一种基于骨架算法的人体动态特征曲线提取算法

杨洪臣 刘 松 陈虹宇 白笙学

（1 中国刑事警察学院声像资料检验技术系 辽宁 沈阳 110035；2 重庆市公安局物证鉴定中心 重庆 400070）

在视频侦查手段逐渐多样化的今天，犯罪嫌疑人的反侦查能力也在不断增强。实际案件侦查中，常常会遇到犯罪嫌疑人利用遮面、换装等手段伪装自己，阻碍侦查。尽管犯罪嫌疑人想方设法遮面、换装，但是其体态特征却不会因为其伪装而有较大的变化。故对视频中人体动态特征与犯罪嫌疑人动态特征进行特征匹配方法的研究是十分必要的。

视频中人体动态特征识别技术在国内外已有相关研究。早在2000年，美国高级项目研究署就有重点项目“远距离人的身份识别”（Human Identification at a Dis tance），即HD计划。在其后的一段时间里，全世界各大高校及科研机构在HD项目的触发下都积极的对人体动态识别展开了研究。至今为止，尽管人体动态识别课题的研究有一定的进展，但是其研究成果都尚处于理论推导及实验阶段，未走出实验室，还未在实际场景中得到大规模的应用。最近兰玉文等人的文章中提到在一段视频中对每帧视频图像人体关键点进行标注，最终形成各个关键点的分布曲线，通过对曲线的进行拟合并计算相似性来进行人体动态特征的识别[1]。兰玉文等人的研究经过了科学的建模、大量的实验及合理的分析，其对人体动态特征识别的研究具有一定的科学性和可靠性。但是在兰玉文等人的研究中对人体关键点的标注查找主要依靠人工手动逐帧标记，要是能够通过一定的算法实现关键点的自动标记，这样就能真正实现视频中人体动态特征的自动提取及比对工作，无需人工对关键点的逐帧标记。

本文通过对视频中目标定位并提取目标骨架的方法能在一定条件下较好的自动提取出人体的关键点。最终提取出一段时间视频中运动人体动态特征曲线。

1 算法介绍

人体动态特征曲线提取算法通过对视频中运动人体目标进行定位并对目标进行骨架化操作，进而实现人体关键点的自动查找，最终形成人体动态特征曲线。实现流程如图1。

图1 算法流程图

1.1 目标定位算法

实现视频中运动目标的定位是基于灰度归类的背景自适应算法的基础上通过背景差值法实现的[2]。目标定位算法实现主要有如下3个步骤：

步骤1：提取前景

背景自适应算法得到视频实时背景bg(x,y)，视频当前帧frame(x,y)同视频背景bg(x,y)差值运算提取前景目标diff(x,y)，有公式(1)：

步骤2：目标二值化

选定合适阈值threshold对前景目标diff(x,y)进行二值化处理消除部分噪声干扰，得到二值化图像binary(x,y)，有公式(2)：

步骤3：目标定位

目标定位使用了多目标定位算法[3]。通过遍历二值化前景图像binary(x,y)，得到图形最小外接矩[x1 y1 x2 y2]实现目标定位。其中，外接矩水平边界定位首先计算每一行元素和，有公式(3):

外接矩垂直边界的点位方法同水平边界定位。目标定位算法效果如图2。

图2 目标定位效果图（a.视频截图b.自适应背景c.目标定位）

1.2 骨架提取算法

骨架提取算法主要可以分为两类：一类习惯被称做“燃烧法”，该类算法的实现就像在图像的边沿点火似得，“火焰”向内燃烧，最终让图像只剩下骨架；另一类算法被称为“最大圆盘法”，该类算法通过在图像中寻找图像的最大内切圆，并将所有内切圆的圆心作为一个集合，该圆心集合即可刻画图像的中心骨架。

“燃烧法”实现骨架提取算法中最为经典的要属Zhang等人在1984年发表文章中提到的Zhang-Suen骨架细化算法[4]。该算法是一个迭代的过程，通过多次迭代实现图像的层层细化，最终提取出图像骨架。而每一次迭代可分为右下边界删除和左上边界删除。算法中对边界点的判定是基于该点八领域各点状态进项判定的。如果设某点为p1点，其八领域各点设为p2-p9，p1-p9的位置关系如图3。

图3 像素点八领域关系图

通过判定点p1与其八领域各点的状态关系，确定p1是否应该删除。算法步骤如下：

步骤1：右下边界点删除

循环遍历图像中的各个像素点，当某点的八领域关系满足公式(5)时，即删除该点。

其中s(p1)表示在p1的八领域p2-p9组合(p 2 p 3,p 3 p 4,…p 9 p 2)中，出现“0 1”组合的次数。

步骤2：左上边界点删除

左上边界点删除类似右下边界点的删除条件，满足公式(6)的约束。

公式(6)同公式(5)的区别主要体现在后两个方程式。

通过多次迭代如上两个步骤，一层层删除掉图像外边界，最终将得到图像的细化骨架。对图2c中的目标通过该算法进行骨架化操作后，效果如图4b所示。

图4 目标骨架效果图(a.目标b.Zhang骨架算法效果c.中轴骨架算法效果d.Matlab自带骨架算法效果)

分别运用中轴骨架提取算法和Matlab自带骨架提取算法提取目标图像4a骨架，效果如图4c、图4d所示。通过对比3种骨架提取算法提取效果发现：中轴骨架提取算法提取骨架具有良好的中轴性，但是提取的骨架存在不连通的问题；Matlab自带骨架提取算法提取骨架具有良好的连通性，但是却存在较多的无用骨架分支；Zhang的骨架提取算法提取的骨架不仅能够实现骨架的连通，而且骨架的中轴性也能体现。故在人体动态特征提取算法中选用Zhang的骨架提取算法提取视频中的目标骨架。

1.3 端点查找算法

在骨架提取算法提取到具有中轴性且连通的骨架后，通过遍历骨架上的各个像素点，当某点p1的八领域（如图3）满足公式(7)时，p1即为查找的端点。

图5是最终通过端点查找算法提取到的人体特征点。

图5 视频中人体目标特征点

图 6 获取实验视频

2 实验演示

通过将背景自适应算法、目标定位算法、图像骨架提取算法及端点查找算法相结合，实现了一种基于骨架提取算法的人体动态特征曲线提取算法。将一段时长为18s拍摄角度为90°的实验视频用该算法提取人体动态特征曲线，能够实时的生成人体动态特征曲线。可通过扫描图6中的二维码观看实验效果。

3 总结

本文通过对视频中运动目标骨架提取算法在骨架提取效果上的对比探究，提出一种基于骨架提取算法的人体动态特征曲线提取算法。经实验该算法能够实时提取出视频中人体动态特征曲线。人体动态特征曲线能一定程度的反应出个体的行走特征，在视频侦查及犯罪嫌疑人同一认定上具有一定的应用价值。

[1]兰玉文,李跃威,喻松春,等.基于监控视频的人体动态特征应用识别技术研究[J].警察技术,2013(6):11-16.

[2]杨洪臣,刘松,魏东,等.视频侦查中背景重构方法研究[J].中国刑警学院学报,2016(4):16-19.

[3]张洋,张三同.基于自适应差分的多目标检测和跟踪[J].现代电子技术,2011(16):149-151.

[4] Zhang T Y,Suen C Y.A fas t parallel algorithm for thinning digital patterns[J]. ACM,1984(3):236-239.