貼片式中心對稱區域三元圖樣之步態辨識系統

在本論文中，我們將步態辨識系統分為三個階段，第一個階段為影像前處理 階段，第二個階段為步態特徵擷取階段，第三個階段為分類辨識階段，圖 3.1 為 步態辨識系統流程圖。

影像前處理階段：

在本論文所提到的方法中，影像前處理階段的流程包含三個步驟：影像前景 偵測、影像二值化與正規化與週期性偵測。其中影像前景偵測為該階段重要的環 節。在步態辨識研究中，影像前景偵測的方法分為三大類：時間差異法(temporal

differencing)、光流法(optical flow)與背景相減法(background subtraction)。Lipton 等人[33]使用時間差異法，將當下時刻影像與前一時刻影像差異的部份視為可能 移動的物件，再以最大相似法則分析(Maximum Likelihood Principle)，得到移動 物件的動態區塊，以偵測即時影像中移動的物件。Horn 和 Schunk[34]提出光流 法藉由亮度變化，進行光流向量的計算，再利用光流向量與移動估計(motion

8

9

在背景相減法中分為背景訓練與背景相減兩個程序。在本論文中我們使用 Bilmes[35]所提出的背景訓練方法，該法使用高斯混合模型(Gaussian Mixture Model, GMM)建立自適應高斯背景模型。背景模型採用高斯分布的原因是訓練背 景影像時，可能有影響背景模型建立的變因，例如：樹枝的擺動、風吹動樹葉、

或太陽照射位置的改變與陰影遮蔽等，這些像素位置附近可能無法使用單一高斯 模型(Single Gaussian Model, SGM)來完整描述。而高斯混合模型能夠為不同環境 建立不同的高斯模型；因此，使用高斯混合模型可以較完整的描述，這些受到外 在因素改變而有小幅變化的背景。在進行背景訓練過後，我們將原始灰階影像與 經過背景訓練後的背景模型互相比較後，即可得到影像經過背景相減法後的結果。

使用高斯混合模型作為背景相減法後，所產生的範例圖，如圖 3.2 所示。

(a)原始影像 (b)背景相減法後的影像 圖 3.2：前景偵測使用背景相減法的範例

在影像前處理的第二步驟中，我們需要將影像進行二值化與正規化，以利於 後續的計算。影像的二值化是藉由設定門檻值，使影像所有像素灰階值改為 0 或 1 的布林值(Boolean value)，也就是黑與白兩種顏色，如圖 3.3 所示。影像的 二值化能夠將影像的雜訊以及不必要的背景資訊去除，這能夠使我們在後續的實 驗中，減少因為背景或雜訊所產生的影響。

10

(a)前景偵測使用 GMM (b)二值化後的影像 圖 3.3：二值化影像

接著，我們將影像正規化為長寬皆為 240 像素大小的影像，如圖 3.4 所示。

在影像前處理的第三步驟中，為了降低整體資料量與提升程式執行效率，我們將 正規化後的影像進行週期性偵測。在本論文中，我們使用文獻[36]中所提到的週 期性偵測方法，該法藉由提取一個週期的步態序列，以代表整個序列的步態影像。

一般而言，人在行走的狀態是以一個週期性且穩定的頻率進行；因此，我們藉由 計算第一次雙腳合併至下一次雙腳合併為一個週期序列。我們所使用的週期性偵 測是藉由計算影像下半部像素之布林值總和；在雙腳著地時，像素布林值總和為 最大值；在雙腳合併時，因像素重疊的位置最多，導致像素布林值總和最小。我 們以此計算像素布林值總和最小值至下一次最小值為一週期序列，如圖 3.5 所 示。

步態特徵擷取階段：

在步態特徵擷取階段中，本論文採用 GEI 結合 TPCS-LTP 的特徵擷取技術。

GEI 在步態身份辨識領域中，已被證實能夠有效的描述一個人行走的步態特徵 [15-19]。TPCS-LTP 為本論文所提出步態特徵擷取技術，該法結合中心對稱區域 三元圖樣與貼片式區域二元圖樣中貼片的概念。CS-LTP 能夠突顯影像的紋理特 徵，運用在紋理辨識有很好的效果[30]，而 TP-LBP 在紋理辨識也有良好的效果 [31]；因此，我們採用 TP-LBP 中貼片的概念到我們的研究方法之中。

11

(a)二值化後的影像 (b)正規化後的影像 圖 3.4：影像正規化示意圖

Y 軸

像素灰階值總和 時間

圖 3.5：步態週期序列示意圖

分類辨識階段：

我們分別將訓練與測試影像經過步態特徵擷取後取得特徵向量，分別作為訓 練與測試資料，再將訓練資料送入支持向量機中進行 SVM 模型訓練。取得 SVM 訓練模型後，將測試資料送入支持向量機，進行測試資料與 SVM 訓練模型的分 類比較，即可獲得最後的身份識別結果。

12