基于Kinect骨骼信息的步态分析与识别

• 作 者: 郭国厂
• 出 处: 安徽大学
• 发表日期: 2020年07期
• 关键词: Kinect 动态时间规整 特征融合 步态识别

现代社会的急速发展推动着人类更加重视安全问题,生物特征识别作为对安全敏感度要求极高的场合所需要的一种身份鉴别技术,受到了计算机研究人员的广泛关注。在智能视频监控领域,传统的生物特征如人脸、虹膜、指纹等在接触性或近距离下能够很好的完成识别,在远距离的场景下则无法完成识别。步态作为可感知的生物特征,具有易采集、远距离识别、难伪装等传统特征不具备的特点。因此,利用人行走的姿势在视频监控领域进行人体分析,从而鉴别人体身份已成为目前研究的热点。步态识别方法主要分为基于二维信息和三维信息的方法。基于二维图像的步态识别算法复杂,易受光照、人体穿着、视角变化的影响。基于三维图像的步态识别算法复杂度低,不易受外界环境因素的干扰,能够获取人体三维骨骼信息和实现人体背景分割。本文选择Kinect深度传感器作为三维信息采集设备,以人体的彩色图像和骨骼信息作为输入数据,使用改进的新DTW算法和K近邻算法结合的步态识别算法进行身份识别,提出基于Kinect骨骼信息的步态分析与识别方法。步态识别的主要过程由数据采集与预处理,动静态特征提取,识别算法三大部分组成。本文的主要研究内容如下:(1)数据采集。本文利用UPCV(University of Patras Computer Vision)数据库验证所提方法的有效性。由于UPCV数据库缺少二维图像,本文利用Kinect V2采集实验室20位同学的彩色图像和骨骼图像。新建的数据集共20位同学参与采集,0度(与X轴平行)30度(与X轴正向)下各五条以正常速度行走的步态序列,共有200条步态视频序列。每条步态序列包含每帧对应的彩色图像和每帧20个骨骼点的三维骨骼坐标。(2)步态特征提取。利用人体生理学结构提出五个人体骨骼模块(脊柱、左手臂、右手臂、左腿、右腿)构建人体模型;在获取人体三维骨骼坐标和预处理后,本文从多个角度提取能够代表个体唯一性的步态特征,包括静态特征和动态特征;利用Kinect采集得到的三维骨骼信息,提取大腿长度等7个静态特征,同时又提取膝关节角度等3个动态特征。针对动静态特征,分别利用相似性度量和一个步态周期内静态长度的平均值证明了动静态特征提取的可行性。(3)步态分类与识别。利用改进的新DTW算法和最近邻、K近邻算法分别以静态步态特征,动态步态特征,静态步态特征和动态特征融合的特征方法实现步态识别的对比。针对提出的步态特征融合的识别方法,运用动静态步态特征计算出的距离作为各自对应特征的匹配分值,最后对动静态骨骼特征的匹配分值利用改进的加权加法的融合算法得到测试序列与训练序列的总的匹配分值,从而利用最近邻,K近邻算法完成步态识别的分类统计效果。通过在UPCV数据库和自建数据上达到的90%和92.5%识别效果,高于同数据集的二维图像识别率和对比文献识别率的20%左右,验证了本文方法的可行性。最后是利用OpencnCV和Kinect SDK等相关技术实现并开发了步态识别模拟演示系统,将论文提出的方法集成应用到系统中。