基于步态特征的身份识别研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于步态特征的身份识别研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要 随着信息化发展进程日益加快，信息技术的应用领域和范围也在不断拓展。出于安全因素的考虑，身份识别在社会的多个领域起到了非常重要的作用。伴随着科技的发展和进步，生物识别技术得以开发和应用，通过判断人的动作行为，进而区分其个体身份。作为一种新型的生物识别技术，步态识别技术将身份识别技术水平提升到一个新的高度，成为当前身份识别领域重点研究的方向。文章基于步态特征的身份识别进行研究。

【关键词】步态特征 身份识别 特征融合

步态特征身份识别是通过对个体动作行为的变化特征进行分析判断，进而了解和掌握该个体身份。步态特征识别技术能够远距离、非接触进行操作，检测和识别的准确性高，在公众场所的安保方面有着广泛的应用。基于步态特征的身份识别，在实践应用当中不断的改进和完善，逐渐成为更加成熟的身份识别技术。

1 基于步态特征的身份识别要点

1.1 运动目标检测

在步态特征身份识别检测当中，运动目标检测是十分关键的环节，是了解和掌握运动目标步态特征的基础。基于图像序列，经过背景建模、减除，将获得的前景图像进行形态学处理；然后进行连通性分析，并进行图像剪裁；最后经过边缘提取，提取出运动目标，进行特征提取。

1.1.1 图像提取

基于步态特征的身份识别当中，应用帧差法或背景差法对视频序列进行图像提取，确定变化的人体区域，简单直接的提取运动目标。根据人体轮廓序列，分别确定前景目标和背景区域。

1.1.2 形态学处理

为了避免出现背景噪声和前景空洞，需要对所提取的运动目标进行形态学处理，以符合人体的轮廓要求。经过形态学处理的图像更加平滑，以邻域运算的方式，在二维矩阵当中，基于结构元素，扫描二值图像的各点像素。寻找结构元素与二值图像的重合区域，进而进行逻辑运算，利用膨胀、腐蚀或者组合运算，有效消除背景噪声的干扰，弥补运动目标提取当中存在的不足，进而获得更加清晰的步态特征图像。

1.1.3 连通性分析

将相互连通的区域进行套标记，计算像素点，根据像素点的多少来确定人体区域和背景区域，人体步态特征能够充分呈现出来，并有效消除噪声区域的干扰。

1.1.4 图像裁剪

图像裁剪的主要作用是有效去除背景信息冗余，在保证图像完整性的情况下进行裁剪，保证尽量小的尺寸。

1.1.5 边缘提取

前景目标的边缘是识别人体步态特征的关键区域，在图像区域的边界，利用边界跟踪算法对经过裁剪的图像进行轮廓线的提取，进而获得更加清晰、准确的步态特征。

1.2 步态特征提取

步态特征提取是在运动目标检测的基础上，对图像序列进行周期性监测，提取关键帧，进而了解人体轮廓特征、肢体角度特征以及反射对称特征，联合特征矢量，在分类器当中进行步态特征的识别。

1.2.1 步态周期监测

人体行走运动过程中，步态呈现出周期性。一般来说，两步即为一个步态周期。但是由于步态的复杂性，周期并不完全准确，只是大概的数值。经过步态周期检测，利用简单、便捷的方法，能够有效估算步态周期，并根据人体的运动特征，进行综合分析，获得更加精准的步态周期。

1.2.2 关键帧提取

由于步态周期的差异性，所以在进行运动目标图像帧的提取时，无法做到均匀，会存在一定的冗余。因此，需要从中提出关键帧，以更好的反映出准确的步态特征。

1.2.3 步态特征提取

步态特征提取包括人体轮廓特征、肢体角度特征以及反射对称特征等几个方面。利用傅里叶描述子来提取人体轮廓特征，而肢体角度特征是综合了人体各部位、关节的特征进行综合描述，能够充分反映步态特征。反射对称特征则是根据人体的行走运动习惯，将反射对称特征作为步态识别判断的参考。根据步态特征的融合，进行综合分析，进而实现基于步态特征的身份识别。

2 基于步态特征的身份识别实验分析

在步态特征身份识别实验当中，基于CASIA步态数据库，以此作为仿真数据，进而验证步态身份识算法性能。本文从CASIA 子库DatasetA步态数据库当中选取5组步态图像，这5组图像代表着不同的人的步态。在5组图像当中，分别选取90°的行走方向，相同方向选2个图像序列，1组作训练样本，1组作测试样本。按照正确分类率和累计匹配值进行判断，准确进行步态特征识别验证，对其性能予以正确评价。根据步态特征算法流程，进行步态特征的身份识别实验。

基于DatasetA步态数据库，对三个图像当中的步态特征，即人体轮廓特征、肢体角度特征以及反射对称特征分别经过分类器处理，进而获得联合矢量，进一步分类识别。应用三种不同的算法实验，以验证本文算法的识别性能。

（1）分类识别，改进肢体角度特征，再与人体轮廓特征相互融合；

（2）在不引入权值的情况下，融合人体轮廓特征、肢体角度特征以及反射对称特征；

（3）引入权值，在进行步态各特征的融合。

经过对比试实验可以发现，多类特征的融合以及权值的引入，是提升步态特征识别率的有效途径和方法。算法一识别率为88.75%，算法二的步态特征识别率则为93.75%，算法三，即本文提出的步态特征加权融合算法，步态特征识别率可达96%以上。由此验证，步态特征加权融合算法是提升步态特征的身份识别准确性的有效途径。

3 结论

基于步态特征的身份识别，相比于其他身份识别技术，步态识别具有十分显著的优势。基于步态特征的身份识别要点，进行运动目标检测和步态特征提取。经过步态特征的身份识别实验进行深入分析，采用步态特征加权融合的身份识别算法，能够有效提升识别率，以更好的应用于涉及身份识别的相关领域，提供安全服务。

参考文献

[1]肖可.基于步态特征的身份识别算法研究[J].计算机仿真，2012，04：286-289.

[2]纪阳阳.基于多类特征融合的步态识别算法[D].山东大学，2010.

[3]高海燕.人体步态识别研究[D].北京交通大学，2010.

作者简介

朱程（1993-），男，福建省仙游县人。现公安海警学院大学本科在读。

作者单位

公安海警学院 浙江省宁波市 315801