早期的医学研究指出：人的步态中有24种不同的成分，如果把这24种成分都考虑到，则步态是为个体所特有的。有关研究人员近些年来通过对人的步态分析，已经得出了在步态视频序列中含有人的身份信息，因此进行步态识别也是一种非常重要的生物识别技术。步态识别是近年来越来越多的研究者所关注的一种较新的生物认证技术，它是通过人的走路方式来识别人的身份。基于步态的身份认证识别技术相对于其它生物识别技术有如下优点：远距离识别、识别对象的被动性、不易被隐藏、不易被察觉、应用领域广阔等，步态识别技术最近已经备受关注，并且已经取得了一些初步成果。如美国国防部研究项目署(DARPA)2000年的重大项目一HID(human identification at adistance)计划，其目的就是开发多模态视觉监控技术以实现远距离情况下人物的检测、分类和识别。中科院自动化研究所模式识别国家重点实验室近年也开始了对步态识别的研究，而且创建了NLPR步态数据库。

    虽然步态识别是一个新兴的研究领域，但是近年来已经涌现出了一些尝试性的工作。最早提出步态识别算法的是Niyogi与Adelson等人。Cunado和Nixon等人提出了一种基于模型的特征提取分析方法，VHT(velocity hough transform)。Kale等人将行人的外轮廓宽度作为图像特征，提出了一种依赖于角度的识别方法。而Johnson和Bobick提出了一种不依赖于角度的步态识别算法。Sarkar等人提出了步态识别的基线算法。Lee等人提出了一种基于步态外形的表达方法，其具体做法是先将人体的各个部分映射到几个椭圆组成的模型上，然后用其质心位置和离心率作为步态特征来进行步态识别。Wang等人提出了一种简单有效的、基于人体运动轮廓的识别算法。值得注意的是，步态识别的研究尚处于初级阶段，表现在：a．实验都是在特定的环境下进行的，比如相对简单固定的背景，人相对于摄像机侧面行走，摄像机固定不动等；b．算法的评估都是在小样本数据库上进行的，而且数据库也不规范。

    迄今为止，针对步态识别所进行的研究几乎全部是基于PC机的，而在许多情况下，却需要非PC机环境，所以研究基于嵌入式平台的步态识别系统，具有一定的工程意义。本系统的功能是对采集到的步态视频序列进行图像处理，得到视频序列中的人体步态信息，再由步态算法根据所得到的步态信息进行步态识别。

1 系统结构

    本嵌入式自动步态识别系统主要包括CCD摄像机、图像采集卡、嵌入式系统、显示屏等。其中最为核心的是嵌入式系统部分，它包括Renesas 32位嵌入式芯片SH7709S、存储器、外围电路、键盘、鼠标等。主要完成视频序列信号的预处理、处理、步态识别、显示输出等功能。该系统的结构示意图如图1所示。

2 步态识别的基本原理

2．1 双目立体视觉

    双目立体视觉是今年来在图像测量领域发展起来的一种新技术，与单目视觉相比，双目视觉有以下优点：可以获得单目视觉中所没有的视差或者深度信息；当场景中有遮挡发生时，双目立体视觉可以很好地处理遮挡。因为步态识别的场景难免存在遮挡，为了更好地从各个方向获得步态视频序列，从而能够为进行正确的步态识别作出铺垫，所以采用双目立体视觉来获取人体步态视频序列。

    在本实验中，两个CCD摄像机分别固定在一个三角架的两边，组成双目立体视觉。

2．2 步态图像序列中的光流场

    光流是指图像中模式运动的速度。光流场是一种二维(2D)瞬时速度场，其中的2D速度矢量是景物中可见点的三维(3D)速度矢量在成像表面的投影。光流不仅包含了被观察物体的运动信息，而且携带着有关景物3D结构的丰富信息。光流法假定相邻时刻之间的间隔很小(一般为几十ms)，从而相邻时刻的图像差异也比较小。

2．2．1 光流的基本等式
    光流亮度不变性描述的是图像上某个象素点的灰度值随时间的变化率为零，即,展开为
   

    若记其中u和v是该点的光流的x分量和y分量，则式(1)为
    
    式(2)就为光流计算的基本等式。

2．2．2 光流有关的计算

    对于图像上的每一点(xi,yi)，求解光流场方程(2)，得到由迭代形式表示的解为：
   

2．3 光流场中运动特征的提取

    从光流中提取的特征包括运动点T，加权的运动点|(u,v)|，|u|，|v|，以及光流分布的质心特征等。通过光流场，利用T(u，v)将运动点(白色)和非运动点(黑色)区分开来，由下式表示：
   
    在本实验中，选取|(u，v)|加权横坐标作

为从光流场中提取的步态特征。

2．4 步态特征的数据融合

    对于所提取的步态特征xuc和yuc，由数据融合算法D-S合成公式：

    其中m1和m2是特征空间上的两个mass函数，N为矛盾引子，

2．5 识别

    将由数据融合得出的特征进行基于PCA的特征空问变换。假设初始的训练样本集为T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i个人第j个步态样本向量为Xij，而样本总数为NT=N1+N2+…+Nc。

    求样本集的总体均值向量μ和协方差矩阵∑，

    如果协方差矩阵∑的秩为N，由det|λI-∑|=0求得矩阵∑的N个特征值λ1，λ2，λ3，…，λN，并由矩阵方程λiI-∑=0，i=0,1,2，…，N;求得对应于N个特征值λ1，λ2，λ3，…，λN的N个特征向量e1，e2，e3，…，eN。选取与前K个最大特征值对应的前K个特征向量，并使

其中α表示样本集在前K个轴上的能量占整个能量的百分比。通常取α值接近于1，以使得样本集在前K个轴上的能量几乎接近于整个能量。

    用式(2)中所求得K个特征向量重建初始样本集中的每个样本。算法如下：

这样就得到一个K维的权向量Ωi，j用于进行识别。

    选取最近邻分类法进行步态模式分类。设经过特征提取并向特征空间投影，所得到的特征向量为Ω，求得Ω与每个每个模式类的平均向量Ω i，j之间的欧几立德距离。

    其中

    由最近邻分类法的判决准则可知，当εi(x)的值最小时，则x∈εi；否则x∈εi。

2．6 识别的有效性与错误率

    根据模式识别的原理，当有两类步态时，步态识别的错误率由下式给出：

    其中积分区间R1为当w2误判为w1时的误判区间，而积分区间R2为当w1误判为w2时的误判区间。当p(e)最小时，识别越有效，而当p(e)越大时，识别性能越差。当有多类步态时，依次类推。

3 系统实现

3．1 硬件实现

    系统硬件连接框图如图2所示。

3．2 软件实现

    系统软件流程图如图3所示。

4 结论

    步态识别已成为近些年来计算机视觉领域新的研究方向。本文提出了一种简单的自动步态识别方法，并给出了基于Renesas嵌入式芯片的自动步态识别系统，从长远来看，该系统的应用很广泛。