基于機器學習算法的人體步態異常狀態檢測與識別方法

郭 惠， 耿寶光

（1 山西旅游職業學院， 太原 030031； 2 山西工程職業學院， 太原 030031）

0 引 言

隨著社會的快速發展和科技的不斷進步，人體步態智能檢測與識別逐漸成為研究的熱點。 人體步態在犯罪偵查、生物識別以及健康監督等眾多領域中具有廣泛的應用價值。 因此，準確、高效的人體步態智能檢測與識別方法的設計與研究成為迫切需求。 步態異?？赡軙е略S多問題，如在工業生產中，員工的步態異?？赡軙绊懝ぷ餍屎凸ぷ靼踩?，而在體育運動中，運動員的步態異?？赡軙绊懹柧氋|量和運動表現［1］。 這種異常狀態可能是由身體疾病、運動損傷等原因導致的，如果步態異常未及時發現和處理，還可能導致進一步的身體損傷或惡化現有的健康問題，故確立一種能夠快速、精準地檢測人體步態異常狀態的方法對個體生活質量和身體健康的保障顯得尤為必要［2］。 傳統的人體步態檢測與識別方法受限于技術和算法的局限性，主要依賴于醫師或專業機構的手動檢測和評估，存在著測量不準、主觀偏差強等問題［3］。 近年來，隨著機器學習算法的崛起，特別是深度學習網絡的成功應用，使更加有效地探索和發掘人體步態智能檢測與識別變為可能［4］。 故本文引入機器學習算法，研究人體步態異常狀態檢測方法。 通過構建人體步態模型、進行步態檢測和二值化后處理、提取步態運動特征以及識別異常狀態等環節，提出一種人體步態智能檢測與識別方法。 同時，通過對比實驗，選擇適當的實驗指標，并進行實驗結果和分析，以驗證所提方法在準確性和實時性方面的優勢。

1 人體步態異常狀態檢測與識別方法研究

1.1 人體步態模型構建

本文以國家語言資源監測與研究中心（National Language Resources Monitoring and Research Center，NLPR）創建和管理的視頻數據庫為數據來源，其中包含了人體步態視頻數據，可用于對人體步態模型的構建。 為了對人體步態進行檢測，從中提取部分人體步態視頻數據，針對每一個視頻數據，存儲每一幀作為獨立的圖像，并按照時間順序進行排序，形成一個圖像序列。 針對獲取到的人體步態圖像序列，構建人體步態模型。 通過運動檢測，結合人體輪廓特征結合的方式尋找質心，并按照人體四肢與身高的比例，將其合理劃分為7 個不同區域。 如圖1 所示，按照比例大小以及從上到下的順序，將人體分為4 個部分，分別為頭部（A）、軀干（B、C）、大腿（D、E）和小腿（F、G）；再沿著人體的重心，對人體從側影劃分為前、后兩部分（頭部除外）。

圖1 人體步態結構劃分示意圖Fig.1 Schematic diagram of human gait structure division

利用矩形i的參數矢量進行描述：

式中：fi表示矩形i的參數矢量，（xi，yi） 表示矩形i的中心位置，ki表示矩形i長和寬的比值，αi表示矩形i長軸的方向矢量，ji表示矩形i長軸的長度。 其中，i的取值為大于或等于1，且小于或等于7 的整數。

將上述公式作為人體步態模型，其結構簡單易于實現，且具有較強的抗噪聲能力。 通過本節的步驟，可以構建出一個有效的人體步態模型，為后續的人體步態異常狀態檢測與識別方法提供基礎。 相比于僅從整個身體出發的步態描述，該模型更加細致、恰當地劃分了身體的區域，能夠更加精確地刻畫出身體的姿態，實現身體姿態的重建。 新穎的模型可以提升對步態異常的敏感性和準確性，從而實現更精確、可靠的步態異常識別。

1.2 人體步態檢測與二值化處理

在人體步態異常狀態檢測和識別方法中，人體步態檢測是一個關鍵步驟。 為了使構建的模型更加精準地分析和處理人體步態數據，首先檢測出人體在視頻圖像序列中存在位置。 在上文構建人體步態模型時，已將人體步態從視頻圖像序列中提取出來，則需要從視頻圖像序列中，恢復人體步態圖像中的背景圖像，使人體步態及其背景圖像構成一個整體，進而以整體為單位開展進一步的步態檢測及二值化處理。 假設l表示一個包含了N幀的圖像序列，則其背景圖像可以用下述公式進行描述：

式中：Bxy表示視頻圖像序列中的背景圖像，qxy表示某一像素點（x，y） 位置上的灰度計算結果。 移動像素是由背景圖像和當前圖像的差異得到的［5］。 由于移動的像素點可能屬于背景圖像區域，也可能屬于前景目標區域，故提出一種基于人類行走軌跡的像素識別算法。 引入貝葉斯規則進行分類，其表達式為

式中：s表示像素點，vt表示在某一時刻t時像素點的顏色值，f表示貝葉斯函數，b表示像素點集合。

在上述條件基礎上，針對某一像素點在某一時刻顏色為vt時屬于前景或背景的概率進行計算。 對統計結果進行二值化處理，將步態圖像轉換為二值圖像，結果如圖2 所示。

圖2 二值化處理后人體步態圖像前后對比示意圖Fig.2 Comparison of human gait images before and after binarization

二值化是一個重要的數據預處理步驟，可以強調步態圖像中的形態特征，并抑制不相關的圖像信息。 從圖2 中可以看出，經過二值化處理的人體步態圖像在一定程度上去除了與檢測目標無關的冗余部分。 由于目前還沒有一種完全理想的檢測算法，因此二進制探測結果中仍有少量的孔隙或小塊。 在上述過程中，逐步實現了人體步態模型的進一步完善與優化，對于后續的人體步態運動特征提取過程來說，此步驟能夠有效降低冗余數據帶來的干擾，使特征提取和人體步態異常狀態檢測結果更加精準。

1.3 人體步態運動特征提取

以上述構建的人體步態模型作為基礎，便可以通過模型來重構人體姿勢。 但考慮到人體步態本身具有一定的時空運動特性，因此需要提取步態變化信息。 通過提取與人體步態相關的特征，可以將復雜的運動模式轉化為一組更具表征性和易于處理的姿態變化序列。 在提取步態變化信息前首先應當明確的是，雖然兩個長相相似的人也可能會有幾個完全一樣的姿態，但由于人體步伐中包含了個人的信息，因此姿態間的連續變化曲線也會有所不同。 隨著人體的運動過程對人體運動軌跡進行分析時可以發現，每幀間的變化信息與直接通過每幀信息提取進行識別相比具有更高的可靠性和說服力。 因此，針對上述人體形態模型，只考慮其矩形模型的前3個作為參數，由此實現對人體步態運動特征的提取。

取一個周期內的步態序列，假設其長度為L。從該序列當中得到各個幀的人體態勢表達為Ft，構成一個28×L的矩陣F。 通過計算，得到在某一時刻t時的人體姿態變化矢量。 由于人行走時會受到多種因素的影響，因此步速通常是不一致的，所以L的取值也不同。 針對這一特點，對步態序列在時間域上進行歸一化處理。 結合動態時間規整的方式，將一系列不同長度的步伐調整到長度均為N的序列。 根據上述設定，得到變化序列為

式中：Dl表示序列l的姿態變化序列。 由于在人體步態序列中，人體距離攝像機的距離是可以隨意改變的，因此還需要結合上述邏輯，對視頻序列進行幅度上的歸一化處理。 處理后將所有序列匯總，并構成人體步態特征矩陣。 在得到歸一化處理后的步態特征矩陣后，利用矩陣中的特征表現人體步態運動本質，并用于后續的異常狀態識別。

本節根據實際需求，選擇了適宜的特征提取方法，以提高系統的性能并提供更有效的異常狀態識別結果。 通過對人體步態運動特征的提取，可以將復雜的步態信息轉化為簡化且有代表性的姿態變化序列，進一步用于后續的人體步態異常狀態識別。

1.4 人體步態異常狀態識別

為實現對人體步態異常狀態的識別，引入機器學習算法，運用其中的決策樹，實現對象屬性與對象值之間的映射，使得人體步態的狀態更易于理解和實現，并在較短的時間內實現對海量數據源的處理與分析。 該方法把相同人體的多個步態作為一組，利用馬氏距離來衡量人體多個步態的相似性。 相似度的測定過程可用下述公式形式表示為

式中：M（l，Gi） 表示序列與步態數據庫中序列之間的相似度測定結果，Gi表示數據庫當中某一類步態序列，μi表示Gi的均值，∑i表示Gi的方差。

將上述測定操作導入機器學習算法的決策樹當中，根據相似度測定結果對人體步態進行決策。 決策依據為：M（l，Gi） 測定結果的數值越小，距離度量越小，相似性越高；反之，M（l，Gi） 測定結果的數值越大，距離度量越大，相似性越低，則判定人體步態處于異常狀態。 為進一步體現人體步態異常狀態識別能力，引入機器學習算法中的NN 分類器（最近鄰分類器）和KNN 分類器（K-近鄰分類器）。 NN分類器就是將一個被試序列劃分為最接近其的一個步態；KNN 分類器是指在距離測試序列最近的K個序列中，選擇同一類型中所占比重最大的一個，將其作為測序序列的歸屬類別，則不屬于歸屬類別的序列可被判定為人體步態的異常狀態。 根據馬氏距離，將被測量的數據分成最短的兩個類別。

2 對比實驗

為實現對上述基于機器學習算法的識別方法應用優勢的檢驗，選擇將NLPR 數據庫作為此次實驗的數據集，將基于Hopf 振蕩器的識別方法和基于步態觸覺信息的識別方法分別作為對照A 組和對照B組，將本文設計的識別方法作為實驗組，開展對比實驗研究。

2.1 實驗指標選擇

在上述選擇的數據集當中包含了10 個人的步態序列，針對每個人的步態序列都包含了3 種不同角度，分別為0°、45°和90°；每個人對應的每個角度都包含5 個序列，共計150 個序列。 首先，實驗過程中采用計算機仿真的形式，對3 種方法的識別率進行對比。 識別率CRR的計算公式為

式中：T表示正確識別的個數，W表示待識別樣本總數。

2.2 實驗結果及分析

根據上述公式，計算得出3 種方法在不同角度條件下針對每組步態序列識別后得到的正確識別率，并選取最好正確識別率（CRR值最高）的結果。結果記錄見表1。

表1 3 種識別方法最好識別率對比表Tab.1 Comparison of the three recognition methods

從表1 結果可以看出，在多種不同條件下，實驗組方法的最好識別率均高于對照A 組和對照B 組。進一步分析得出，盡管3 種方法在識別時其性能會受到角度條件的影響，但實驗組方法最好，識別率始終高于90%，而對照A 組方法和對照B 組方法的最好識別率明顯降低，識別結果嚴重不符合人體步態識別的高準確性需要。 由此證明，本文所提方法可以實現對人體步態異常狀態的高準確率識別，且受到人體步態觀測角度的影響較小，具備較高的應用價值。

在此基礎上，針對3 種識別方法的識別精度進行對比，選擇將識別到的人體步態步長作為識別對象。 實驗前，明確每個人體步態序列中每步的步長，對比實際步長與通過3 種識別方法得到的結果，若誤差小，則說明識別精度高。 實驗結果見表2。

表2 3 種方法識別精度對比表Tab.2 Comparison of recognition accuracy of three methods

從表2 中數據可見，實驗組方法識別結果與實際步長之間誤差不超過0.05 cm，而對照A 組和對照B 組方法的誤差均超過這一范圍。 說明本文設計的識別方法不僅具備更高的正確識別率，同時能夠實現對人體步態的高精度識別。

3 結束語

本文研究了機器學習算法在人體步態異常狀態檢測與識別中的具體應用，并提出了一種全新的檢測與識別方法。 將該方法應用于實際可以實現對人體步態異常狀態的準確識別，為人體目標狀態的跟蹤提供便利條件。 在后續的研究中，將研究重點集中在更好地實現人體步態異常檢測，克服視角變化的依賴性等方面，從而促進該方法的應用性能得到進一步提升。