基于粗糙集支持向量機的紅外步態識別

譚建輝

（1.廣東工業大學 自動化學院，廣東 廣州510006；2.陽江職業技術學院 計算機科學系，廣東 陽江529566）

0 引 言

步態與虹膜、指紋等第一代生物特征不同，具有非侵犯性和遠距離識別性等優勢，因此，作為一種智能身份鑒別技術，步態識別具有廣闊的發展前景和經濟社會效益。而紅外步態識別還可以在完全沒有光源的場景全天候工作，可滿足特殊安保的身份識別需求，成為一個新的研究熱點。但由于靠溫度成像，得到的模糊、對比度低的紅外步態圖像影響了后續的識別效果，因此存在急需提高紅外步態識別整體識別率的問題。國外步態識別起步于20世紀70年代，是從早期醫學研究中發展起來的，但直至2000年，內含遠距離步態識別任務的HID （human identification at a distance）計劃正式實施，才開始步入快速發展期。Rezaul K.Begg等［1］利用支持向量機進行步態識別研究，Jiwen L.等［2］使用遺傳模糊支持向量機進行步態識別，Han J.等［3］則進行了基于多分類器組合的針對不同環境的步態識別研究。而國內步態識別研究，由于起步較晚，與國外有一定差距。2001年，中國科學院利用熱紅外步態技術，研究并開發了行人夜間識別方法及系統，并且申請為國家專利［4］。韓鴻哲等［5］采用線性判別分析和支持向量機進行步態識別，薛召軍等［6－7］則提出基于支持向量機的步態識別新方法，葉波等［8］還研究了貝葉斯多分類器信息融合，并在此基礎上，開發了一種新的步態識別技術。經過綜合對比分析，認識到當前的步態識別還是小樣本識別，因此采用支持向量機仍是一種可行的有效識別方法。此外，為對各種模式信息進行充分的融合，采用了信息互補技術開展多分類器融合識別，進一步提高了最終的識別精度。因此，為了進一步提高紅外步態的正確識別率，本文提出了一種多分類器融合識別新模型，分別進行基于偽Zernike距特征和基于角度直方圖特征的單分類器識別，然后利用粗糙集支持向量機進行多分類器融合識別，實驗結果表明該模型識別性能好，識別率有很大的提高。

1 粗糙集支持向量機

由Vapnik提出的支持向量機 （SVM）是一種基于統計學習理論的模式識別新技術，其模型簡單、理論清晰，在人臉識別、手寫體輸入識別等多個應用領域使用廣泛。其核心思想是根據輸出的最大分類間隔開展模式識別，而決策函數則由最優分類超平面來決定。圖1是線性可分的支持向量機的原理圖。其中，兩大樣本分別用小方塊和小圓圈來表示，而它們的區分線則用直線H來表示。畫一條直線H1，讓它與直線H平行，并且通過距離直線H最近的小方塊；同理，畫一條直線H2，讓它與直線H平行，并且通過距離直線H最近的小圓圈。分類間隔則是H1和H2兩條平行線之間的垂直距離。因此，形成最優分類線的過程就是支持向量機分類。

而訓練SVM算法本質是對線性約束的二次凸規劃問題進行求解。支持向量機可分為近似線性、線性和不可分等3種不同類型，其具體映射關系由核函數來決定，式（1）［9－10］是高斯徑向基核函數，是最為常用的核函數

圖1 支持向量機分類原理

Z.Pawlak首創了粗糙集 （RS）概念，利用粗糙集（RS）來分析不確定性，并在此基礎上進行模糊知識的加工。其核心理論是知識約簡，也就是根據全體屬性集所得到的分類知識與根據最小屬性集所得到的分類知識是相同的。

粗糙集［11］可表述為：對于論域U，假設R是論域U的等價關系，則有 X U，假設（X）≠珚R（X），則集合X可認為是U中等價關系R的R－粗糙集。并且可以得到X的下近似與上近似，下近似用珚R（X）表述，上近似用R（X）表述。具體如下所示

式中：U——論域，S——U上的等價關系簇。

分析粗糙集和支持向量機兩者的優缺點，可以發現它們的互補性較強，因此融合兩者構造的粗糙集支持向量機，將大大減少訓練的時間，較好地去除冗余的信息，并且具有較佳的容錯能力和泛化性能，如圖2所示［12－13］。

圖2 粗糙集支持向量機分類系統

2 特征提取

2.1 偽Zernike距特征

分析可知，偽Zernike距［14－17］作為一類正交復數距，具有優良的抗噪性能，分別在 “旋轉、平移和尺度”方面擁有較好的不變性，所以分析圖像整體形狀特征的性能較佳，具體如下所示

式中：＊——復數共軛，n——自然數，f（x，y）——圖像，｜l｜≤n。通過使用x＝rcosθ，y＝rsinθ進行極坐標轉換后，可獲得如下所示的基函數

如果對圖像進行離散化處理，那么式 （3）則轉換為

式中，i2＋j2≤1，P （i，j）—— （i，j）點的像素值。

對紅外步態序列提取偽Zernike距，應先對其進行預處理，包括二值化和歸一化。通過分析紅外步態的周期性，可將一個紅外步態序列的關鍵幀確定為下面4種情形相應的幀，具體為：右單撐 （兩腿合并、右腳固定），右雙撐（兩腿跨離、右腳靠前），左雙撐 （兩腿跨離、左腳靠前），左單撐 （兩腿合并、左腳固定）［18－19］。因此本文選取步態序列的上述4個關鍵幀當n＝6，7，8時的偽Zernike距構成紅外步態特征向量D。

2.2 角度直方圖特征

分析發現，角度直方圖［20］表示步態外形變化的性能較好，可作為一種紅外步態特征。首先對紅外步態序列圖像進行 “圖像分割、二值化和形態學處理”等一系列的預處理，即可得到單連通運動人體。然后，將單連通運動人體的質心作為中心，以過中心點垂直向上的直線作為基線，將360°的圓周角，按照逆時針方向，平分成10°的銳角。接著，計算出這36個銳角所內含人體像素的數目。最后，進行 “歸一化處理”，形成一個角度直方圖向量P，其內含36個向量分量，具體如圖3、圖4所示，其求解辦法如下

式中，k＝1，2，3…，36，P （k）表示角度直方圖向量A的第k個分量，θ（xi，yi）是經過質心垂直向上的直線與人體質心到運動人體區域的像素點的連線的夾角，（xi，yi）則表示運動人體區域像素點的坐標值。

因此，本文將一個周期范圍內的4個代表關鍵幀的角度直方圖向量挑選出來，確定為紅外步態特征。

3 基于粗糙集支持向量機的多分類器融合識別模型

模式識別就是按照待分模式的本質特征，將其劃分為不同的類別。當按照式 （7）構建模式空間Γ，模式識別就是將一個待分的模式x劃分到一個確定的模式類集合ηi。

如果有L個分類器ek，（k＝1，2，…，L），則對每個待分模式x，將會有一個相應的分類輸出μk（i），可聯結起來構建度量向量Ue（k），即

式中：μk（i）——分類器ek判斷待分模式x屬于類ηi的程度［21］。

在單分類器識別方面，本文同時使用貝葉斯分類器和模糊分類器，以直接利用它們的輸出值構成度量向量Ue（k）。為此，針對偽Zernike距特征，利用最近鄰模糊分類器對紅外步態序列進行識別；并且針對角度直方圖特征，使用貝葉斯分類器識別紅外步態。

基于粗糙集支持向量機的多分類器融合，首先是把貝葉斯分類器和模糊分類器等多個單分類器輸出的L個度量向量Ue（k）逐個連接為一個規格尺寸為L×N的度量特征向量，以作為粗糙集支持向量機的網絡輸入；然后利用粗糙集支持向量機的學習和分類功能進行多分類器融合識別，輸出即為待分樣本的類別標識。根據上述的多分類器融合識別原理，構建了一種新型的基于粗糙集支持向量機的多分類器融合識別模型，具體如圖5所示。

圖5 多分類器融合識別模型

4 實驗與綜合分析

本文使用Intel Core i7 930處理器、8GB內存容量的計算機，在Matlab V7.5平臺的基礎上實現仿真實驗。在實驗過程中，所采用的紅外步態數據庫［22］來源于中國科學院。該數據庫的采集地點是室外，采集時間是2005年7月份到8月份的晚上，總共拍攝了153個人的紅外步態，具體分為 “帶包走、快走、慢走與正常行走”等4種模式，最終成庫的步態視頻序列總共1530段，幀頻為25fps，分辨率是320×240，如圖6所示。

在步態數據庫的拍攝過程中，每個測試者分別于 “慢走、快走與帶包走”模式中所拍攝的最終視頻數為2段，而在 “正常行走”模式所拍攝的最終視頻數則為4段。所以，在進行實驗時，訓練數據集可定為測試者在 “正常行走”模式下的2段視頻，而測試數據集則為另外的2段視頻；同理，訓練數據集可定為測試者在 “慢走、快走與帶包走”模式中所拍攝的1段視頻，而測試數據集則為另外的1段視頻。

在表1中分別統計了單分類器識別和基于粗糙集支持向量機多分類器融合識別的正確識別率。通過分析發現，使用粗糙集支持向量機進行多分類器融合，正確識別率比單一分類器高，提高14.38%－20.26%。對于同一個待分模式，基于不同識別理論構建的各單分類器，其輸出的識別信息往往具有互補性，因此，基于粗糙集支持向量機的多分類器融合識別模型，由于充分利用了各單分類器的互補信息，從而有效地增強了整體識別率。而且，采用基于粗糙集支持向量機多分類器融合的識別模型，由于充分利用了知識約簡功能，有效消除了大量的冗余信息，并且由于充分發揮了強大的容錯和抗干擾功能，極大地提高了融合識別模型的學習和分類能力，因此，在正確識別率等整體識別效果方面取得了顯著的效果。

圖6 紅外步態數據庫

表1 算法正確識別率的統計／%

本文同時采用累積匹配分值CMS進行算法的識別性能分析［23－24］，如圖7所示，橫軸表示匹配的階次k，垂直軸則是準確匹配的累加百分比的數值。綜合分析數據，可以發現：當3階時，正確匹配率已達100%，從而說明基于粗糙集支持向量機的多分類器融合的綜合識別效果理想。這主要是因為在多分類器融合識別過程中，充分利用了不同特征模式識別的有效信息。

圖7 算法的累積匹配分值性能度量

5 結束語

本文根據多分類器融合識別原理，構建了一種新的紅外步態多分類器融合識別模型，在分別應用基于角度直方圖特征的貝葉斯分類器和基于偽Zernike距特征的模糊分類器進行紅外步態識別的基礎上，再利用粗糙集支持向量機進行多分類器融合識別。通過在CASIA紅外步態數據庫中進行仿真實驗，驗證了該模型的有效性，能大幅度提高紅外步態識別的正確識別率。本文下一步的研究方向主要是針對紅外步態特征的獨特性，開發識別效率更高的專用分類器。

［1］Rezaul K Begg，Marimuthu Palaniswami，Brendan Owen.Support vector machines for automated gait classification［J］.IEEE Transactions on Bio－Medical Engineering，2005，52 （5）：828－838.

［2］Jiwen L，Erhu Z.Gait recognition for human identification based on ICA and fuzzy SVM through multiple views fusion［J］.Pattern Recognition Letters，2007，28 （16）：2401－2411.

［3］HAN J，Bhanu B.Gait recognition by combining classifiers based on environmental contexts ［C］.Proceedings of the 5th International Conference on Audio－and Video－Based Biometric Person Authentication，2005：416－425.

［4］TAN Tieniu，HUANG Kaiji，QIN Daoliang.Night identification method and system based on thermal infrared gait ［P］.China：CN 101226597A，2008 （in Chinese）. ［譚鐵牛，黃凱奇，覃道亮.基于熱紅外步態的夜間行人識別方法及系統［P］.中國：CN 101226597A，2008.］

［5］HAN Hongzhe，WANG Zhiliang，LIU Jiwei，et al.Gait recognition based on linear discriminant analysis and support vector machine ［J］.Pattern Recognition and Artificial Intelligence，2005，18 （2）：160－164 （in Chinese）.［韓鴻哲，王志良，劉冀偉，等.基于線性判別分析和支持向量機的步態識別［J］.模式識別與人工智能，2005，18 （2）：160－164.］

［6］XUE Zhaojun.Study on the novel technique of gait recognition based on wavelet transform and support vector machine ［D］.Tianjin：Tianjin Uiversity，2007 （in Chinese）. ［薛召軍.基于小波變換和支持向量機相結合的步態識別新方法研究 ［D］.天津：天津大學，2007.］

［7］XUE Zhaojun，ZHAO Pengfei，WAN Baikun，et al.Application of infrared thermal imaging in gait recognition ［J］.Journal of Optoelectronics Laser，2009，20 （3）：402－405 （in Chinese）.［薛召軍，趙鵬飛，萬柏坤，等.紅外熱成像在步態識別中的應用 ［J］.光電子·激光，2009，20 （3）：402－405.］

［8］YE Bo，WEN Yumei，HE Weihua.Gait recognition based on the fusion of multiple classifiers ［J］.Journal of Image and Graphics，2009，14 （8）：1627－1637 （in Chinese）. ［葉波，文玉梅，何衛華.多分類器信息融合的步態識別算法 ［J］.中國圖象圖形學報，2009，14 （8）：1627－1637.］

［9］DING Shifei，QI Bingjuan，TAN Hongyan.An overview on theory and algorithm of support vector machines ［J］.Journal of University of Electronic Science and Technology of China，2011，40 （1）：2－10 （in Chinese）. ［丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述 ［J］.電子科技大學學報，2011，40 （1）：2－10.］

［10］LI Jingjiao，ZHAO Ligong，WANG Aixia.Pattern recognition ［M］.Beijing：Electronic Industry Press，2010 （in Chinese）.［李晶皎，趙麗紅，王愛俠.模式識別 ［M］.北京：電子工業出版社，2010.］

［11］MIAO Duoqian，LI Daoguo.Theory algorithm and application of rough set［M］.Beijing：Tsinghua University Press，2008（in Chinese）.［苗奪謙，李道國.粗糙集理論、算法與應用 ［M］.北京：清華大學出版社，2008.］

［12］SUN Fuzhi，YU Junqi，YANG Liu.Application of RS－SVM model for fire identification ［J］.Computer Engineering and Applications，2010，46 （3）：198－200 （in Chinese）. ［孫福志，于軍琪，楊柳.火災識別中RS－SVM模型的應用 ［J］.計算機工程與應用，2010，46 （3）：198－200.］

［13］YANG Zhimin，LIU Guangli.The principle and application of uncertainty support vector machine（SVM） ［M］.Beijing：Science Press，2007（in Chinese）.［楊志民，劉廣利.不確定性支持向量機原理及應用 ［M］.北京：科學出版社，2007.］

［14］ZHAO Yongwei，ZHANG Erhu，LU Jiwen.Gait recognition via multiple features and views information fusion ［J］.Journal of Image and Graphics，2009，14 （3）：388－393 （in Chinese）.［趙永偉，張二虎，魯繼文，等.多特征和多視角信息融合的步態識別 ［J］.中國圖象圖形學報，2009，14 （3）：388－393.］

［15］YANG Di，SUN Jinguang，HE Wei，et al.Face feature extraction based on normalization of pseudo－Zernike moment［J］.Computer Engineering and Applications，2010，46（35）：163－165 （in Chinese）.［楊迪，孫勁光，何巍，等.基于偽Zernike矩歸一化的人臉特征提取方法 ［J］.計算機工程與應用，2010，46 （35）：163－165.］

［16］DU Tianjun，HUANG Zili，GAO Shengjiu.Application of pseudo－Zernike moments in target detection for low－SNR infrared images ［J］.Optical Technique，2007，33 （6）：938－945（in Chinese）.［杜天軍，黃自力，高升久.偽Zernike矩在低信噪比紅外目標檢測中的應用 ［J］.光學技術，2007，33（6）：938－945.］

［17］CHEN Ping，LI Lei，REN Yuemei.Trademark image retrieval using region pseudo－zernike moments ［J］.Computer Simulation，2010，27 （8）：270－273 （in Chinese）. ［陳平，李壘，任越美.基于區域偽Zernike矩的商標圖像檢索 ［J］.計算機仿真，2010，27 （8）：270－273.］

［18］HAN Hongzhe，LI Bin，WANG Zhiliang，et al.Gait recognition based on Fourier descriptors［J］.Computer Engineering，2005，31 （2）：48－49 （in Chinese）.［韓鴻哲，李彬，王志良，等.基于傅立葉描述子的步態識別 ［J］.計算機工程，2005，31（2）：48－49.］

［19］JI Yangyang，ZHAO Hui，ZHANG Xiaoli.A feature fusion based gait recognition algorithm ［J］.Journal of Electrical ＆Electronic Engineering Education，2009，31 （5）：67－70 （in Chinese）.［紀陽陽，趙輝，張曉利.基于多類特征融合的步態識 別算 法 ［J］.電氣電 子教 學學報，2009，31 （5）：67－70.］

［20］ZHAO Zijian，WU Xiaojuan，LIU Yuncai.A gait recognition algorithm based on angle histogram ［J］.Computer Engineering ＆Science，2006，28 （6）：73－76 （in Chinese）. ［趙子健，吳曉娟，劉允才.基于角度直方圖的步態識別算法 ［J］.計算機工程與科學，2006，28 （6）：73－76.］

［21］LI Bicheng，HUANG Jie，GAO Shihai，et al.Information fusion technology and its application［M］.Beijing：National Defense Industry Press，2010 （in Chinese）.［李弼程，黃潔，高世海，等.信息融合技術及其應用 ［M］.北京：國防工業出版社，2010.］

［22］ZHENG Shuai.CASIA gait database application instructions［EB／OL］.［2011－03－18］.http：／／www.cbsr.ia.ac.cn／china／Gait%20Databases%20CH.asp（in Chinese）.［鄭帥.CASIA步態數據庫申請說明［EB／OL］.［2011－03－18］.http：／／www.cbsr.ia.ac.cn／china／Gait%20Databases%20CH.asp.］

［23］LIU Lei.Human identification research from a distance based on gait recognition ［D］.Xi’an：Xi’an University of Electronic Science and Technology，2008 （in Chinese）. ［劉磊.基于步態的遠距離身份識別研究 ［D］.西安：西安電子科技大學，2008.］

［24］SU Yu，SHAN Shiguang，CHEN Xilin，et al.Integration of global and local feature for face recognition ［J］.Journal of Software，2010，21 （8）：1849－1862 （in Chinese）. ［蘇煜，山世光，陳熙霖，等.基于全局和局部特征集成的人臉識別［J］.軟件學報，2010，21 （8）：1849－1862.］