基于粗糙集支持向量机的红外步态识别

谭建辉

（1.广东工业大学 自动化学院，广东 广州510006；2.阳江职业技术学院 计算机科学系，广东 阳江529566）

0 引 言

步态与虹膜、指纹等第一代生物特征不同，具有非侵犯性和远距离识别性等优势，因此，作为一种智能身份鉴别技术，步态识别具有广阔的发展前景和经济社会效益。而红外步态识别还可以在完全没有光源的场景全天候工作，可满足特殊安保的身份识别需求，成为一个新的研究热点。但由于靠温度成像，得到的模糊、对比度低的红外步态图像影响了后续的识别效果，因此存在急需提高红外步态识别整体识别率的问题。国外步态识别起步于20世纪70年代，是从早期医学研究中发展起来的，但直至2000年，内含远距离步态识别任务的HID （human identification at a distance）计划正式实施，才开始步入快速发展期。Rezaul K.Begg等［1］利用支持向量机进行步态识别研究，Jiwen L.等［2］使用遗传模糊支持向量机进行步态识别，Han J.等［3］则进行了基于多分类器组合的针对不同环境的步态识别研究。而国内步态识别研究，由于起步较晚，与国外有一定差距。2001年，中国科学院利用热红外步态技术，研究并开发了行人夜间识别方法及系统，并且申请为国家专利［4］。韩鸿哲等［5］采用线性判别分析和支持向量机进行步态识别，薛召军等［6－7］则提出基于支持向量机的步态识别新方法，叶波等［8］还研究了贝叶斯多分类器信息融合，并在此基础上，开发了一种新的步态识别技术。经过综合对比分析，认识到当前的步态识别还是小样本识别，因此采用支持向量机仍是一种可行的有效识别方法。此外，为对各种模式信息进行充分的融合，采用了信息互补技术开展多分类器融合识别，进一步提高了最终的识别精度。因此，为了进一步提高红外步态的正确识别率，本文提出了一种多分类器融合识别新模型，分别进行基于伪Zernike距特征和基于角度直方图特征的单分类器识别，然后利用粗糙集支持向量机进行多分类器融合识别，实验结果表明该模型识别性能好，识别率有很大的提高。

1 粗糙集支持向量机

由Vapnik提出的支持向量机 （SVM）是一种基于统计学习理论的模式识别新技术，其模型简单、理论清晰，在人脸识别、手写体输入识别等多个应用领域使用广泛。其核心思想是根据输出的最大分类间隔开展模式识别，而决策函数则由最优分类超平面来决定。图1是线性可分的支持向量机的原理图。其中，两大样本分别用小方块和小圆圈来表示，而它们的区分线则用直线H来表示。画一条直线H1，让它与直线H平行，并且通过距离直线H最近的小方块；同理，画一条直线H2，让它与直线H平行，并且通过距离直线H最近的小圆圈。分类间隔则是H1和H2两条平行线之间的垂直距离。因此，形成最优分类线的过程就是支持向量机分类。

而训练SVM算法本质是对线性约束的二次凸规划问题进行求解。支持向量机可分为近似线性、线性和不可分等3种不同类型，其具体映射关系由核函数来决定，式（1）［9－10］是高斯径向基核函数，是最为常用的核函数

图1 支持向量机分类原理

Z.Pawlak首创了粗糙集 （RS）概念，利用粗糙集（RS）来分析不确定性，并在此基础上进行模糊知识的加工。其核心理论是知识约简，也就是根据全体属性集所得到的分类知识与根据最小属性集所得到的分类知识是相同的。

粗糙集［11］可表述为：对于论域U，假设R是论域U的等价关系，则有 X U，假设（X）≠珚R（X），则集合X可认为是U中等价关系R的R－粗糙集。并且可以得到X的下近似与上近似，下近似用珚R（X）表述，上近似用R（X）表述。具体如下所示

式中：U——论域，S——U上的等价关系簇。

分析粗糙集和支持向量机两者的优缺点，可以发现它们的互补性较强，因此融合两者构造的粗糙集支持向量机，将大大减少训练的时间，较好地去除冗余的信息，并且具有较佳的容错能力和泛化性能，如图2所示［12－13］。

图2 粗糙集支持向量机分类系统

2 特征提取

2.1 伪Zernike距特征

分析可知，伪Zernike距［14－17］作为一类正交复数距，具有优良的抗噪性能，分别在 “旋转、平移和尺度”方面拥有较好的不变性，所以分析图像整体形状特征的性能较佳，具体如下所示

式中：＊——复数共轭，n——自然数，f（x，y）——图像，｜l｜≤n。通过使用x＝rcosθ，y＝rsinθ进行极坐标转换后，可获得如下所示的基函数

如果对图像进行离散化处理，那么式 （3）则转换为

式中，i2＋j2≤1，P （i，j）—— （i，j）点的像素值。

对红外步态序列提取伪Zernike距，应先对其进行预处理，包括二值化和归一化。通过分析红外步态的周期性，可将一个红外步态序列的关键帧确定为下面4种情形相应的帧，具体为：右单撑 （两腿合并、右脚固定），右双撑（两腿跨离、右脚靠前），左双撑 （两腿跨离、左脚靠前），左单撑 （两腿合并、左脚固定）［18－19］。因此本文选取步态序列的上述4个关键帧当n＝6，7，8时的伪Zernike距构成红外步态特征向量D。

2.2 角度直方图特征

分析发现，角度直方图［20］表示步态外形变化的性能较好，可作为一种红外步态特征。首先对红外步态序列图像进行 “图像分割、二值化和形态学处理”等一系列的预处理，即可得到单连通运动人体。然后，将单连通运动人体的质心作为中心，以过中心点垂直向上的直线作为基线，将360°的圆周角，按照逆时针方向，平分成10°的锐角。接着，计算出这36个锐角所内含人体像素的数目。最后，进行 “归一化处理”，形成一个角度直方图向量P，其内含36个向量分量，具体如图3、图4所示，其求解办法如下

式中，k＝1，2，3…，36，P （k）表示角度直方图向量A的第k个分量，θ（xi，yi）是经过质心垂直向上的直线与人体质心到运动人体区域的像素点的连线的夹角，（xi，yi）则表示运动人体区域像素点的坐标值。

因此，本文将一个周期范围内的4个代表关键帧的角度直方图向量挑选出来，确定为红外步态特征。

3 基于粗糙集支持向量机的多分类器融合识别模型

模式识别就是按照待分模式的本质特征，将其划分为不同的类别。当按照式 （7）构建模式空间Γ，模式识别就是将一个待分的模式x划分到一个确定的模式类集合ηi。

如果有L个分类器ek，（k＝1，2，…，L），则对每个待分模式x，将会有一个相应的分类输出μk（i），可联结起来构建度量向量Ue（k），即

式中：μk（i）——分类器ek判断待分模式x属于类ηi的程度［21］。

在单分类器识别方面，本文同时使用贝叶斯分类器和模糊分类器，以直接利用它们的输出值构成度量向量Ue（k）。为此，针对伪Zernike距特征，利用最近邻模糊分类器对红外步态序列进行识别；并且针对角度直方图特征，使用贝叶斯分类器识别红外步态。

基于粗糙集支持向量机的多分类器融合，首先是把贝叶斯分类器和模糊分类器等多个单分类器输出的L个度量向量Ue（k）逐个连接为一个规格尺寸为L×N的度量特征向量，以作为粗糙集支持向量机的网络输入；然后利用粗糙集支持向量机的学习和分类功能进行多分类器融合识别，输出即为待分样本的类别标识。根据上述的多分类器融合识别原理，构建了一种新型的基于粗糙集支持向量机的多分类器融合识别模型，具体如图5所示。

图5 多分类器融合识别模型

4 实验与综合分析

本文使用Intel Core i7 930处理器、8GB内存容量的计算机，在Matlab V7.5平台的基础上实现仿真实验。在实验过程中，所采用的红外步态数据库［22］来源于中国科学院。该数据库的采集地点是室外，采集时间是2005年7月份到8月份的晚上，总共拍摄了153个人的红外步态，具体分为 “带包走、快走、慢走与正常行走”等4种模式，最终成库的步态视频序列总共1530段，帧频为25fps，分辨率是320×240，如图6所示。

在步态数据库的拍摄过程中，每个测试者分别于 “慢走、快走与带包走”模式中所拍摄的最终视频数为2段，而在 “正常行走”模式所拍摄的最终视频数则为4段。所以，在进行实验时，训练数据集可定为测试者在 “正常行走”模式下的2段视频，而测试数据集则为另外的2段视频；同理，训练数据集可定为测试者在 “慢走、快走与带包走”模式中所拍摄的1段视频，而测试数据集则为另外的1段视频。

在表1中分别统计了单分类器识别和基于粗糙集支持向量机多分类器融合识别的正确识别率。通过分析发现，使用粗糙集支持向量机进行多分类器融合，正确识别率比单一分类器高，提高14.38%－20.26%。对于同一个待分模式，基于不同识别理论构建的各单分类器，其输出的识别信息往往具有互补性，因此，基于粗糙集支持向量机的多分类器融合识别模型，由于充分利用了各单分类器的互补信息，从而有效地增强了整体识别率。而且，采用基于粗糙集支持向量机多分类器融合的识别模型，由于充分利用了知识约简功能，有效消除了大量的冗余信息，并且由于充分发挥了强大的容错和抗干扰功能，极大地提高了融合识别模型的学习和分类能力，因此，在正确识别率等整体识别效果方面取得了显著的效果。

图6 红外步态数据库

表1 算法正确识别率的统计／%

本文同时采用累积匹配分值CMS进行算法的识别性能分析［23－24］，如图7所示，横轴表示匹配的阶次k，垂直轴则是准确匹配的累加百分比的数值。综合分析数据，可以发现：当3阶时，正确匹配率已达100%，从而说明基于粗糙集支持向量机的多分类器融合的综合识别效果理想。这主要是因为在多分类器融合识别过程中，充分利用了不同特征模式识别的有效信息。

图7 算法的累积匹配分值性能度量

5 结束语

本文根据多分类器融合识别原理，构建了一种新的红外步态多分类器融合识别模型，在分别应用基于角度直方图特征的贝叶斯分类器和基于伪Zernike距特征的模糊分类器进行红外步态识别的基础上，再利用粗糙集支持向量机进行多分类器融合识别。通过在CASIA红外步态数据库中进行仿真实验，验证了该模型的有效性，能大幅度提高红外步态识别的正确识别率。本文下一步的研究方向主要是针对红外步态特征的独特性，开发识别效率更高的专用分类器。

［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）. ［谭铁牛，黄凯奇，覃道亮.基于热红外步态的夜间行人识别方法及系统［P］.中国：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）.［韩鸿哲，王志良，刘冀伟，等.基于线性判别分析和支持向量机的步态识别［J］.模式识别与人工智能，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）. ［薛召军.基于小波变换和支持向量机相结合的步态识别新方法研究 ［D］.天津：天津大学，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）.［薛召军，赵鹏飞，万柏坤，等.红外热成像在步态识别中的应用 ［J］.光电子·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）. ［叶波，文玉梅，何卫华.多分类器信息融合的步态识别算法 ［J］.中国图象图形学报，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）. ［丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述 ［J］.电子科技大学学报，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，赵丽红，王爱侠.模式识别 ［M］.北京：电子工业出版社，2010.］

［11］MIAO Duoqian，LI Daoguo.Theory algorithm and application of rough set［M］.Beijing：Tsinghua University Press，2008（in Chinese）.［苗夺谦，李道国.粗糙集理论、算法与应用 ［M］.北京：清华大学出版社，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）. ［孙福志，于军琪，杨柳.火灾识别中RS－SVM模型的应用 ［J］.计算机工程与应用，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）.［杨志民，刘广利.不确定性支持向量机原理及应用 ［M］.北京：科学出版社，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）.［赵永伟，张二虎，鲁继文，等.多特征和多视角信息融合的步态识别 ［J］.中国图象图形学报，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）.［杨迪，孙劲光，何巍，等.基于伪Zernike矩归一化的人脸特征提取方法 ［J］.计算机工程与应用，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）.［杜天军，黄自力，高升久.伪Zernike矩在低信噪比红外目标检测中的应用 ［J］.光学技术，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）. ［陈平，李垒，任越美.基于区域伪Zernike矩的商标图像检索 ［J］.计算机仿真，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）.［韩鸿哲，李彬，王志良，等.基于傅立叶描述子的步态识别 ［J］.计算机工程，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）.［纪阳阳，赵辉，张晓利.基于多类特征融合的步态识 别算 法 ［J］.电气电 子教 学学报，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）. ［赵子健，吴晓娟，刘允才.基于角度直方图的步态识别算法 ［J］.计算机工程与科学，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，黄洁，高世海，等.信息融合技术及其应用 ［M］.北京：国防工业出版社，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）.［郑帅.CASIA步态数据库申请说明［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）. ［刘磊.基于步态的远距离身份识别研究 ［D］.西安：西安电子科技大学，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）. ［苏煜，山世光，陈熙霖，等.基于全局和局部特征集成的人脸识别［J］.软件学报，2010，21 （8）：1849－1862.］