相關研究之探討

近年來，步態分析一直是視覺監控的熱門研究領域，步態分析後的資訊可以用來 偵測很多事件，例如跌倒偵測、行動不便人士偵測、行為怪異人士偵測、性別辨識和 身份鑑別等等。由此可知，基於步態分析的結果可以應用在很多人和很多地方上。

在姿態分析應用在性別鑑別上，文獻[2]提出主成分步態影像法(Gait Principal Component Image, GPCI)，主要就是先算出影像的共變異矩陣，再藉由特徵值、特徵 向量與參數的轉換，最後可得 GPCI，即為特徵，如圖 1.1 所示。

(a)

(b)

圖 1.1 文獻[2]性別辨識相關影像。(a)序列側影影像；(b)主成份步態影像(GPCI)。

文獻[2]主要就是使用圖 1.1 (b)中 GPCI 影像的二維矩陣做為分類與身份鑑別的 特徵，最後使用近鄰法(k-nearest neighbor, KNN)來進行分類。

文獻[3]和[4]則是先把一周期內的影像全部疊加並取得步態能量影像後，再將人 體全部分為七個部分，頭、臂、身體、大腿、前後腿和腳，如圖 1.2 所示：

(a) (b) 圖 1.2 文獻[4]性別辨識相關影像。(a) 人體步態能量影像；(b)將人體姿態分成 7 區

域之示意圖。

文獻[4]主要是針對圖 1.2(a)中每一個區塊的影像進行支持向量基(support vector machine, SVM)分類，最後統計結果以鑑別身份。

在性別識別上，大多數都是採取將一序列影像全部混和、疊加或取平均等等後，

再進行特徵抽取。這些特徵在分析性別上確有顯著的效果，但是不同於性別辨識只分 為兩大類，身份鑑別要區分的類別更多，所以不僅需要這些靜態特徵，也需要再加入 更多動態的、有效的以及具有鑑別力的特徵。

在姿態分析應用在身份鑑別上，早期文獻[5]先找出人體質心位置，再找出整張 影像中的主方向和第二大方向，以質心為圓心畫橢圓，質心座標、長短軸長度大小和 橢圓角度為特徵來進行身份鑑別。文獻[6]則是文獻[5]的進化版，將人體姿態分為七 個橢圓來表示，如圖 1.3 所示：

(a) (b) 圖 1.3 文獻[6]身份鑑別相關影像。(a)將人體姿態影像分為七部分之示意圖；(b)利用

橢圓去表示此七區域之示意圖。

文獻[6] 主要就是針對圖 1.3 (b)中的每個橢圓都使用同樣的特徵抽取法則，即每 個橢圓的質心座標、長短軸長度大小和橢圓的偏移角度。對一周期中所有影像皆進行 特徵抽取，最後再將這 7 個橢圓的序列特徵利用 SVM 來進行分類與身份鑑別。

文獻[7]和文獻[8]則是利用形態學的方式不斷侵蝕(Erosion)與斷開(Opening)來找 出每一張步態影像的骨架圖，再將骨架圖分成六個區域，頭、軀幹、前後腿和前後腳，

分別找出各區域的彎曲角度即為特徵，如圖 1.4 所示：

(a) (b) 圖 1.4 文獻[8]身份鑑別相關影像。(a)人體六區域示意圖；(b)人體骨架示意圖。

在文獻[8]的方法中，主要就是透過計算圖 1.4(b)中人體姿態骨架圖上每一個關節 點的角度，將這些角度當作特徵，最後使用模糊近鄰法(fuzzy k-nearest neighbor)將這 些特徵進行分類與身份鑑別。

根據文獻[5]到文獻[8]的方法，都是將人體姿態分為幾個區域來抽取主方向、角 度等特徵，但這些特徵都很容易受到變因的影響，例如:穿長裙或外套等等。一旦產 生變因之後，人體姿態的部分影像區塊範圍改變，就例如穿長裙子，此時根據文獻[5]

到文獻[8]的方法，必須分出下半身的兩隻腳，但此時從人眼只能看到一大片裙子，

無法正確得知雙腳的位置，因此下半身腳部區域特徵的準確性就很容易受到影響，而 辨識率也必然無法達到預期的成效。

文獻[9]是動態記錄每一張側影影像方框的長度、寬度、面積和方框對角角度來 做為特徵，如圖 1.5 所示：

(a) (b) (c) (d) 圖 1.5 文獻[9]身份鑑別相關影像。(a)長度特徵；(b)寬度特徵；(c)面積特徵；(d)對角

角度特徵。

圖 1.5 為文獻[9]演算法中，抽取特徵的示意圖。這些特徵主要都是依靠在一周 期中每一張側影姿態的方框大小，雖然相對其他方法來說，抽取這些特徵的複雜度是 較低的，但方框取的好壞便決定了特徵的準確性，而在擷取方框得過程中又很容易受 到影像中雜訊的影響，因此就辨識效能來說穩定性還不夠。

文獻[10]先將一周期序列中的輪廓影像相加，得到動態輪廓影像(motion contour

image, MCI)後，如圖 1.6 所示：

(a)

(b)

圖 1.6 文獻[10]身份鑑別相關影像。(a)人體步態輪廓示意圖；(b)動態輪廓影像(motion contour image, MCI)。

經由事先的訓練算出動態輪廓影像的投影矩陣，進入測試階段後，只要將輸入的 動態輪廓影像乘上投影矩陣即為特徵。其中投影矩陣的主要目的在於使影像特徵降 維，儘管如此，此特徵的維度依然很大，就此文獻的紀錄，其特徵維度大小為 17*40。