Seminararbeit Stefan Meyer Gait Recognition Seminararbeit Stefan Meyer Mein Name... Mein Vortrag geht über das Thema... Mein Betreuer ist...

Überblick Einführung und Allgemeines zur Personenerkennung am Gang Vorstellung von zwei verschiedenen Lösungsansätzen Experimente und Ergebnisse der Gangerkennung mit passender Software zu einem der Ansätze Zusammenfassung

Einführung Übliche Methoden zur Personenerkennung untersuchen Merkmale wie: Gesicht Fingerabdruck Irismuster Nachteil dieser Methoden: Ohne Kooperation der Testperson bekommt man kein Bildmaterial dieser Merkmale Personenerkennung am Gang: Vorteile: Keine besonderen Aktionen seitens der Testperson erforderlich Identifikation ist berührungslos und unauffällig (nicht-invasiv) Korrekte Identifikation kann nur schwer von der Person verhindert werden

Einsatzmöglichkeiten Überall wo es technisch nicht möglich oder lästig ist besondere Personenmerkmale zu erfassen. Erkennung soll geheim stattfinden. Beispielvideo: - Fest installierten Kamera - 256 Graustufen - 320x160 Pixel - 30 Frames/sec

Vorverarbeitung Hintergrund entfernen Artefakte entfernen Hintergrundbild dynamisch aus den letzten Bildern bestimmen Hintergrundbild vom aktuellen Bild subtrahieren Pixel mit Grauwert unterhalb eines Schwellwertes entfernen Artefakte entfernen Pixelfehler außerhalb der Person => Erosion Kleine Löcher innerhalb der Person => Dilatation

1. Untersuchung von Formmerkmalen Kontur der Person aus jedem Bild extrahieren Errechnen der Eigenform aus der gesamten Bewegung (Form mit minimalem Gesamtabstand zu allen Konturen) Vergleich der Eigenform mit anderen Eigenformen und Zuordnung

1. Untersuchung von Formmerkmalen Vorteil: Erkennung auch möglich wenn die Personen frontal auf die Kamera zulaufen Nachteile: Funktioniert nur bei einem kleinen Datenbestand Anfällig für Störungen (z.B. Veränderungen in der Kleidung – Handschuhe/dickere Jacke)

2. Formunabhängige Bestimmung mittels Optischem Fluss

Optischer Fluss Bild 1 Bild 2 Optischer Fluss Definition: Der “Optische Fluss” ist der Grauwertfluss in der Bildebene. Bei konstanten Lichtverhältnissen und texturierten Oberflächen entspricht der Optische Fluss dem Bewegungsvektorfeld. Bild 1 Bild 2 Optischer Fluss

Optischer Fluss - Berechnung Beispiel für die Berechnung des blau-markierten Pixels Suchbereich 3x3 Pixel Bild 1 Bild 2 Ergebnis: U(x,y) = -1 V(x,y) = -1

Optischer Fluss - Beispiel Optischer Fluss des Beispielvideos Binärbild des Optischen Flusses (Weiße Flächen haben sich bewegt) Gewichtet mit Bewegungsdistanz in |u|, |v| oder |u,v| - Richtung (farblich dargestellt) 0,0 Binärbild Gewichtet mit |(u,v)|

13 Skalare Größen (je Frame) Schwerpunkt Binärbild : xc, yc Schwerpunkt |u| Verteilung : xuc, yuc Schwerpunkt |v| Verteilung : xvc, yvc Schwerpunkt |u,v| Verteilung : xuvc, yuvc Differenzen der Schwerpunkte : xd, yd Verhältnis max. zu min. Trägheitsmoment : ac, awc (Binärbild und |u,v|-Verteilung) Differenz der beiden Momentverhältnisse : ad

Darstellung der skalaren Größen im Video Viereck – Schwerpunkt Binärbild Kreuz – Schwerpunkt |u,v|-Verteilung Ellipse – Trägheitsmomente an einer drehbaren Achse durch den Schwerpunkt (Binärbild und |u,v|-Verteilung)

Skalare Größen (komplette Sequenz) Mittelwert und Linearen Anteil subtrahieren

Grundfrequenz bestimmen Spektrum von yc (y-Koordinate Schwerpunkt im Binärbild) Grundfrequenz bei 0.063 (ca. 16 Frames/Halbschritt) yc ist zur Bestimmung der Grundfrequenz am besten geeignet. Alle skalaren Größen haben die gleiche Grundfrequenz.

Grundfrequenzanteil der skalaren Größen Rot: Skalare Größe ac Grün: Darstellung mit nur 1 Spektralkoeffizient der Grundfrequenz Alle skalaren Größen können stark vereinfacht durch eine Sinus-Funktion dargestellt werden.

Bestimmung des Merkmalsvektors Die Phasen der 13 skalaren Größen charakterisieren den Gang der Person. Phase ist abhängig vom Zustand des Ganges der Person bei Beginn der Sequenz. 1 Wert ist Referenz und wird von den anderen 12 subtrahiert.

Auswertung des Merkmalsvektors Darstellung von zwei Werten des Merkmalsvektors im 2d-Raum

Alle Werte des Merkmalsvektors Einige Merkmale haben sehr geringe Aussagekraft (x_d, x_wc) Abhängigkeiten zwischen Merkmalen (x_c, x_wc / a_c, a_wc) => Merkmalsvektor kann weiter reduziert werden.

Ergebnis des Versuches Leaving-One-Out: Aus den 7 Durchgängen jeder Person wird einer rausgenommen. Die restlichen 6 Merkmalsvektoren werden gemittelt und ergeben den Merkmalsvektor der die Person charakterisiert. Der entfernte Durchgang jeder Person wird mittels minimalem Euklidischem Abstand zugeordnet. Permutation aller Kombination. Ergebnis: 95.2% der Aufnahmen wurden der richtigen Personen zugeordnet. Die Betrachtung von nur 5 (x_c, y_d, a_c, a_d, y_vwc) der 12 Merkmalswerten liefert das gleiche Ergebnis. Bei der Zuordnung von 3 Durchgängen pro Person (Mittelwert aus restlichen 4 Durchgängen) sinkt die Erkennungsrate auf 92.2%

Eigene Experimente Software zur Gangerkennung mit der optischen Fluss Methode ist frei verfügbar. http://www-mitpress.mit.edu/e-journals/Videre/001/articles/Little- Boyd/gait/gait.html Artikel und Software wurden 1998 von Mitarbeitern des MIT in der Zeitschrift Videre veröffentlicht C Quellcode und Shellskripten UNIX programmiert => Kompiliert nach kleinen Änderungen unter Linux und ist voll lauffähig.

Parameter Maximale Flussweite (Größe des Suchfensters). Guter Wert ist die maximale Bewegung zwischen zwei Bildern in der gesamten Szene Zu klein => - anfällig für Rauschen - falsche Zuordnung bei großen Bewegungen Zu groß => - schlechte örtliche Auflösung (Details wie Bewegung der Arme verschwinden) Filterparameter des Gaußfilters in der Flussberechnung Gerade groß genug wählen, dass keine Bewegung im Hintergrund angezeigt wird

Eigene Berechnung: Videos vom MIT

Eigene Berechnung: Videos vom MIT

Videos aufgenommen am LfM

Videos aufgenommen am LfM

Auswertung Videos am LfM (2D-Charts)

Auswertung Videos am LfM (Skalare Größe x_wc)

Ursachen für schlechte Ergebnisse Kamera ungeeignet (Kompakte Digitalkamera mit Videofunktion - Canon Ixus V330) Sehr viel Rauschen im Video Aufnahme mit 20 Frames/sec (entspricht weniger als 10 Bilder pro Schrittfolge) Raum schlecht ausgeleuchtet Leichte Schatten am Boden Unter den Lampen ist die Person heller als an den Seiten Versuchspersonen gehen unnatürlich Raum zu klein. Personen laufen aus dem Stand an. Aufnahme auf Kommando verfälscht den charakteristischen Gang einer Person

Zusammenfassung Personenerkennung am Gang unterscheidet sich als kontaktloses Verfahren von allen anderen Methoden. Es existieren viele Lösungsansätze die aber alle noch verbessert und an einer repräsentativen Anzahl Personen getestet werden müssen. Die Identifikation von mehr als 90% der Personen ist vielversprechend und eröffnet neue Möglichkeiten der Kameraüberwachung.