步态规划

步态规划（精选9篇）

步态规划 篇1

0 引言

目前, 常见的步行机器人以两足式、四足式、六足式应用较多。其中, 四足机器人机构简单且灵活, 承载能力强、稳定性好, 在抢险救灾、探险、娱乐及军事等许多方面有很好的应用前景, 其研制工作一直受到国内外的重视[1]。

由于足式机器人的步行稳定性主要取决于步态[2], 为了获得良好的稳定性, 许多学者致力于机器人步态的分析研究。新加坡国立大学研究的双足机器人[3]主要采用ZMP (Zero Moment Point) 理论规划机器人稳定动态行走步态。ZMP点是指在机器人的支撑平面内, 机器人合力矩为零的点。通过规划机器人在行走过程中ZMP点始终落在支撑区域内使机器人稳定动态行走。文献[4]通过分析四足机器人24种步态的3个基本特性参数:运动空间需求、最大稳定裕度以及机器人的运动协调性, 得到最优步态以保证机器人的步行稳定性, 同时, 通过使用基于遗传算法的进化学习方法对步态控制参数进行优化获取最优步态。也有学者提出了一些重心调整的方法来提高机器人的稳定性。

本研究在能够保证机器人稳定行走的步态基础上, 针对液压动作的四足机器人, 分析提出通过将7次位移曲线应用于各自由度的位置控制, 减小机器人步行中的振动, 以进一步提高四足机器人步行时的稳定性。

1 四足机器人结构

本研究实验室自行设计的JQRI00型四足机器人[5]模型样机运动机构三维造型图和实物图如图1所示。机器人由机体及4条腿组成, 4条腿完全相同, 箭头所示方向为设定的前进方向, 将四条腿依次编为1—2—3—4号, 对应为左前腿-右前腿-左后腿-右后腿, 三维造型图如图1 (a) 所示。驱动方式为液压驱动, 每条腿由3个液压缸驱动, 分别为P、Q、L, 共计12个液压缸, 即该机器人有12个运动自由度。其中, P缸控制足端的横向移动, Q缸控制腿的升降, L缸控制腿的前后摆动。

2 四足机器人步态规划

机器人通过腿的抬跨以及机身的移动完成行走, 而稳定的行走对腿抬跨过程中足端在各结点 (起始点、路径点和着地点) 上的位姿、速度、加速度以及加加速度都提出了较高的要求。液压缸整个运动过程中的位移、速度、加速度以及加加速度需具备连续性[6], 在过渡点处最好没有突变现象, 从而进一步减小液压缸的冲击以提高机器人的运动平稳性。

液压缸的运动要求需要8个条件加以满足, 当应用插值多项式来满足这些条件进行运动轨迹的逼近时, 该多项式的次数最小为7次[7]。若已知的液压缸运动起始位移值s0、终止位移值s1以及时间间隔T, 可得到液压缸在T时间内产生位移量A=s1-s0的公式:

本研究选择“1—2—4—3”的迈腿顺序, 在相同的占空比条件下, 该迈腿顺序稳定性较好。机器人一个周期内的步态如图2所示, 分为5步, 取步距为400 mm, 起步位姿如图2 (a) 所示, 初始稳定裕量[8,9]为75 mm, 箭头所示方向为机器人的前进方向。具体的步态介绍如下:

(1) 腿1抬跨, 稳定裕量为75 mm, 机身相对地面无移动, 足尖相对于机身移动400 mm, 如图2 (b) 所示。

(2) 腿2抬跨, 稳定裕量为75 mm, 三足支撑同时机身前移50 mm, 足尖相对于机身移动350 mm, 如图2 (c) 所示。

(3) 四足支撑同时机身前移300 mm, 确保下一次腿抬跨时机器人重心落在稳定三角形区域内, 如图2 (d) 所示。

(4) 腿4抬跨, 稳定裕量为75 mm, 三足支撑同时机身前移50 mm, 足尖相对于机身移动350 mm, 如图2 (e) 所示。

(5) 腿3抬跨, 稳定裕量为75 mm, 机身相对地面无移动, 足尖相对于机身移动400 mm, 回到初始位姿, 如图2 (f) 所示。

机器人各腿抬跨后, 足端相对于地面移动400 mm, 机身共进行了3次重心调整, 共计向前移动400 mm, 与步距相等。机器人每条腿抬跨时间和四足支撑机身重心调整时间均为2 s, 因此机器人直行步态的行走周期为10 s, 占空比为0.8, 机器人行走的平均速度为40 mm/s。

机器人规划步态的具体说明如表1所示。

本研究采用7次位移曲线作为JQRI00四足机器人各运动自由度的运动控制规律, 将规划的各液压缸动作的相对位移值代入式 (1) 。根据机器人的动作要求设定T=1 s。以腿1为例, 在一个步态周期中腿1的Q缸只在0~2 s内动作, 0~1 s:上升20 mm;1 s~2 s:下降20 mm。因此, 将7次位移曲线写入IF函数得到Q缸的驱动函数, 函数中0~1 s为仿真中模型的位姿调整时间:

if (time-1:0, 0, if (time-2: (-20* (time-1) **7+70* (time-1) **6-84* (time-1) **5+35* (time-1) **4) *20, 20, if (time-3: (-20* (3-time) **7+70* (3-time) **6-84* (3-time) **5+35* (3-time) **4) *20, 0, 0) ) )

笔者运用同样的方法编写其余液压缸的驱动函数。

3 四足机器人运动学和动力学仿真分析

3.1 四足机器人步态仿真

为了验证7次位移曲线作为机器人运动位移控制方法的优越性, 本研究将S曲线[10,11]和ADAMS软件自带的STEP阶跃函数应用于位移控制进行仿真, 以便进行分析比较。阶跃函数为:STEP (time, 0, 0, 1, 20) +STEP (time, 1, 0, 2, -20) 。

JQRI00四足机器人各腿的Q缸主要起支撑机身及抬腿的作用, 在整个步态周期中该缸受力最大, 又4条腿完全相同, 因此, 下面以腿1的Q缸为例进行不同运动位移控制方法下机器人运动学、动力学特性的分析比较[12], 对比图如图3所示。

注:图中标注的曲线1、2、3—采用7次位移曲线、S曲线和STEP阶跃函数作为Q缸位移控制规律得到的运动学量 (速度、加速度、加加速度) 、动力学量 (力) 的曲线图。

3.2 四足机器人仿真分析

如图3 (a) 所示:速度曲线均十分平滑, 液压缸在运动过程中十分平稳, 但采用STEP阶跃函数得到的速度在开始和结束位置出现尖点, 即其在始末位置过渡不平滑。

如图3 (b) 所示:采用7次位移曲线得到的加速度在整个运动过程中 (包括始末位置) 过渡平滑;采用S曲线得到的加速度只在液压缸由伸长到缩短的转折处出现尖点, 过渡不平滑;采用STEP阶跃函数得到的加速度在始末位置发生突变, 转折处出现尖点, 过渡不平滑。

如图3 (c) 所示:采用7次位移曲线得到的加加速度在整个运动过程中 (包括始末位置) 过渡平滑;而采用S曲线、STEP阶跃函数得到的加加速度在始末位置及转折处均发生突变, 过渡不平滑。

影响液压缸运动平稳性的主要因素是加速度和加加速度, 综上所述, 采用S曲线、STEP阶跃函数时的加速度、加加速度曲线均存在尖点或突变, 使得整个运动过程不够平稳, 液压缸受到较大柔性冲击;采用7次位移曲线时的加加速度、加速度及速度曲线连续且平滑, 保证了运动的平稳性, 大大减小了液压缸的柔性冲击。

如图3 (d) 所示:采用7次位移曲线时, 整个运动过程中液压缸受力平稳, 没有突变现象, 过渡平滑;采用S曲线时液压缸受力在转折处出现尖点, 过渡不平滑;采用STEP阶跃函数时液压缸受力在始末位置发生突变, 在转折处出现尖点, 运动过程中存在较大的冲击。液压缸的受力对比分析表明, 7次位移曲线应用于位移控制更为优越。

上述分析表明, 将7次位移曲线作为机器人液压缸的位移控制规律, 具有更好的运动学和动力学特性, 提高了机器人的行走稳定性。仿真中机器人能够平稳地完成沿直线的行走。

4 四足机器人行走实现

根据所设计的步态和仿真分析结果, 本研究在JQRI00型四足行走机器人原理样机进行试验验证, 利用PI算法[13,14]对7次位移曲线进行调节。

鉴于各腿P缸、L缸规格型号相同, Q缸规格型号相同, 试验所得参数也基本一致, 笔者选取左前腿P缸与Q缸伸长缩短时的位移、速度曲线进行说明。电磁比例换向阀是通过控制正反向线圈中的电流大小来实现控制液流的方向与流量大小的, 而速度曲线又由与正反线圈串联的采样电阻上的电压进行反馈, 因此, 液压缸伸长、缩短时的速度曲线都为正, 但表示的是不同线圈中的电流大小。左前腿P缸伸长与缩短时的位移、速度曲线如图4所示。左前腿Q缸伸长与缩短时的位移、速度曲线如图5所示。

由图4、图5可知, 笔者设计的位置闭环控制系统通过将7次位移曲线的液压缸动作规划与PI控制相结合, 达到了预期的效果。液压缸具有响应速度快、运动过程平稳无冲击等优点。

5 结束语

本研究规划了四足机器人的步态, 通过Pro/E和ADAMS软件建立虚拟样机, 并利用ADAMS软件进行了步态仿真、运动学和动力学分析, 论证了步态规划的可行性和利用7次位移曲线对液压缸进行位置控制的优越性。基于理论分析结果, 笔者在四足机器人原理样机上进行调试试验。仿真与试验结果表明, 本研究通过采用7次位移曲线消除了液压缸运动加速度和加加速度的突变, 液压缸的动作冲击大大减小, 四足机器人具有良好的稳定性。

本文引用格式:

殷勇华, 卞新高, 陆卫丽.液压驱动四足机器人步态规划和运动控制[J].机电工程, 2014, 31 (7) :839-843.

YIN Yong-hua, BIAN Xin-gao, LU Wei-li.Gait planning and motion control on the hydraulic pressure actuated quadruped robot[J].Journal of Mechanical&E-lectrical Engineering, 2014, 31 (7) :839-843.

步态规划 篇2

2、不要过早让孩子走路，尽量少用学步车之类的助行器帮助孩子走路，不要拔苗助长，形成异常的行走模式。

3、注意睡姿和坐姿。有一些走路异常的孩子喜欢趴着睡觉，在睡觉时脚尖就会偏向内侧或外侧，久而久之与走路内、外八字互为因果，症状更加严重。有时候，这些孩子坐着喜欢把双侧小腿向外分开坐(像“W”型)，也容易加重异常步态。

步态规划 篇3

目前国内外对于变拓扑四面体机器人的研究相对较少。NASA迄今已研制了三代样机，其合作单位美国Hope College的Miguel Abrahante[2,3,4]等人对六重、八重和十二重等多面体机器人进行了步态规划方面的研究。国内北京航空航天大学的张利格[5]等人对单重四面体机器人进行了运动学分析、ADAMS仿真和样机验证。这类研究仅考虑了一步运动，并没有考虑运动的节律性和连续性。

而近年来关于CPG的研究已相对成熟。2004年，清华大学郑浩峻等人通过修改和细化日本九州工学院的Matsuoka的微分振荡器模型得到了一个改进的CPG振荡器模型，实现了四足机器人运动控制，解决了高层调节的问题;但是结构复杂、响应速度慢、实时性差[6]。2006年，中科院的研究人员用循环抑制CPG建模理论构建了蛇形机器人CPG网络模型，其控制方法结构简单，响应速度快[7]。2013年，中国科学院的唐超权等人利用神经步进激励机制并结合蛇形机器人自身的运动特性建立蛇形机器人环境自适应仿生控制策略[8]。文献[9]阐述了仿CPG研究为机器人运动设计和实现提供了一个良好的思路。

本文结合有限状态机和CPG模型提出变拓扑六面体机器人的步态规划方法。变拓扑六面体机器人的运动方向由有限状态机模型来确定，而具体运动动作由CPG输出信号来执行，这样可以减少计算机的运算量和存储量，提高计算机运行的效率。

1 建立有限状态机

研究的变拓扑六重四面体机器人由8个外围节点和19根伸缩杆连接而成，是一个多闭链多耦合的机构。为便于分析机器人的运动方向，定义机器人的节点、平面及坐标系如图1所示。

图1中坐标系{B}为基坐标系，节点N1,N5,N8,N4构成的平面为S1;节点N5,N6,N7,N8构成的平面为S2;节点N2,N3,N7,N6构成的平面为S3，节点N1,N2,N3,N4构成的平面为S4，节点N1,N2,N6,N5构成的平面为S5，节点N3,N4,N8,N7构成的平面为S6。当机器人处于如图1所示的位置，机器人的S1面与地面接触，沿+X方向运动时，下一步运动时将是落在S2面上，再下一步落在S3面上，接着是S4，然后又回到S1，以此类推，在一个方向的运动可以看作一个有限状态机。

如图2所示，当运动方向不变时，机器人运动的四个状态能构成一个封闭的环。若沿+Y方向运动也可以构成一个S1→S6→S3→S5→S1的封闭环。

根据零力矩点的动态稳定判据来规划六重四面体机器人的翻滚步态，假定六重四面体机器人外围的连杆长度均为L，将沿+X由S1→S2的步态简单分为2个部分，第一部分为连杆l12,l34,l13的伸长使S3平面绕N6N7轴逆时针旋转了40°，根据几何关系可以计算出l12,l34需要伸长的长度为0.66L，则l13需要伸长的长度为0.94L。同时连杆l16,l47,l17的伸长使S2绕N5N8轴逆时针旋转了70°，可以计算出l16,l47需要伸长的长度为0.64L，则l17需要伸长的长度为0.92L。由于这两个动作不存在相互干涉，因此可同时进行，图3(c)为机器人由于零力矩点的移动实现了翻滚后的状态。第二部分则为连杆l12,l34,l13l16,l47,l17收缩到初始长度，恢复到图3(d)的状态。完成了这2部分的操作，机器人就能成功实现S1→S2的转换。

由于六重四面体机器人不是完全对称的结构，由图3(a)和图3(d)可以看出其对角线的位置发生了变化，因此，由S2→S3的转换需要重新规划，本文规划了l15,l48,l18的伸长使N1N4N6N7构成的平面绕N6N7轴逆时针旋转了50°，可以计算出l15,l48需要伸长的长度为0.83L，则l18需要伸长的长度为1.09L。图3(f)为机器人由于零力矩点的移动即将翻滚的状态，当机器人实现翻滚后，将l15,l48,l18收缩到原来的长度。完成两次翻滚后的机器人回到与初始位姿图3(a)相同的状态，以此类推，通过相应连杆的运动实现状态转换，从而使机器人向前运动。

当机器人处于任一位置时都可以向4个方向运动，并存在如图4所示的全方位运动的状态机。该状态机的转换需要由机器人当前的位姿和输入的运动方向共同决定。而每个外围节点都装有红外传感器，可以探测到节点距离地面的距离，从而确定机器人当前所处的位姿。

建立全方位运动的状态机的优点在于当机器人从一个状态向另一个状态转换时，需要伸缩的连杆次序是不变的。相比于根据节点规划的位置计算连杆每一时刻的伸缩量，可以大大减少上位机的计算量。但其缺点在于每个状态到下一状态的转换存在四种可能，应此需要根据机器人当前的位姿结合输入的方向来确定。

2 CPG模型

CPG模型适合用于多自由度机器人的运动控制，采用Kuramoto振子模型设计CPG神经单元，搭建CPG网络，CPG单元的输出信号作为机器人连杆的伸缩长度，通过一个步态规划器来调节各个CPG单元的相位关系，实现信号的同步和互锁。

2.1 构建环状的CPG网络

如果将每根连杆作为一个CPG单元，变拓扑六面体机器人有19根连杆，则需要19个CPG单元，各单元之间的耦合关系将非常复杂;而如果机器人运动的方向发生改变，则需要调节每个CPG单元的参数，这几乎是不可实现的。因此可以用第2节中机器人的状态机模型来确定需要运动的连杆，通过由4个参数相同的神经元组成的环状CPG网络来驱动相应的连杆。设任意时刻CPGi的相位为θi(t)，相邻的CPGi与CPGj的相位差为φij(t)，由步态确定的目标相位差为。

将CPG1的输出信号对应到上一节图3(b)中连杆l12,l34,l13和l16,l47,l17的运动，将CPG2的输出信号对应图3(e)连杆l15,l48,l18的运动，CPG3的信号则对应连杆l56,l78,l68和l16,l47,l17的运动，CPG4的信号对应连杆l26,l27,l37的运动。通过对每根连杆设定相应的权重系数，则CPG网络输出的信号可以驱动连杆的运动。

CPG建模的核心问题是利用函数关系产生具有相位互锁关系的周期性振荡信号。常见的利用谐波生成的周期信号稳定性较差，受到干扰时很难重新收敛到原始信号。常微分方程系统中的极限环理论可以有效的解决这一问题[10]。Matsuoka提出互抑神经元组成振荡器，其中参数较多，参数整定比较困难。Hopf模型由于只有频率和幅度2个参数，不能方便地进行相位调节，而Kuramoto振荡器参数较少，且参数意义比较直观。

2.2 Kuramoto振荡器

Kuramoto振荡器模型见下式。

式中θi和ri为分别代表振荡器i的相位和幅度的状态变量;vi和Ri决定了振荡器i的固有频率和相位;ai为正数常量;多个振荡器之间的耦合是由权重wij和相位差φij确定;xi是振荡器i的输出信号，为正值。

假定代入式(2)，可得振荡器幅度的方程为

系统在y1=Ri,y2=0处有一个平衡点。在y1=Ri,y2=0点的线性近似式是Jacobi阵为:

A的特征值为λ1,2=-ai/2。由于ai>0，系统的原点是渐近稳定的。因此随着时间增加ri将趋于一个稳定值，即振荡器i的幅值是稳定可调的。相位由式(1)确定，涉及的相关参数为权重wij和相位差φij。

2.3 数值计算仿真

图2中的状态机存在4个状态，假设每个状态由一个CPG单元控制，则需要4个CPG单元构成环状网络。假定每个状态转换所需时间相等，需要产生4个相位差为90°的周期信号，取权重为

由于每个振荡器的幅度和频率是一致的，取vi=0.1、Ri=3得到了图6所示的振荡图。

由于Kuramoto振荡器是收敛的，随着时间的增加，初始值不会影响振荡器的输出，并且当振荡器的信号受到干扰时，能很快恢复到设定值。

3 仿真与实验

在ADAMS中建立变拓扑六重四面体的理想模型，给定模型参数如下:外围连杆长度为100 mm，质量为7.27 g，面对角线连杆长度为141.42 mm，质量为10.28 g，体对角线连杆长度为173.21 mm，质量为12.59 g，外围节点的质量为13.78 g。

每根连杆由内杆和外壳杆组成，总质量为两个杆之间用滑移副约束，模拟连杆的运动，连杆与每个节点通过球铰副约束。依据上文所提方法，在图6中取界限值为5，将大于5的信号经过处理作为驱动信号。为便于仿真，适当增大周期值，取vi=0.02，并将连杆的系数值设为每个连杆需要伸长的数值，得到的步态规划曲线如图7所示。由于振荡器起振时会有波动，所以在第一个周期与理论值存在一定的误差，而在第二个周期之后，振荡器已经趋于稳定，得到的规划曲线与理论值基本一致。

将该曲线在50 s之后一个周期内的曲线保存为txt文件导入ADAMS中，作为模型中连杆的驱动。仿真出来的结果如图8所示，从图中可见六重四面体机器人完成了两步伸展、翻滚到跌落的过程，最后恢复原状，说明结合CPG的步态规划方法是正确的。

4 结论

本文提出了一种效率更高的变拓扑多面体机器人步态规划方法，结合CPG模型能直观的反映步态运动的节律性、协调性等特点，并能压缩步态规划的信息量，这对变拓扑多面体机器人的研究具有指导意义。由于变拓扑多面体机器人自身的结构特性导致其运动方式的多样性，本文仅考虑了一种翻滚步态，将来需要进一步规划诸如“行走”、“爬行”等步态模式，增强对特殊环境的适应性。

参考文献

[1] Belisle R,Yu C,Nagpal R.Mechanical design and locomotion of modular-expanding robots.Proceedings of the IEEE,2010:17—23

[2] Abrahantes M,Nelson L,Doorn P.Modeling and gait design of a 6-tetrahedron walker robot.42nd South Eastern Symposium on System Theory,Tyler:University of Texas at Tyler,2010:248—252

[3] Abrahantes M.Modeling and gait design of a 8-tetrahedron walker robot.Models and Modeling Methodologies in Science and Engineering,2011:241—245

[4] Abrahantes M,Silver A,Wendt L.Gait design and modeling of a 12-tetrahedron walker robot.39th Southeastern Symposium on System Theory,Macon:Mercer University,2007:21—25

[5] 张利格,毕树生,彭朝琴.空间四面体翻滚机器人运动学分析及仿真实验.北京航空航天大学学报,2011;37(4):415—420Zhang Lige,Bi Shusheng,Peng Chaoqin.Motion analysis and simulation of tetrahedral rolling robot.Journal of Beijing University of Aeronautics and Astronautics,2011;37(4):415—420

[6] 郑浩峻,张秀丽,关旭,等.基于生物中枢模式发生器原理的四足机器人.清华大学学报(自然科学版),2004;44(2):166 —169Zheng Haojun,Zhang Xiuli,Guan Xu,et al.Quadruped robot based on biological central pattern generator.Journal of Tsinghua University(Science and Technology),2004;44(2):166—169

[7] 卢振利,马书根,李斌,等.基于循环抑制CPG模型控制的蛇形机器人蜿蜒运动.自动化学报,2006;(01):133—139Lu Zhenli,Ma Shugen,Li Bin,et al.Serpentine locomotion of a snake-like robot controlled by cyclic inhibitory CPG model.Acta Automatica Sinica,2006;(01):133—139

[8] 唐超权,马书根,李斌,等.基于神经步进激励机制的蛇形机器人环境自适应仿生控制策略.机械工程学报,2013;(01):53 —62Tang Chaoquan,Ma Shugen,Li Bin,et al.Self-adaptable biomimetic control strategy for snake robots based on neural stepping stimulation mechanism.Journal of Mechanical Engineering,2013;(01):53 —62

[9] 李宏凯,孙久荣,戴振东.动物运动指令的中枢模式发生器对机器人运动控制的启示.机器人,2008;37(4):279—288Li Hongkai,Sun Jiurong,Dai Zhendong.The inspiration for the motion control of robot from central pattern generator of animal’s locomotion instruction.Robot,2008;37(4):279—288

步态规划 篇4

正常的跨步距离基本相等。在跨步中骨盆两侧保持相平。

2.非正常步态

（1）抗痛性步态：患足刚落地，即迅速转为健足起步，以减少患肢承重，减轻疼痛。

（2）短肢性步态：患侧下肢短缩超过3cm，骨盆及躯干发生倾斜。患者以患侧足尖着地或屈曲健侧膝关节行走。

（3）强直性步态：一侧髋关节在伸直位强直时，患者需转动整个骨盆，使患侧下肢向前迈步。双侧髋关节强直时，除转动骨盆外，患者依靠膝，踝关节迈小步。膝关节在伸直位强直，走路时健侧足跟抬高或患侧骨盆升高，患肢向外绕一弧形前进。

（4）剪刀式步态：见于大脑性痉挛性瘫痪。步行时两腿前后交叉前进。

（5）摇摆步态：见于先天性髋关节脱位或臀中肌麻痹。患侧负重时，躯干向患侧倾斜。双侧臀中肌麻痹或髋关节脱位时，躯干交替向左右倾斜，又称鸭步。

（6）臀大肌麻痹步态；患者以手扶持患侧臀部并挺腰，使身体稍向后倾行走。

步态识别综述 篇5

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.

步态识别技术研究综述 篇6

生物特征识别技术是根据每个人独有的、可以采样检测的生理特征或行为特征进行身份识别的技术。第一代生物特征识别技术主要利用人的指纹、脸像等特征进行识别, 这通常要求上体近距离或接触性的协作感知, 在远距离的情况下, 这些特征不可能被利用。

由于个体之间身体结构和运动行为上的基本特性不同, 步态运动为人的识别提供了独特的线索。步态具有非接触性、难以隐藏或伪装、易于捕捉等特点, 且不受距离影响。除了步态本身的特点, PC处理器能力的提升, 高速数据存储设备的出现, 人体建模、运动跟踪等计算机视觉处理技术的提高等因素使得步态识别技术成为一种新的可行的安全应用, 极具研究意义与研究价值。

近几年来步态势识别技术引起了世界各国学术科研机构的广泛的关注。美国国防高级研究所项目署资助的重大项目———HID (Human Identification 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的人的检测、分类和识别。

1 步态识别过程

步态识别旨在根据人行走时的姿势来进行人的身份认证。步态识别过程可以划分为步态检测、步态特征提取、步态分类与识别三个阶段。

1.1 步态检测

步态检测是从人行走的视频序列中提取步态轮廓区域, 这方面的工作包括背景建模、前景检测和形态学后处理等。步态轮廓的有效分割对于特征提取、分类识别等后期处理非常重要, 因为后续处理过程仅考虑图像中轮廓区域的像素。常用的步态检测方法有背景减除法、时间差分法、光流法等。

1.2 步态特征提取

步态特征主要分为两大类:人体结构特征和运动行为特征。前者反映了人体的几何特性, 如身高和体形;后者主要指行走时的肢体运动参数的变化。步态特征提取的方法主要有基于模型的方法和基于非模型的方法。

1.2.1 基于模型的方法

基于模型的方法是将人体结构或人体运动建模后, 利用二维图像序列数据与模型数据进行匹配以获取特征参数。人的步行存在着携带背包、雨伞等足以改变外形、掩盖部分身体的现象, 在很多运动场合还存在身体自我遮挡现象, 基于模型的方法能够成功解决遮挡问题, 原因在于模型是依赖于图像序列中人的运动模式而建立, 能够反映当前的变化, 还能对过去和将来的变化进行估算。常用的模型主要有:Lee构建的椭圆模型, 即用椭圆来匹配运动人体的二值化侧影的不同身体部位, 以椭圆的质心、离心率等参数反映人体步态特征参数[1];Cunado建立的钟摆模型, 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[2];Yoo建立的骨架图模型, 即用直线近似在关节点处所连接的骨骼来表达人体[3]。

1.2.2 基于非模型的方法

非模型的方法是通过对位置、速度、形状等相关特征的预测或估计来建立相邻帧间的关系。例如, Little等[4]利用步态序列图像的光流频率和相位作为特征;Kale等[5]提取人体轮廓图像的宽度向量作为特征;Shutler[6]等引入速度矩作为特征;王亮等[7]提取轮廓点到人体质心的距离向量作为步态特征。

1.2.3 步态分类与识别

步态的分类识别过程, 即采用适当的方法将待识别的步态与步态数据库中的步态模式进行匹配, 通过一定的判别依据决策它所属的类别。考虑到步态的运动特性, 对其分类识别也需要采用基于动态系统的识别方法。

2 结论

美国“9.11”事件之后, 国际社会反恐形势更为严峻, 加强重点场所的安全监测, 提高身份识别能力, 是反恐必不可少的措施。步态可在被观察者没有察觉的情况下进行非接触性的感知和度量, 具有较好的非侵犯性。因此, 从视觉监控的角度来看, 步态识别是非常具有潜力的生物特征识别技术。当前文献报道的各种步态识别方法大多数是在一定实验假设条件下进行测试的, 还没有应用到实际生活中。实际监控场景往往很复杂, 可能存在多个运动物体, 背景图像受天气、光照等外界因素的影响变化较大。以日照条件下运动目标的影子为例, 它可能与被检测的目标相连, 也可能与目标分离。前者, 影子扭曲了目标形状, 使基于轮廓的步态识别方法不再可靠;后者, 影子可能被误认为场景中一个错误的目标。因此, 实现实际场景下的步态检测仍然是一个挑战。

摘要：步态识别是生物特征识别技术的一个新兴领域, 旨在根据人们走路的姿势进行身份识别。本文对步态识别过程的步态检测、步态特征提取、步态分类与识别三个阶段进行了综述, 分析了现有步态识别算法的特点, 总结了步态识别研究存在的问题及未来研究方向。

关键词：生物特征识别,步态识别,步态检测,特征提取

参考文献

[1]L.Lee.Gait analysis for recognition and classification[C]//Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition.2002.

[2]D.Cunado, M.Nixon, J.Carter.Using gait as a biometric, via phase-weighter magnitude spectra[C]//Proceedings of International Conference on Audio and Video-based Biometric Person Authenticetion.1997.

[3]Yoo Jang-hee, Nixon M S, Harris C J.Extracting Human Gait Signatures by Body Segment Properties[C]//Proceeding of Proc IEEE Southwest Symposium on Image Analysis and Interpretation.2002.

[4]J.Little, J.Boyd.Recognizingm people by their gait:the shape of motion[J].Jouranl of Computer Vision Research, 1998 (2) :2-32.

[5]Kale A, Rajagopalan A, Cuntoor N.Gait based recognition of humans using continuous hmms[C]//Proceedings of IEEE International Conference on Automatic Face and Gesture Recognition.2002.

[6]J.Shutler, M.Nixon.Statistical gait recognition via temporal moments[C]//Proceedings of IEEE Southwest Symposium on Image Analysis and Interpretation.2000.

偏瘫患者步态训练效果的研究 篇7

关键词：偏瘫患者,步态训练,方法,治疗效果

偏瘫是由脑卒中等多种疾病导致脑损伤而引起的临床症候群之一。主要表现为偏身肢体运动功能障碍, 同时 (或) 伴有偏身感觉障碍[1]。据报道我国的脑卒中发病率呈上升趋势, 同时我国脑卒中的致残率高达80% 。Palliyaths等[2]报道, 脑卒中发生后一周内有73%～86%出现一侧肢体瘫痪, 73%～77%出现行走困难, 47%不能独坐。所以偏瘫成为影响人们生活质量的主要疾病。本文通过检索国内外相关文献, 将具有10 m步行能力的偏瘫患者作为研究对象, 比较减重活动平板训练和运动再学习训练对步行参数和平衡功能的影响。

1 资料与方法

1.1 研究对象

20例脑卒中偏瘫患者, 均来自山西省康复研究中心医院康复科, 经头颅CT和/或头颅MRI检查证实, 符合1995年全国第四届脑血管病的诊断标准[3], 急性期神经内科常规治疗后, 病情稳定符合入选标准。

1.2 入选标准和排除标准

入选标准, 首发脑卒中;单侧偏瘫;无单侧忽略;听理解正常;具有独立步行10 m能力;无其他严重影响下肢感觉、运动的疾病, 如风湿性关节炎、腰椎间盘突出症、下肢外伤、糖尿病和其他周围神经病。排除标准:患有严重的高血压或心肺等全身性疾病;严重的关节疼痛和明显的关节活动受限;简易智能状态检查 (MMSE) 评分<22分;严重的失语症。

1.3 试验分组

20例脑卒中偏瘫患者随机分成减重活动平板步态训练组 (减重组) 和传统步态训练组 (传统组) , 每组各10例。两组在年龄、体重、身高等无统计学意义 (P>0.05) , 具有可比性。详见表1。

1.4 训练方法

传统组采用bobath训练。减重活动平板训练, 步行速度视患者情况调整为患者最大无帮助下独立行走, 减重量从体重20%开始, 逐渐减少到0。每日1次, 每次45 min, 采用间歇法, 平均每3 min 休息2 min。每周5 d, 连续8周。

1.5 评价指标

步态参数评定主要分析患侧双支撑期、患侧单支撑期、健侧双支撑期、健侧单支撑期、步行周期以及健侧步长、患侧步长。平衡功能测定采用B-PHY型平衡仪, 分别记录患者直立睁眼、直立闭眼的平衡数据, 项目包括重心左右脚内外偏移、前后偏移、重心分布的分区、分象限、外周面积、轨迹长、单位面积轨迹长、矩形面积等。

1.6 统计学处理

使用Microsoft Excel软件对测量数据进行录入和初步整理;使用SPSS 15.0进行处理, 采用t检验。

2 结 果

2.1 两组步态参数和平衡功能比较 (见表2～5)

2.2 根据膝关节控制角度不同分类比较 (见表6)

3 讨 论

两种训练方法在平衡能力检测方面受外界干扰因素影响较大, 如坐位平衡功能检测数据。立位平衡功能检测数据虽然具有一定的规律性, 但又受到视觉等因素的影响。但从统计数据看, 两种训练方法在训练前后对具有10 m步行能力的脑卒中偏瘫患者在平衡功能检测的某些数据中具有统计学意义。两种训练方法对患者平衡功能改善具有意义。但两种训练方法之间不具有统计学意义。

根据影响步行能力的因素分类比较, 膝关节屈曲和过伸展在步态训练中具有影响, 并且表现出一定的规律性。虽然膝关节过伸展患者在患侧单支撑期的变化优于膝关节屈曲患者, 容易给人造成膝关节过伸展下训练更容易增加患侧单支撑时间, 但从训练对患者实际意义讨论, 膝关节屈曲下训练更符合对膝关节的保护和正常功能的诱发。

对于具有10 m步行能力的脑卒中偏瘫患者步态训练重点不在于选取何种训练方法, 而在于康复医师根据患者具体运动模式和影响步态的因素有针对性地制定康复处方即可。对于影响康复效果的因素, 主要与患者具体异常模式有关, 如本试验中膝关节角度变化对步长的规律性表现和对训练效果的影响, 以及足跖屈内翻和视觉可能对步行功能的影响。所以针对这类患者的步态训练主要是具体运动模式分析, 而不是训练方法本身。

参考文献

[1]尤景春.偏瘫的康复评定[J].中国康复, 2000, 15 (1) :52-53.

[2]魏玉兰, 李雅欣, 刘兴敏.脑卒中的康复治疗[J].中国康复医学杂志, 1995, 10 (2) :65-66.

[3]南登昆.康复医学[M].北京:人民卫生出版社, 1993:208.

基于步态特征提取方法的研究 篇8

生物特征识别技术是通过计算机对人体所固有的生理或者行为特征进行的个人身份鉴定, 它是利用人的生理或者行为特征进行的身份识别。目前研究最多的生物特征是指纹和步态特征。

1 国内外研究动态

步态 (Gait) 的基本定义为:“A particular way or manner of moving on foot”。在国内, 许多大学和机构正在进行步态识别技术的研究, 其中处于领军地位的是由归国博士谭铁牛领导的中科院自动化研究所, 其研究取得了令人鼓舞的成果, 如王亮和胡卫明提出的基于统计主元分析的方法, 使用14个相互连接的圆台对人体建模, 通过一定的运动约束, 将人体用一个12维的动态特征向量表示, 通过姿态评价函数对视频中的人体姿势进行恢复, 提取模型参数进行步态识别。韩鸿哲等提出了基于傅里叶描述子的步态识别方法;程琼等通过对步态轮廓展开曲线的分析并和文献[2]中的方法进行了比较, 提出了基于傅里叶描述子和人工神经网络的步态识别算法, 取得了很好的识别率;袁琪等人提出了基于双线性建模隐马尔科夫模型的步态识别算法, 将特性分别看做“内容”和“风格”, 对图像序列以状态确定的连续HMM-EM估计“内容”类型, 引入非对称双线性模型理论对结果建模, 通过SVD和NN聚类实现对“风格”的归类判定。该算法能有效提高判别率, 对未知风格或者内容类型判断有较好的适应性。同时对影响步态识别准确性的其他因素也做了讨论;从多元统计学的角度对实验数据进行分析证明了通过步态进行身份鉴别的可行性。同时, 主成份分析显示, 在VGRF曲线中, 对步态识别起比较重要作用的足部接触地面瞬间的部分也进行了讨论。彭彰等人提出了一种基于肢体长度参数的用于多视角情况下的步态识别算法。首先对某个人的一个步态序列利用动态Viterbi算法得到一个样本姿态序列, 对其多个步态样本姿态序列的对应姿态去平均得到这个人的特征姿态序列, 然后对特征姿态利用主成份分析法处理特征空间, 最后利用最近邻法进行识别, 取得了较高的识别率, 并对体形变化具有较强的鲁棒性;苏菡等人提出了一种新的提取肢体角度的方法, 该方法通过分析侧影宽度变化获取角度信息, 无需对人体建模。

在国外, 同样也有很多的学校和研究机构对步态的识别进行研究。最早识别行人的方法是由Niyogi与Adelson提出的;Cunado等不仅考虑人行走过程中双腿的运动情况, 用链接的钟摆模拟腿部的运动变化, 而且从其倾斜角度信号的频率分量中获取步态特征;Lee采用7个椭圆表达人的侧面二值化图像的身体的不同部分, 每个椭圆用质心等4个特征表示, 加上整个身体图像的质心的高度一共29个特征表示整个人体侧面图像, 通过模板匹配的方法进行步态识别;Yoo等人根据解剖学的知识, 提取除头、脖颈、肩、胸、膝盖和脚踝的位置。然后计算各个位置的运动学特征进行步态的分类识别。近来, 文献[3]从光流图像中提取对应于行走周期的运动图像序列, 然后借助主助特征空间变换获得步态特征;文献[4]提出了一种基于步态图像自相似性的非参数化的方法和一种基于步态的周期和跨距的参数化的方法进行步态身份认证。Nixon等人使用XYT的方法, 将步态视频序列看作一个时间序列, 利用头部和腿部在XT维的模式确定身体运动轮廓线, 并利用5棒模型进行拟合, 归一化后进行识别;文献[5]提出了利用步态序列图像光流的频率和相位信息进行步态识别;文献[6]利用人的二值化图像的侧面外轮廓宽度矢量作为图像的特征, 利用K近邻方法进行步态的分类识别;文献[7]采用运动能量图像和运动历史图像来解释图像序列中人的运动;文献[8]的方法取了4个静态参数用于身份识别, 即体长、躯干长、腿长和步长;文献[9]将人体分成7个部分, 用椭圆对每一部分建模, 对每一帧形成合计29个特定参数。通过图像序列中各帧特征参数获得步态特征;文献[10]将大腿建模为链接的钟摆, 并从大腿移动及旋转得到倾斜角度信号的频率分量中获取步态特征, 以步态参数中的地面支反力作为特征进行识别的研究鲜有报道, 曾有文献对支反力的功率谱密度作为特征参数进行步态识别;文献[11]通过层次化的人体形状及运动模型估计生成具有标准人体比例的通用形状模型;文献[12]综合人体静态与动态生物特性, 结合两种特征表示提高身份识别性能。

2 步态识别各阶段

步态是一种时空运动, 它在空间上表现为在每一帧图像里的运动轮廓;而在时间上, 它体现了这些单个轮廓随着时间的变化过程。步态识别主要是针对含有人的运动图像序列进行分析处理, 通常包括运动图像检测、特征提取与处理和识别分类3个阶段, 如图1所示。

在进行步态识别之前要对图像序列先进行预处理, 将前景目标从背景图像中提取出来。预处理采取何种图像处理技术取决于识别算法想要提取的特征是什么, 但是预处理的结果又极大的影响了后续处理的精度。

2.1 预处理

预处理阶段需要对运动目标的提取, 常用的方法有背景剪除法、时间差分法和光流法。后两种方法都可用于运动摄像机的情形, 对动态环境的适应能力比较强, 但帧间差的结果精度不高, 难以获得目标所在区域的精确描述;光流法则具有相当高的复杂度, 但如果没有特殊硬件的话, 难以符合视觉监控系统实时处理的要求。背景剪除法适用于摄像机静止的情形, 它为静止背景建立背景模型, 通过将当前图像帧和背景模型进行比较, 确定出亮度变化较大的区域, 即认为是前景区域。基于算法复杂性和检测有效性的考虑, 本文采用背景剪除法进行运动区域分割。

首先, 我们使用中值法从图像序列中恢复出背景, 即将输入的连续N幅图像的像素值的中间值作为背景图像的像素值。令{Ik, k=1, 2, …N}代表一个包含N帧图像的序列, 则背景图像b可用以下公式获得:

其中Ik是 (x, y) 处的灰度值, b是背景图像。

运动区域亮度的变化通常是用当前图像与背景图像的差分获得 (如式2) , 但直接差分中阈值的选取比较困难, 尤其是在前景和背景较为相近的情况下。因此我们借用间接差分的方法以提高对噪声的抑制作用, 然后选取合适的阈值进行二值化处理, 最后分割出当前图像中运动的像素:

其中a (x, y) 为前景像素灰度值, b (x, y) 为背景像素灰度值, 选择适当的阈值, 得到二值化的运动目标区域:

这样得到的二值化图像会有小的孔洞, 最后采用形态学算子填充孔洞。

2.2 步态检测

步态识别的基本思想是用知识或者统计的方法对步态建立模型, 比较所有可能的待检测区域与步态模型的匹配度, 从而得到可能存在步态的区域。常用的步态检测方法有:差分图像法、互相关分析法、时空梯度法等。然而, 由于背景图像的动态变化, 如天气、光照、影子及其他干扰等的影响, 使得步态检测成为一项相当困难的工作。

因此许多研究人员目前都致力于开发不同的背景模型, 以期减少动态场景变化对运动分割的影响。例如Stauffer与Crimson利用自适应的混合高斯背景模型, 并利用在线估计来更新模型, 从而可靠地处理光照变化、背景混乱运动的干扰等影响, 在目标运动速度缓慢的情况下亦能较好的完成运动区域的分割, 并可以有效地消除影子的影响;张今瑜等人建立了基于多传感器系统的测量模型, 并分析了步态相位关系。采用鞋底传感器与膝盖关节弯曲传感器的信息融合实现了步态相位识别和COP的在线检测, 取得了较好的测试效果。

2.3 步态特征提取与表示

步态特征提取与表示是步态识别的关键, 可以分为基于模型的方法和基于特征的方法。基于模型的方法是将人用合适的模型表达, 跟踪分析模型的参数, 进行步态的识别。基于特征的方法是直接从人体图像当中提取出步态的特征数据用于步态的识别。

由于输入的步态特征维数较高, 一般都会选择合适的方法来提取低维的步态特征。而主成分分析PCA是一种常用的特征提取方法, 在脸像识别方面是特别强有力的工具。其主要目标是在大的输入空间中寻找合适的特征向量, 并在所有的特征中提取主要特征。子特征选择过程中, 主要将输入空间映射到输出空间, 从而获得输入的特征, 即输入的主分量;而特征提取过程也就是降维的过程, 在该过程中选择主要的特征而舍去其它特征分量。

2.3.1 基于特征的方法

基于特征的方法是特征化人体整个运动模式以得到简洁的运动特征表达。行人运动时人体的轮廓形状随着时间而变化, 一般选取人体侧面轮廓作为研究的特征图像, 人在行走时在足够长的时间内可以认为是一种周期变化的过程, 为了减少计算的复杂程度, 将二维轮廓形状变化转换为一维的距离信号来近似表达这种步态运动的时空变化模式。人的运动区域获取后, 基于连通性的边界跟踪算法用于获取它的轮廓, 同时计算它的质心利用投影质心之间的归一化欧氏距离来度量序列之间的相似度。

2.3.2 基于模型的步态特征提取与表达

基于模型的方法可以分为椭圆模型和线图模型。

椭圆中心和身体质心的连线以及椭圆的结构包含了人体静态结构信息;在步行的过程中, 模型结构的变化反映了步行过程中人体运动的动态信息。例如, 表示头部的椭圆与身体质心的相对位置变化、连线长度变化反映了步行过程中头部的运动特征。

2.4 步态特征提取

步态的识别方法主要分为以下两种:模板匹配方法 (Template Matching) 和状态空间方法 (State Space Approach) 。模板匹配方法是将图像序列转换为一组静态形状模式, 然后在识别过程中和预先存储的行为标本比较。把相似度作为分类的标准, 常采用最近邻算法进行识别。最具代表性的是中科院王亮等提出的基于Procrustes形状分析的步态识别方法。

状态空间方法:定义每个静态姿势为一个状态, 状态之间通过某种概率联系起来。任何运动序列可以看作为这些静态姿势的不同状态之间的一次遍历过程, 在这些遍历期间计算联合概率, 其最大值被选择作为分类的标准。目前, 状态空间模型已经被广泛地应用于时间序列的预测、估计和检测, 最具有代表性的是隐马尔可夫模型 (HMM) 、动态时间规划 (Dynamci Time Warping, DTW) 、神经网络 (Neutral Network, NN) 等, 其中HMM是一种随机状态模型, 是分析时空变化中随时间变化数据的先进技术。

3 结束语

基于步态的身份识别的研究还处于初级阶段, 需要做的工作还很多, 期望下一步工作能提高步态识别的质量、寻求更有效、更可靠的步态特征、更为有效的步态识别算法和分类器, 并且能在更大规模更多视角的数据库上进行算法性能测试, 创建具有一定规模的评估数据库、提高系统的评估方法、按照科学的方法观察影响性能的关键因素、开发潜在的人体模型的静态参数特征以及关节角度的动态特征等, 以便早日实现能够在现实场景中使用基于步态的身份识别系统。

摘要：对步态识别的国内外研究现状进行了详细的论述;介绍了基于步态识别的身份识别过程, 阐述了在步态识别各阶段用到的一些方法;对步态识别的下一步工作进行了探讨。

四足机器人典型步态仿真 篇9

关键词：四足机器人,步态,仿真

1 引言

传统的履带式或轮式机器人适合在平坦路面上行走, 而在非平坦的崎岖路面上足式机器人比履带式或轮式机器人有很大优势。四足机器人相对于双足机器人在稳定性和承载能力上要好, 而相对于六足和八足步行机器人在结构和控制上比较简单[1,2], 因此四足步行机器人已经成为移动机器人领域研究的热点之一。

步行机器人的步态是指步行机器人的各条腿 (脚) 按特定的轨迹和顺序运动的整个过程, 由此构成了步行机器人的运动过程[3]。机器人的步态是研究步行机器人的基础, 它是步行机器人研究过程中稳定性分析、动力学分析以及步态控制与规划的理论依据。

虽然所有步行机器人的步态原理大致相同, 但不同类型的机器人进行步态规划时的思路相差很大。双足步行机器人在步态规划时重点考虑的是稳定性, 而六足机器人在步态规划时的重点为步行效率[4,5]。因此, 四足机器人在步态规划时既需要考虑机器人的步行效率, 同时还要想办法提高机器人的稳定性。

本文主要通过软件仿真, 进行四足机器人直行步态仿真和分析, 为机器人实际控制和研究打下基础。

2 四足机器人仿真系统建立

本文主要运用Solid Works、ADAMS和MATLAB/Simulink三个软件建立了四足机器人仿真系统。虽然ADAMS的动力学和运动学仿真功能强大, 但它内部的建模和控制功能相对比较简单, 只能建立简单的几何模型, 控制系统也只能处理一些比较简单的控制环节[6,7]。Solid Works、MATLAB/Simulink和ADAMS配合使用恰恰弥补了ADAMS在上述功能的不足。图1给出了本文整个步行机器人搭建仿真系统的思路。

3 四足机器人平面直行步态仿真及研究

在机器人行走步态中, 机器人直线行走步态是一种最基础最简单的行走步态, 但它却是其他各种行走步态的基础。本文主要研究四足步行机器人平面直线行走的步态原理和运行效率。

3.1 四足机器人直线行走步态原理

本文所用机器人的结构简图如图2所示。该机器人由位于中间的本体和四条均匀分布本体四周的单腿组成。机器人本体尺寸为:长175mm, 宽130mm。单腿结构尺寸为d1=40mm, l1=45mm, l2=40mm, l3=80mm。将最常见的平行四边形结构作为机器人的初始位置。

图3所示为本文研究的机器人平面直线行走步态规划图。图3中中间的矩阵方块表示机器人本体, 机器人质心设定在几何中心位置, 四个小圆点表示机器人足尖位置, 空心圆点代表固定足, 实心圆点代表运动足。稳妥起见, 机器人选择了稳定性最好的1-3-2-4步态, 将一开始就可以迈腿的平行四边形结构设定为机器人初始位置。

机器人整个运动步态如下: (a) 四足机器人初始位置形态, 从图中机器人重心位置可知, 此时机器人迈1腿或4腿都不会使机器人倾倒, 本文以迈动1腿为例; (b) 由图可知:在1腿迈动时, 机器人重心在2、3、4腿组成的三角形区域内, 机器人运行稳定, 接着要迈动3腿, 但是由图可知, 此时机器人重心不在1、2、4腿组成的三角形区域内, 故此时机器人本体重心必须前移, 即四条腿都相对机器人本体向后移动; (c) 四条腿都相对机器人本体向后移动, 使本体重心前移后重心落在1、2、4腿组成的三角形区域内, 3腿可以迈动; (d) 由图可知, 在3腿整个迈动过程中, 机器人本体重心始终位于1、2、4腿组成的三角形区域内;同理机器人2腿迈动时;本体需要再次前移, 迈动4腿后, 机器人回到初始位置, 完成一个步态循环, 机器人向前行走了一段距离。

3.2 四足机器人直行步态仿真

根据上文中的步态时序图, 在MATLAB里经过编程, 仿真出了四足机器人的仿真效果图, 图4所示, 为四足机器人MATLAB与ADAMS联合仿真得到的效果图。

经研究发现:将步态时序图3中本体单独前移的过程去掉, 并把本体前移的过程均匀分配到迈腿的整个过程中, 此时步行机器人的运行效率相对于修改前提高了2/3。如图5所示。

图6所示为机器人质心匀速运行和质心非匀速运行两种步态下机器人本体质心位移变化曲线。由图6可知:机器人质心非匀速运行步态下机器人本体质心在间隔移动, 而质心匀速运行步态下机器人本体质心平稳连续运动。可见四足机器人的行走效率得到了极大的提高。

图7和图8是四足机器人4腿在质心非匀速步态和质心匀速步态下步行机器人足尖地面碰撞力的曲线图和4腿髋关节的受力曲线图。由图7可知:两种步态下, 足尖地面碰撞力基本数据相同。但质心非匀速步态下, 另外三腿迈动过程中, 4腿足尖地面碰撞力基本不变, 而在质心匀速步态下, 2腿 (对角腿) 抬起时, 4腿足尖地面碰撞力减小, 因此可以说明:机器人质心非匀速步态的稳定性要优于质心匀速步态的情况。从图8中可以看出两种步态情况下机器人单腿髋关节力矩变化情况基本相同, 说明质心匀速步态和质心非匀速步态下, 步行机器人的关节力矩不会受到影响。

4 结论

本文主要介绍了机器人平面直线行走步态并重点介绍了质心速度非均匀步态和质心速度均匀步态的差别, 并通过建立仿真系统模型进行了结果验证:质心速度均匀步态下相对于非均匀步态, 机器人的运行效率大大提高, 并且提高了机器人的运行稳定性, 而足尖碰撞力和单腿髋关节力基本没有变化。另外本文只分析了平面直线行走的步态, 而实际上还存在多种其他步态和多种地貌下步态的问题。这些将在后续研究中展开。

参考文献

[1]刘静, 赵晓光, 谭民.腿式机器人的研究综述[J].机器人, 2006 (1) :81-88.

[2]MILLERDP.Multiple behavior-controlled micro-robots for planetary surface missions[C]//Proceedings of the IEEE International Conference on Systems, Man and Cybernetics.USA:IEEE, 1990:289-292.

[3]陈学东, 孙翊, 贾文川.多足步行机器人运动规划与控制[M].武汉:华中科技大学出版社, 2006.

[4]陈德明.四足仿生机器人运动控制系统的设计与实现[D].西安:西北工业大学, 2007.

[5]余联庆.仿马四足机器人机构分析与步态研究[D].武汉:华中科技大学, 2007.

[6]VUKOBRATOVIC M, STEPANENKO J.On the Stability of Anthropomorphic Systems[J].Mathematical Biosciences, 1972 (15) :1-37.