基于骨架的人體識別

劉曉云 孫運強 姚愛琴

【摘要】本文采用了人體骨架模型的方法，通過距離變換的算法對人體進行了骨架特征提取，同時用腐蝕和還原的算法對骨架的細小分支進行剔除，保留了骨架的主要特征，取得了較好的效果。

【關鍵詞】特征提取;骨架;腐蝕和還原

Human recognition based on skeleton

Key laboratory of dynamic testing instrument science and the ministry of education，North University of China Liu xiao-yun ?Sun Yun-qiang ?Yao Ai-qin

Abstract：This paper uses the method of human skeleton model，through the distance transform algorithm to the feature extraction of skeleton the human body，small branches at the same time with corrosion and reduction algorithm on the skeleton are removed，retained the main characteristics of the skeleton，and achieved good results.

Key words：Feature extraction;skeleton;Corrosion and reduction

引言

人體步態識別作為一種新興的生物特征識別技術，受到越來越多的關注。步態特征主要反映人行走的姿勢，與人臉、指紋、虹膜等其他生物特征相比，具有在遠距離、非接觸和低質量視頻的狀態下進行人身份鑒別的優點。相對于包含各種噪聲和誤差的人體步態，骨架成為能夠表述人體步態的重要信息，它由一些理想的細線組成，可以有效地反應出原物體形狀的連通性或者拓撲結構，因此，骨架能作為人體特征識別、運動人體的實時追蹤的一種有效方法。本文就是采用骨架作為人體的主要特征來進行人體識別。

1.人體識別系統

步態識別大體分為三個步驟，第一步進行目標分割，第二步特征提取，第三步特征識別。流程圖如圖1所示。

圖1 步態識別流程圖

2.步態序列預處理

預處理的主要內容有：首先提取步態視屏中的步態單幀圖像（如圖2所示），采用混合高斯模型提取前景圖像，混合高斯背景建模是通過多個高斯分布函數來描述背景圖像中的像素顏色，實現前景與背景的分割及運動跟蹤（如圖3所示）。再利用當前人體步態圖像與背景圖像進行差分來實現運動目標檢測，從而將運動的人體從背景中分離出來，經過二值化后的圖像有許多小的噪聲（如圖4所示），在人體區域內部也有小的縫隙，我們用形態學濾波的方法來消除噪聲，使圖像更平滑（如圖5所示）。最后為了精確定位邊緣，將噪聲降到最低，采用Canny邊緣檢測法來提取人體輪廓（如圖6所示）。

3.骨架的特征提取

3.1 骨架模型

骨架，也稱中軸。20世紀60年代，Blum提出一種是中軸變換或焚燒草地技術（如圖7所示），假設圖像邊界上所有點同時點燃，火焰以相同速度向圖像內部燃燒，當波前相遇時，火焰熄滅，所有熄滅處點的集合就構成了中軸（即骨架）。他還提出了另一種最大圓盤法（如圖8所示），骨架是所有最大圓盤圓心的集合，設A為圖像B中的一個內切圓盤，即至少有兩點與圖像邊界相切，如果A是圖像B內部任何其它圓盤的子集，則稱為最大圓盤[1]。

目前骨架提取算法有以下幾類，第一種是細化算法[2]，通過迭代移除物體邊界點和內部點，直到只剩余骨架為止。這種方法那能較好的保留原有物體的拓撲結構，但對噪聲敏感，不能準確定位骨架位置。第二種是基于V 氏圖表的離散區域算法，確定包含許多邊形的最大圓盤的中心點位置，多邊形的頂點來自于對邊界的采樣，提取骨架的準確度隨采樣點的增多而增高，但計算發雜、時間長且對噪聲敏感。第三種是基于形態學骨架提取的，這種方法能準確提取骨架，但無法保證骨架的連通性。第四種是在邊界點的距離變換中檢測脊背，這種方法可以準確定骨架位置。本文采用的就是基于距離變換的骨架提取方法。

圖7 燒草模型 ? ? ? ? ? ? ? ? ?圖8 最大球模型

3.2 基于距離變換的骨架的提取

假設人體輪廓邊界是二維平面內的一個閉合曲線，用符號C表示。輪廓內點的集合用符號F表示。輪廓內的任意點P，相對于輪廓邊界的距離變換K為：

其中d（p，v）代表這兩點之間的歐式距離。對于輪廓內的任意點p，，若r（p）表示輪廓邊緣上距離最近的點，則：。

根據文獻[3]提出的裁定點方法，R（p）所對應的裁定點集合可定義為：R（p）是輪廓邊界C的一個子集，即：輪廓邊界部分點組成的集合。該集合中的任意點如果不是輪廓邊緣距離最近的點，則是輪廓邊緣上距離p的8領域點最近的點。則R（p）可以表示為：

其中表示8領域范圍內p的相鄰點集合，，函數表示集合內的元素個數。

輪廓內的任意點p，若表示表示內的任意點，則滿足

的點P是物體的一個骨架點，其中，和分別是點的坐標。

按照此方法提取的骨架中都是連通的，不會存在孤立的骨架點，如圖9所示即為此方法提取的骨架。

圖9 提取的人體骨架

3.3 骨架的腐蝕與還原

骨架的腐蝕與還原操作主要針對骨架末梢點（End Point），即只存在一個相鄰骨架點的骨架點。假設P點是“單象素”的骨架末梢點，那么至少存在一個相鄰的骨架點Q在它的8鄰域內。如果Q點處于P點的4鄰域方向，那么在Q點與P點的鄰域交集區域（即：圖4.13所示的灰色區域）最多能夠出現2個與Q點相鄰的點。如果Q點處于P點的對角方向，那么在Q點與P點的鄰域交集區域將不可能存在任何的骨架點。

根據以上定義，離散情況下的骨架末梢點可以用以下鄰域系數集來表示：

滿足ESP的骨架點都被看做是骨架末梢點。骨架腐蝕的基本思想就是不斷地去除骨架上現有的末梢點，具體如下：（1）設迭代次數為n，計算骨架各點的鄰域系數，找出滿足EPS的骨架末梢點;（2）去除骨架所有末梢點，并記錄去除點位置;（3）更新所去除末梢點的相鄰骨架點的鄰域系數;（4）參數n++，如果n==N（腐蝕度），開始骨架還原操作;否則返回步驟（2）繼續進行腐蝕操作。

骨架的還原與腐蝕相反，在每次腐蝕迭代過程中都記錄了所刪除的末梢點，設刪除的所有末梢點用數組DE表示，而DE（K）表示第k次迭代所刪除的末梢點集合。骨架還原步驟如下：（1）設k為腐蝕度大小，即：k=N;（2）在DE（k）所含骨架點中找出與現有骨架末梢點滿足EPS的點，再將這些點還原到骨架中，即構成了新的骨架末梢點;（3）參數k--，如果k==0，則還原過程結束;否則返回步驟（2）繼續進行還原操作[4]。

骨架中任何長度小于腐蝕度的骨架枝在骨架還原之后都將消失，且通過設置腐蝕度大小，還可以去除掉任何長度小于腐蝕度的骨架枝。如圖10所示即為腐蝕還原后的骨架。

圖10 腐蝕和還原后的骨架

4.結論

本文提出了一種針對室內步態輪廓的基于骨架模型的步態識別算法。人體骨架的主要特征分兩步被提取出來：第一步采用基于距離變換的算法來提取人體初始骨架。該方法能準確找出骨架位置。第二步用骨架的腐蝕與還原算法，通過設置適當的腐蝕度閾值來去除骨架細小多余的枝干。分類識別采用支持向量機的方法[5]。實驗結果表明，通過本章方法所提取的骨架能夠適應室內環境的骨架精確度要求，該骨架模型在CASIA 的步態數據庫上取得了令人滿意的識別效果。

參考文獻

[1]肖雪.基于視頻序列的人體骨架提取與三維重建[D].大連理工大學，2009.

[2]Y.Y.Zhang and P.S.P.Wang，A parallel thinning algorithm with two-subiteration that generates one-pixel-wide skeletons[C].ICPR，pp：457-461，1996.

[3]Dacheng Tao，Xuelong Li，X.D.Wu，S.J.Mayballk.Elapsed Time in Human GaitRecognition：a New Approach[C].ICASSP，IEEE International Conference on Acoustics，Speech and Signal Processing，2006：177.

[4]胡榮.人體步態識別研究[D].華中科技大學，2010.

[5]王青力.基于支持向量機的步態識別.[D].華僑大學，2006.