视频,每个人62帧序列图片,共248帧图片,人的行走方向均与摄像机成90°的垂直方向。感兴趣区域的主分量PCA特征W为74维,将beta1～beta5作为图像的矩特征,即
Zj=(beta1j,beta2j,…,beta5j)。 (7)
进而构成矩特征空间Z=(Z1,Z2,…Zj)T,其中,j=1,2,…248为步态序列的帧数。将2种特征相结合,构成79维的合成特征矩阵Q,即
Q=(W,Z)。 (8)
2.3 分类识别
实验运行环境为Pentium(R) Dual-Core CPU 3.07 GHz,1.96 GB的内存;操作系统为Windows XP;软件平台为Matlab 7.1。
分别采用PCA+SVM的方法、统一Hu矩+SVM的方法和PCA+统一Hu矩+SVM的方法进行对比试验,每种方法仿真10次,其仿真次数与识别率的关系曲线如图4所示,其平均识别时间和识别率如表1所示。
由图4可以看出,本文所用方法的曲线波动较小,即稳定性好于其他2种方法。由表1的实验数据可以看出,采用本文所述方法,将2种特征结合起来,比单独使用其中一种特征进行识别的识别率要高,而且平均识别时间不到2 s,时间代价比较低,满足一定的实时性要求。
另外,为了证明所用方法的有效性,将该方法与其他文献中提及的识别方法进行对比实验,在进行比较的时候,样本数据库仍然是本文所用的小样本数据库,比较结果如表2所示。
从表2可以看出,本文所用的组合特征算法要优于其他文献的方法,说明本文所用方法有效可行。
文献[4]采用将统一Hu矩与步幅特征相结合进行分类识别,虽然包含了步态的静态特征和动态特征,但是步幅特征的提取增加了计算量,使得分类器在分类识别时的误差增大,从而影响了识别率。文献[5]在文献[4]的基础上进行改进,采用提取步态的Zernike矩特征进行分类识别,Zernike矩比统一Hu矩更能精准地表达步态特征,识别率较文献[4]虽有所提高,但文献[5]只提取了步态的动态特征,识别率仍有待提高。文献[6]将多种有效步态特征结合起来,采用将紧致度、矩形度、伸长度和质心高度结合起来共同作为步态的有效特征进行分类识别,虽然更全面、更好地表征了步态运动的特征,但是特征的增加势必带来数据量的增加,导致识别率没有很大提高。而本方法不仅提取了步态运动的有效静态特征和动态特征,而且计算量和数据量也得到了减少,识别率得到了很大提高。
3 结束语
本文提出了一种基于PCA主分量特征、统一Hu矩和支持向量机的步态识别新方法,将人体髋关节以下运动部分作为感兴趣区域,对其进行PCA特征提取和统一Hu不变矩特征提取,将两者结合,形成用于识别的有效特征库,并采用三次多项式核函数的支持向量机进行分类识别,结果表明该算法具有一定的应用前景。当然,本文提出的方法还存在一定的局限性,下一步主要工作就是在大规模数据库上进行算法测试,融合更好的特征,进一步提高识别率。
参考文献
[1]王亮,胡卫明,谭铁牛.基于步态的身份识别[J].计算机学报,2003,26(3):353-359.
[2]POPPE R.A Survey on Vision-based Human ActionRecognition[J].Image and Vision Computing,2010(28):976-990.
[3]庄越挺,刘小明,潘云鹤.一种基于视频的人体动画骨架提取技术[J].计算机研究与发展,2000,37(4):498-506.
[4]林敏,吴清江.基于统一Hu矩和支持向量机的步态识别[J].微计算机信息,2010,26(5):197-199.
[5]李颖佩,卢结成,徐玉辉.基于Zernike矩快速算法的步态识别[J].计算机仿真,2010,27(11):238-241.
[6]江洁,陈峰,张广军.多区域特征融合的步态识别[J].计算机工程与应用,2011,47(7):159-161.
步态识别综述 篇3
生物特征识别技术是指利用人自身所固有的生理或行为特征进行身份鉴别,运用到的生物特征主要有:指纹、掌纹、人脸、虹膜及步态等。在这些生物特征识别中,步态识别近年来为越来越多的研究者所关注,成为一种较新的生物认证技术[1],它是通过人的走路方式来识别人的身份。步态被认为是个体特有的,且完全决定于几百个运动学参数。这些运动学参数包括特定关节点的角速度、加速度以及肢体的边界[2]等。以上领域的研究是步态识别作为一种生物认证技术的科学依据。
与已有的指纹、虹膜和人脸识别等生物识别方法相比,步态识别的优势[3]在于唯一不受距离影响的生物特征、非接触性、难以伪装且受环境影响小、对图像分辨率要求不高。
步态作为一种远距离身份识别的生物特征,虽然它具有其他的生物特征所不具有的一些优点,但也具有明显的缺点。首先,与指纹或虹膜不同,人的步态是高度改变的,它的唯一性是有限的[4],其次,步态识别的识别准确度还不够高,并且对于数据库较小时比较有效,对于数据库中的数据较多时仅仅利用步态很难从中识别出单一的个体,但是此时利用步态可以缩小可能匹配的范围[5]。下面本文对近年来该领域的研究文献进行简单的概述,有助于我们对步态识别这个研究领域有一个总体的认识和了解。
二、步态识别涉及方法的分类
步态识别涉及到的几项关键技术包括:视频处理、图像处理、模式识别。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。
下面针对步态识别过程中的各种方法和算法进行分类概述。
1、运动分割
运动分割的目的是从序列图像中将变化区域从背景图像中提取出来。运动分割可以分为在静止和运动背景下运动目标的检测和提取。现有的运动分割算法大体可分为如下三类:
(1)帧间差分:差分法是最为常用的运动目标检测和分割方法之一。如时域差分方法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时域差分并且阈值化来提取出图像中的运动区域。此类方法的优点是速度快,鲁棒性好,适用于实时性要求较高的应用环境;不足在于算法对环境噪声较为敏感,并且基于差分法的运动目标分割精度没有保证。
(2)背景估计:除差分法外,背景估计静止或缓慢变化背景下运动目标为检测和分割的解决提供了另一条思路。这类方法的优点在于一般能够提供最完全的特征数据,对复杂背景情况效果较好,但是对于动态场景的变化,如光照和外来无关事件的干扰等特别敏感。
(3)基于运动场估计的方法:此类方法通过视频序列的时空相关性分析估计运动场,建立相邻帧对应关系,进而利用目标与背景表观运动模式不同进行运动目标的检测与分割。与差分法相比,运动场分析能够较好地处理背景运动的情况,适用范围更广;缺点在于其计算的时空复杂度过高。
2、步态特征的提取与表达
步态特征提取与表达是步态识别中的关键问题,在一定程度上决定了最终识别率的高低。一般可以分为基于统计特征的方法和基于模型的方法两大类。
(1)基于统计特征的方法
基于统计的方法重点关注人运动的静态信息,这类方法通过从行人的图片序列中产生的时空模式的分析表示步态,直接将从人体图像当中提取出步态的特征数据用于步态的识别。它又可细分为很多类方法,现将比较有代表性的几类方法介绍如下:
(1)基于运动的形状分析
Little与Boyd[6]利用步态序列图像的光流的频率和相位信息进行步态识别,从含有一组从高密度的光流分布的运动差中获得的运动特征的形状。
(2)对称分析
Hayfron-Acquach[7]使用广义对称性算子进行步态识别,描述了基于分析人运动的对称的自动步态识别的方法,这种方法利用的算子不依赖形状的边界,也不依赖总体形状,而是由它们的对称的性质找出特征的位置,是一种综合平衡算子。
(3)图片自相似
Chiraz Ben Abdelkade等[8]使用特征空间中步态的自相似。他们将走路的人的二维动态译成由人的图片序列的成对图片相似点组成的二维图,对序列中的每个图片计算相似性图。
(2)基于模型的方法
基于模型的方法重点关注人的运动信息,这类方法预先建立模型,通过模型和图像序列匹配获得模型参数作为步态特征进行分类。Cunado等[11]提出了钟摆模型,在此基础上,他和Nixon等人[9,10]进行了改进,提出了一种基于模型的特征提取分析方法,称为VHT(Velocity Hough Transform)。VHT方法应用了图像序列之间的时间相关性(这种时间相关性通常被用在视频压缩技术里)来提取线性运动的锥体的最优参数。
3、步态特征识别
在提取了步态特征之后,需要将待测序列的特征与样本特征进行比对完成识别任务,目前步态识别方法主要分为基于模板的方法与基于统计的方法。
(1)基于模板的方法
基于模板的方法主要有模板匹配和动态时间规整。
建模时,模板匹配的算法对每个人体样本都建有一个或者多个模板,识别时将获取的特征数据与模板进行匹配,计算两者之间的相似度。模板匹配算法无法解决运动时间快慢的影响,这是其最主要的缺点。
动态时间规整将两个不同时间长度的运动特征模板,按照一定的时间规整曲线进行时间规整,使得特征模板时间长度达到一致,然后再匹配。
(2)基于统计的方法
基于统计的方法是动态系统模式识别中识别效果最好的方法,主要有隐马尔科夫模型(Hidden Markov Model,简称HMM)和动态贝叶斯网络(Dynamic Bayesian Network,简称DBN),对于人类的活动或行为识别,大多数研究都是用基于HMM(隐含马尔可夫模型)的方法,HMM的方法与模板匹配方法相对。隐马尔科夫模型是目前人体运动识别中应用最为广泛的识别方法,也能够很好的应用于步态识别中,动态贝叶斯网络由于模型结构复杂,参数繁多等原因,在步态识别中运用很少,但是动态贝叶斯网络具有隐马尔科夫模型无可比拟的优越性,是步态识别方法中发展的方向。
三、该领域存在的问题及发展趋势
目前对于步态识别的研究还只是处于初级阶段,步态识别的研究是在以下几个假设条件下进行的:
(1)假设摄像机静止,并且摄像机的视角范围内只有一个人的运动。
(2)人的行走方向固定。
(3)算法有效性检验时所使用的数据库比较小。
这就造成了步态识别问题的研究与实际问题相违背的情况,主要体现在:
(1)现有的算法只适用于假设人体按照固定不变的方向行走无遮挡的情况下,而在现实环境中,人体的行走方向随时会发生变化且会发生遮挡现象,这对特征的提取及识别算法都是一个很大的挑战。
(2)现有步态识别算法多是假定图像中只有单个人行走,或背景不太复杂的情况,而实际监控场景可能比较复杂,有多个运动物体,因此研究图像噪声对识别的影响较为重要。
(3)在运动分割阶段,由于动态环境中捕捉的图像受到多方面的影响,比如天气的变化,光照条件的变化,运动目标的影子,甚至摄像机的运动等,这些都给准确有效的运动分割带来了困难。
(4)步态识别算法在大规模数据库上的识别效果的研究还不太多。
步态识别技术的不断成熟,为其广阔的应用前景提供了无限可能。其未来应用不仅仅局限于生物特征方面,还可用于医学推断,法医推断(犯罪分析现场),甚至可能用于动画片和电影行业。在诸如监视、访问控制、雷达系统、城市场景和自动驾驶中的驾驶支持等的许多应用领域,步态识别技术的需求仍不断增长。
四、结语
步态识别作为一个新型的研究领域,无论是在计算机视觉领域还是在应用领域,都具有重要的理论研究意义和实用价值。将步态的采集环境逐步与实际监控环境相逼近,处理实际的遮挡及行走方向改变,是未来的发展趋势。
摘要：步态识别作为一种新的生物认证技术,通过人的行走方式识别个体的身份。本文首先分析了步态识别的特点及其研究背景;其次,对目前步态识别中涉及到的几项关键技术所采用的方法进行了简单的描述及分类,并分析各种技术的主要优缺点,最后,提出了目前步态识别问题研究中的几个薄弱点,指出进一步研究发展空间。
关键词：步态识别,特征提取,运动分割,识别分类
参考文献
[1]Tang Xiao-ou,Ma Song de,O’Gorman Lawrence,et al.Guest editorial:introduction to the special issue on image and videobased biometrics-partⅡ[J].IEEE Transactions on Circuits and Sys-tems for Video Technology,2004,14(2):46-148.
[2]Yasutomi,S.,Mori,H A method for discriminating pedes-trians based on rhythm[R].IEEE/RSG Intl Conf.on Intelligent Robots and Systems.(1994).
[3]邓玉春,姜昱明.基于步态的身份识别[J].微电子与计算机,2005,22(6):12-18.
[4]叶波,文玉梅.基于步态的人身份识别技术综述[J].计算机应用.2005,25(11):2577-2580.
[5]Amit Kale,A N Rajagopalan,et al.Identification of Humans Using Gait[D].Center for Automation Research University of Mary-land at College Park,MD20740,2002.
[6]ames J.Little,Jeffrey E.Boyd.Recognizing people by their gait:the shape of motion[J].Videre:Journal of Computer Vision Research1(2):2-32.1998.
[7]Hayfron-Acquah J,Nixion M,Carter J.Automatic gait recognition by symmetry analysis[R].Proc International Conference on Audio-and Video-based Biometric Person Authentication,Halmstad,Sweden,2001.272-277.
[8]Chiraz Ben Abdelkadery,Ross Cutlerz,Harsh Nanday andLarry Davisy.EigenGait:Motion-based Recognition of People using Image Self-Similarity[J],AVBPA’01,pp.312-317,2001.
[9]Cunado D,Nixon M S,Carter J N.Automatic extraction and description of human gait models for recognition purposes[J].Com-puter Vision and Image Understanding,2003,90(1):1-41.
[10]Cunado D,Nash J M,Nixon M S,et al.Gait extraction and description by evidence gathering[A].In Proceedings of the Second International Conference on Audio and Video Based Biometric Person Authentication AVBPA[C].Washington DC,USA,1999:43-48.