基于曲線相似度的步態識別研究

桑偉波

（中國刑事警察學院，遼寧 沈陽 110854）

0 引言

國內外步態識別方面的研究已經有很多了，這些方法總體來說可以分為2 類，即基于非模型的方法和基于模型的方法。非模型的方法不考慮人體的組成部分，只針對目標的輪廓信息或統計信息進行研究，研究的重點是通過采集目標連續運動視頻圖像，通過對目標圖像的處理獲取目標行走運動信息，根據運動規律提取表達步態信息的變化特征，根據這些變化特征進行步態識別。這些方法的計算相對簡單且得到的數據準確，但是它們提取的特征不能夠保證信息的完整性。基于模型的方法是利用人體結構建立步態模型，通過對人體結構（例如手臂、腿部、各處關節、骨骼等）進行建模，同時對受試對象在行走過程中建立的模型參數變化特征，通過這些參數變化特征來進行步態識別[1]。常見的模型包括鐘擺模型、雙足模型、條形模型、橢圓模型等，然后使用模型擬合原始步態信息，將原始信息數據的身體部分與建立的模型相對應的部分進行匹配計算，通過模型匹配后進行步態特征提取再識別。這些方法都能保證提取的信息相對完整，但是計算量相對較大，且如果存在遮擋，建模難度較大。

步態識別技術主要還是研究圖像序列采集、圖像分割預處理、步態特征提取以及識別算法等相關技術，特征提取的好壞程度決定了識別的難易程度。目前對特征的提取主要還是集中關注于對圖像上二維單關節特征的研究，包括人體各部分輪廓長寬度、身體各關節平面角度等。但是都會存在或多或少的遮擋問題，有研究表明，前后實驗對象僅穿一件風衣，建模的難度提升很大且識別的精確度由80%降至60%。因此，該文提出以足部特征為研究重點，通過Codamotion 三維動作捕捉系統提取多人步態序列，進行個人足部特征穩定性分析和不同人特征差異性分析，得出足部特征具備識別的基礎條件，再通過弗雷歇曲線相似度進行個人識別。

1 研究方法

人體行走運動依賴于左右足交替完成支撐和擺動運動，足部特征主要體現在左右足在完成支撐和擺動時期形成的各種特征。該文通過Codamotion 采集受試者數據，主要是左右足根骨下端點與第5 個跖骨端點連接形成的空間角度，也稱為腳擺角[2]，及其在3 個面上的投影角度為研究重點，通過對這4 個特征角度的變化規律進行研究，分析同一人穩定性，不同人差異性以及基于曲線相似度進行個人識別。

實驗對象：20 名受試者參與實驗，為了保證數據的可靠性，采集10 名男生和10 名女性的數據，每名實驗對象均無行走運動障礙和足部缺陷，均為身體健康的年輕人。

著裝要求：要求受試者身穿緊身衣褲，足部穿襪子，這樣可以使標記點更靠近人體骨骼。

關節點標記：經過對人體骨骼位置的學習和掌握后，粘貼Marker 點，準確識別每個人的關節點處，保證同樣的角度和位置。

實驗器材：三維動作捕捉系統Codamotion 及其配套硬件設備。

數據采集：采集過程中，要求受試者按照預定速度行走，按照系統操作步驟先后采集每名受試者的10 組步態序列。采集后對數據進行匯總整理，并用Codamotion 軟件初步觀察受試者身上標記點的出現率，判斷數據的完整性后將數據導出。

2 數據分析

將Codamotion 采集的步態序列數據導出并存儲為Excel文件，利用Microsoft Excel2010 和SPSS 22.0 軟件進行穩定性分析以及MATLAB 軟件進行差異性分析，目的是探索腳擺角等特征是否具有同一人穩定性和不同人差異性。

2.1 同一人腳擺角穩定性分析

通過觀察分析，以矢狀面腳擺角的周期為整個步態周期，截取其他角度關鍵片段，將通過Codamotion 步態采集系統采集的受試者A 正常行走的空間腳擺角，及其3 個面上投影角度步態周期內的變化曲線放在同一個坐標系中，橫坐標為時間，縱坐標為角度，如圖1 所示。觀察可見，同一人的腳擺角步態周期序列曲線呈現出比較明顯的連續性和周期性變化特征。

對穩定性進行分析時采用SPSS 軟件對完整周期數據進行單樣本K-S 檢驗，探索其漸進顯著性，驗證是否符合正態分布，再通過繪制變量間散點圖來描述兩兩變量之間是否具有線性分布性質。對連續變量符合正態分布且兩兩變量之間具有線性關系的空間腳擺角和矢狀面腳擺角，通過SPSS 軟件的Pearson 相關性來分析穩定性，對不符合正態分布的水平面腳擺角和冠狀面，采用Spearman 相關性分析其穩定性，得出特征穩定，見表1。從表1 可以看出左右足形成的腳擺角具有穩定性。

表1 特征穩定性

圖1 腳擺角周期序列圖

2.2 不同人腳擺角差異性分析

差異性分析是基于角度變化曲線進行分析，所以采用弗雷歇距離來分析不同人特征曲線之間的差異性。通過同一人特征曲線之間的弗雷歇距離值較小，不同人特征角度曲線之間的距離值較大的差異來說明，不同人特征角度曲線具有顯著差異性。以受試者H 為例，將受試者H 與其他人腳擺角曲線分別輸入MATLAB 軟件中，運行算法得到兩兩曲線之間的弗雷歇距離值，見表2。

表2 受試者H 特征曲線與所有人曲線之間的弗雷歇距離值

從表2 中可以看出，受試者H 特征曲線與樣本數據庫特征曲線進行比對，同一人特征曲線之間的弗雷歇距離值集中再某一區間，而不同人特征曲線之間的距離值顯著大于同一人特征曲線之間距離值，這說明不同人之間具有差異性。對每個特征進行算法處理，得出不同人之間的4 個特征都具有較高的差異性，具備識別不同人特征曲線的條件。

3 個人識別

上文分別采用SPSS 軟件分析相關性來探究同一人特征穩定性，同時采用MATLAB 軟件基于弗雷歇距離來分析不同人特征曲線的差異性，得出同一人的每個特征均具有穩定性，不同人特征曲線之間具有明顯的差異性。因此，可以利用這4 個特征進行個人識別。

3.1 數據庫建立與算法編程

選取每個人每個特征的2 組曲線，1 組為實驗對照組，1組為樣本組，通過對每個人樣本組的4 個特征曲線數據進行整合，得到所有人的樣本數據庫。算法編寫是基于弗雷歇距離評價曲線的相似度來進行個人認定，距離越小，曲線越相似，越表明2 條特征曲線為同一個人。因此，編寫算法進行個人特征曲線識別，需要通過調用樣本數據庫和個人部分，為弗雷歇距離算法定義與主算法來實現。

3.2 個人識別

將上述算法運行得到的實驗對照組數據與所有人的樣本數據庫進行對比，對比其弗雷歇距離值，以受試者H 為例，運算得到弗雷歇距離值。通過曲線的相似度計算，如公式（1）所示。

對上述表格進行運算得到每個特征的曲線相似度，再對這4 個特征相似度求均值，得到受試者H 與樣本數據庫中所有人的總體特征曲線的相似度，見表3。

從表3 中可知，受試者H 特征曲線與樣本數據庫特征曲線進行比對，可以得出同一人的特征曲線相似度極高，受試者H 的特征曲線與樣本中8 號的特征曲線平均相似度為91.14%，因此可以傾向認定受試者H 與樣本數據庫中的8 號人員為同一人，達到個人識別的效果。

表3 受試者H 與樣本數據庫中所有人特征曲線的相似度

4 結論

足部角度特征相對于其他關節角度特征具有不容易被遮擋的優勢，左右足形成的腳擺角更包含豐富的變化信息，因此，足部特征的研究對步態識別技術中特征的提取具有重要意義。通過Codamotion 三維動作捕捉系統平臺對20名受試者的足部空間腳擺角，及其在3 個面上的投影角度的變化規律，進行個人特征自身穩定性分析和不同人特征角度曲線之間的差異性分析，得出具備個人識別的基礎條件，通過這4 個特征能夠進行個人識別。通過基于弗雷歇距離的曲線相似度研究，確定這4 個特征可以用于個人識別，個人識別率達到91.14%。因此，在今后的步態識別研究中，可以考慮加強對足部特征的研究。