基于 CNN的安防监控步态特征提取研究

基于 CNN的安防监控步态特征提取研究

阿斯木 ·阿不力孜

中通服公众信息产业股份有限公司新疆维吾尔自治区乌鲁木齐市 830000

摘要：人体步态特征是反映人体个体特征的重要生物特征。对人体的步态动作图像进行视觉跟踪识别，运用红外和激光成像技术进行人体步态特征图像采集，对采集的图像采用视觉特征提取和跟踪识别，实现智能安防监控，研究基于步态特征识别的安防监控系统在实现安防系统的智能化设计方面具有重要意义。

关键词：步态；特征提取；安防监控；图像；识别；

一、人体步态特征成像采集

为了实现人体行走步态特征的智能识别，图像采集是第一步。采用融合图像跟踪的红外扫描方法进行安防监控的人体步态图像采集，对采集的人体步态图像进行三维轮廓特征提取和几何形状分析判断。在人体步态红外成像的特征子空间中，Θ={w1，w2，…，wn}为三维图像扫描点云数据的初始信息参量，用v(t)表示安防监控人体步态采用节点的时间戳和空间位置信息，计算安防监控人体步态图像采集输出的相似度μ∈(－∞，+∞)，σ≥0，使用主成分分析方法分析安防监控中人体步态图像三维边缘轮廓分布区域满足 ，在无限维特征空间中步态特征扫描点为i∈［1，k］，对任一图像像素采样序列j∈［1，k］，i≠j，有Ci∩Cj=Φ。通过对安防监控人体步态外形特征的三维重建，将图像划分为互不重叠的块，进行人体步态的外形三维轮廓检测，得到安防监控人体步态图像采集的状态特征方程为:

在三维网格顶点y，y∈Ci，安防监控系统中人体行走的初始速度为v(0)，在均匀像素采样下，安防监控人体步态的边缘轮廓重构的像素偏移值为:

其中，a(x)为每个局部区域的初始像素采样信息。记安防监控人体步态边缘分布的像素值空间为gi=(gix，giy，giz)(i=0，1，…，Ng－1)，定义安防监控人体步态图像像素的占空比Ｒ_area=Ｒ_A/Ｒ_B，长宽比Ｒ_HW=Ｒ_H/Ｒ_W，Ｒ_H、Ｒ_W分别是安防监控人体步态边缘轮廓外接矩形的长和宽。根据上述对安防监控人体步态的图像采集结果进行人体行走步态特征识别。

二、融合检测与匹配的目标跟踪

为了提高安防监控人体步态图像的信息特征表达能力，需要对采集的安防监控人体步态图像进行边缘轮廓检测和信息增强处理。基于模型动态切换的运动目标跟踪方法进行图像跟踪识别，假设人体行进方向在水平方向上近似平行，在步态监控区域中，根据采样点云图G中的第i个顶点的位置，得到安防监控人体步态特征提取的模板匹配状态方程为:

其中，η表示背景区域对应的光流场;φ表示安防监控人体步态的特征方位角;Ｒ表示梯度方向直方图特征;D表示相邻步态特征检测的时间间隔。为了增强图像中运动区域的明暗对比度，利用灰度直方图对噪声不敏感性和对灰度旋转的不变性，在每一个连通区域内进行步态融合检测，融合检测系统函数为:

其中，cj，k是先验像素点分布的模板匹配值;hn是图像纹理特征。对安防监控人体步态区域的边缘子块P(i，j)进行特征匹配处理，运用二值模式分割得到安防监控人体步态区域的中心线Z(i，Zi)，记Li为分割曲线的列坐标，Ｒi为安防监控人体步态区子块分布的列坐标，由此得到步态特征提取的高斯核函数和线性核函数的融合关系为:

对提取的信息熵进行二值泛函，得到安防监控人体步态图像增强后在像素边缘子块Z(i，Zi)左右两侧所占比例，进而得到在动态视频监控下安防监控人体步态左子块和右子块的信息熵分别为:

其中，Ci表示第i行列像素强度;Li表示第i行像素分布强度;Ｒi表示第i行的像素特征最大偏移量。以此判断安防监控人体步态的外观特征，则安防监控人体步态在光滑区域的灰度直方图信息满足H_ij=1，

否则H_ij=0。通过上述方法，对采集的安防监控人体步态图像进行边缘轮廓检测和信息增强处理，结合融合监测和匹配目标跟踪方法进行步态特征提取，突出安防监控人体步态的类别属性特征点，为进行人体行走步态特征识别提供输入特征参量。

三、安防监控步态特征提取

1.人体行走轨迹直方图均衡化处理。在人体步态图像采集和图像融合跟踪检测的基础上，进行安防监控系统中的步态特征提取算法优化设计，实现安防监控人体步态的个性化特征点提取。采用相关滤波跟踪算法进行步态红外图像的形状特征和信息增强处理，得到图像信息的分布误差函数为:

其中，X(k)为安防监控人体步态三维轮廓特征分布的像素点序列;exp(j2πkn/N)为最小滤波模板尺度系数。当行人在同质区域内移动时，步态的分布特征集为:

对人体行走轨迹进行直方图均衡化处理，结合统计直方图均衡方法，对差异性大的步态特征采用多模态融合方法进行信息融合，沿安防监控系统检测到的人体步态行进方向进行视觉目标跟踪，得到人体行走步态特征点识别的角点匹配结果为:

计算人体步态三维像素特征点in+1的灰度和旋转不变矩，在卷积神经网络训练下，得到特征维度较高的二阶矩表达式为:

在步态监控区域中对步态特征提取结果进行聚类处理，将原步态特征映射到无限维特征空间，其中，r1为核函数假设下的滤波器模板;r2为先验点簇;σ1为边缘像素值;N1为二阶灰度不变矩。采用相关滤波跟踪算法进行步态红外图像的形状特征分离，由此得到在安防监控下人体步态识别，

2．步态特征提取的卷积神经网络训练。对提取的个性化特征点采用卷积神经网络进行分类训练。卷积神经网络结构模型建立在BP神经网络模型的基础上，采用三层结构体系进行安防监控中的步态特征分类融合识别，在输入层输入提取的步态特征信息，采用权向量进行步态属性分类，在输出层输出识别结果。对提取的个性化特征点采用卷积神经网络进行分类训练，实现步骤为:(1)初始化卷积神经网络输入层的超参数和静态向量，给定输入节点的时域抽取间隔T和节点个数k，设定卷积核的初始值，令安防监控人体步态图像的像素值为x(t)，t=0，1，…，n－1，给定全局参数，置时间计数t=0。(2)输入图像经过卷积核进行卷积处理，设定指数函数α(cj*)=A3e－c j*/T3进行人体行走步态特征训练，在神经网络中输入新的训练向量模式x(t)=

(x0(t)，x1(t)，…，xk－1(t))T，使用卷积核对输入矩阵进行自适应学习，以此作为卷积神经网络输入训练矢量集。(3)局部调节卷积神经网络的参数，在隐含层进行自适应加权学习，得到安防监控人体步态像素特征点向量x(t)与隐含层的权向量ωj的距离:(4)根据输出特征图的大小求出安防监控人体步态的像素级差异性 。(5)根据安防监控人体步态的特征差异性进行信息分类。在神经网络分类器中，调整与输出节点Nj*所连接的权值，根据安防监控人体步态的边缘轮廓线Nj*及几何邻域NEj*(t)判断样本图像的特征归属，(6)如满足终止条件，结束算法，否则继续输入安防监控的人体步态的像素特征样本数据，综上分析，实际输出与期望输出差异越大，对步态信息的分辨力越高。综上分析，实现了对人体行走步态特征智能识别。

总之，沿安防监控系统检测到的人体步态行进方向进行视觉目标跟踪，通过局部调节卷积神经网络的参数，在CNN的隐含层进行自适应加权学习，实现人体行走步态识别和监控。

参考文献：

［1］张鑫．浅谈基于CNN的安防监控步态特征提取研究．2018.

［2］何昌林，探讨基于CNN的安防监控步态特征提取分析.2019.