Gait-based gender classification using neutral and non-neutral gait sequences

Abstract

Nötr veya Nötr Olmayan Ardaşık Yürüyüş Tarzlarından Davranış-bağımlı Cinsiyet KlasifikasyonuBiometrik sistem bireyle özleĢik en çok göze çarpan bir özellik veya niteliğe dayalı bir vasıf kullanılarak bireyin tanımlanmasını sağlar. Biometric tanımlayıcılar genellikle davranıĢsal özelliklere karĢı fizyolojik özellikler olarak kategorize edilir. Fizyolojik özellikler Ģahsın parmak izi, avuç içi damarlar, yüz tanıma gibi vücudun yapısal özellikleriyle ilgili olmasına karĢın, Ģahsın davranıĢsal özellikleri yürüme tarzı, imzası ve sesiyle ilgili vasıflarıdır. YürüyüĢ tarzı biometrik tanımlama yöntemi ile kiĢilerin erkek veya kadın olduğunun tanımlamasında kullanılacağı gibi kiĢilerin yürüyüĢ tarzları, yetkisiz kiĢilerin ve cinsiyetlerin belirlenmesi, ve yürüme veya yürümeye bağlı anormalliklerin tespiti gibi farklı uygulama alanlarında kullanılabilir.Bu tezde, kiĢilerin yürüyüĢ özelliklerine göre cinsiyet sınıflandırması yapan bir yöntem önerilmiĢtir. Nötr yürüyüĢ dizilerinin yanı sıra palto/manto giyme (CW) ve çanta taĢıma (CB) gibi nötr olmayan yürüyüĢ tarzlarından kaynaklanan tanımlama sorunları araĢtırılmıĢtır. Cinsiyet sınıflandırma amacıyla farklı yürüyüĢ tarzı dizinlerinin araĢtırılması ve denemelerinin yapılması üzerinde durulmuĢtur. Sayısal denemeler Casia B veritabanında mevcut değiĢik yürüyüĢ tarzları üzerinde çok sayıda denek üzerinde yapılmıĢtır. Bu veritabaında 11 farklı görünüm açılarından kaydedilen 124 kiĢi (31 kadın ve 93 erkek) bulunmaktadır. Her bir denek için, 6 nötr (Nu), 2 adet manto/palto giyme (CW) ve 2 adet çanta taĢıma (CB) olmak üzere 10 yürüme dizini bulunmaktadır.Önerilen yöntemin ilk bölümünde bir çerçeveli görüntüden arka planı çıkarma yöntemi kullanarak sırasal çerçeveli görüntüler ile arka planı arasındaki farkın hesaplaması üzerinde durulmuĢtur. Ġkinci bölümde YürüyüĢ Enerjisi (Gait Energy) görüntü özelliklikleri yardımıyla sınıflandırma yöntemi incelenmiĢtir. Son olarak bu çalıĢmada bir sınıflandırma aracı olarak Yürüme Enerjisi Görüntü (Gait Energy Image) ve Rastgele Yürüme Enerji Görüntü (Gait Entropy Enerji Image, GEnEI) yöntemlri uygulanmıĢtır.Wavelet Transformasyon tekniği ve GEnEI yöntemi kullanılarakveritabanından üç farklı yürüyüĢ tarzı özellikli görüntü grubu kurgulanmıĢtır. Bu yürüyüĢ tarzı özellikli görüntü grupları: (i) YaklaĢık Katsayı Rastgele Yürüme Enerji Görüntü (Approximate coefficient Energy Image, AGEnEI), (ii) Diksel Katsayı Rastgele Yürüme Enerji Görüntü (Vertical coefficient Energy Image, VGEnEI), ve (iii) her ikisinin birleĢkesi olan YaklaĢık ve Diksel Katsayı Yürüme Enerji Görüntü (Approximate coefficient Energy Image and Vertical coefficient Energy Image, AVGEnEI).Yukarıda belirtilen görüntüleme iĢlemlerinin iĢlevliliğinin denemesi için k-derece yakın komĢu (k-Neraest Neighboor, k-NN) ve destek vector makinası (Support vector Machine, SVM) olarak bilinen yöntemler önerilmiĢtir. Ayrıca yukarıda belirtilen üç tür enerji görüntü yöntemi birleĢtirme tabanlı karar verme (fuse-based decirion level fusion) yöntemi kullanılarak da denenmiĢtir.Sınıflandırmada k-NN yöntemi ile Nu gait dizinleri için AGEnEI % 97 lik ergitme seviyesini (fusion level), VGEnEI CB dizinleri için 91.4% lik ergitme seviyesini, ve AGEnEI CW dizinleri için %83.4 ergitme seviyesi sonuçları bulunmuĢtur. k=1, 3 ve 5 sayıları ile belirlenen üç ayrı özellik grubu arasında k=1 dikkate değer ergitme seviyesi sonuçları vermiĢtir.Her üç enerji görüntüleme yöntemi (Energy Entropy Image) „Decision-fusion‟ yöntemi ile birleĢtirildiğinde (fused) ergitme dereceleri Nu için %99.8, CB için %92.2 ve for CW için 86.3% dir. Bu sonuçlar her bir özelliğin ayrı ayrı ele alındığı durumunda elede edilen sonuçlardan daha iyi olduğu dikkate değerdir..

A biometric system provides automatic identification of an individual based on his/ her unique feature or characteristic. Biometric identifiers are often categorized as physiological versus behavioural characteristics. Physiological characteristics are related to the shape of the body, like fingerprint, palm veins, face shape, while behavioural characteristics are related to the pattern of an individual‟s behaviour, including gait, handwritten signature and voice. Gait as a means of biometric recognition aims to recognize a person by he/she walks. Human gait feature could be used in different applications such as identifying unauthorized persons, identifying their gender, and determining walking-related abnormalities by analysing the way they walk or move.In this thesis we aim to propose gender classification based on human gait features to investigate the problem of non-neutral gait sequences: coat wearing and carrying bag conditions in addition to the neutral gait sequences. Our objectives will focus on investigating and testing the performance of gait sequence features for the purpose of gender classification. Our tests are based on large number of experiments using CASIA B gait database, includes 124 subjects (31 women and 93 men), recorded from 11 different view angles. For each subject, there are 10 walking sequences, consisting of 6 Neutral sequences (Nu), 2 Bag-Carrying sequences (CB) and 2 Coat-Wearing sequences (CW).The proposed method mainly classified into three parts; the first part is focused on investigation of isolating conductive frames from their backgrounds using the frame differencing method.The second part is related to feature extraction, for which we propose a new set of features which are constructed as based on the Gait Energy Image and Gait Entropy Image, called Gait Entropy Energy Image (GEnEI). Three different feature sets are structured from GEnEI based Wavelet Transform, called Approximation coefficient Gait Entropy Energy Image (AGEnEI), Vertical coefficient Gait Entropy Energy Image (VGEnEI), and Approximation and Vertical coefficients Gait Entropy Energy Image(AVGEnEI). Finally two different classification methods are applied to test the performance of the proposed methods separately, called k-Nearest-Neighbour (k-NN) and Support Vector Machine (SVM). Further, these three sets of features are tested separately using the fused-based decision level fusion method.We demonstrate that when k-NN is used as a classification method, AGEnEI results in 97% fusion level for Nu gait sequence, VGEnEI results in 91.4% fusion level for CB sequence and for CW sequence AGEnEI produces 83.6% fusion level. Among three sets of features, k=1 notably produces better average fusion level compared to the other two sets of features, i.e. k=3 and k=5.When three sets of features (AGEnEI, VGEnEI , AVGEnEI ) are fused using the decision level fusion method, we obtain accuracy of 99.8%, 92.2% and 86.3% for Nu, CB and CW respectively. These results outperform the results achieved when each of these sets of features are applied separately.