基于遗传模糊分类的步态识别

提出基于遗传模糊分类的步态识别方法.采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心形成的距离和夹角对步态特征进行描述.运用模糊聚类算法构建不同距离函数的分类器,并用遗传算法对分类器进行集成,组成的集成融合分类器对步态序列进行识别.实验结果表明该方法具有较高的识别性能.     

基于Haar小波和融合HMM的步态识别方法

为解决步态识别中每个区域的步态特征要点匮乏问题,提出一种基于Haar小波及融合的隐马尔可夫模型Fused-HMMs(fused hidden Markov models)的步态识别方法。该方法首先把视频序列中的图像转换成二进制轮廓,利用Haar小波变换取得显著的步态特征要点;其次采用两个子图像来表示各个轮廓的步态特征,并通过主成分分析法减少维数;最后,利用融合HMM进行训练和测试。仿真结果表明该方法不仅可以简化步态辨识过程,而且还能够提高识别准确率。     

一种快速步态识别方法

提出了一种快速有效的针对人物侧面运动形态的步态识别算法:利用改进的自适应背景差分法取得动态目标侧影;同时提取面积、身高、步幅、质心等若干种变化特征,复合成目标的步态特征序列;最后采用支持向量机进行最终学习和识别.实验结果表明,该算法有较高的识别率,并且能很好地满足实时需求.     

一种基于光流的多区域分割在步态识别中的应用

人体目标分割的质量对步态识别的性能有直接的影响。提出了一种鲁棒性的步态表示方法,即利用光流特征提取视频中的运动信息,并将目标人体区域部分按人体结构特点划分为多个子区域,每个子区域通过基于光流特征的椭圆模型进行拟合,建立多区域椭圆模型的人体结构模型。识别过程中将模型参数作为步态特征,结合动态时间规整技术解决了动态模式的相似度量和匹配问题。实验表明,该算法可以有效地提高识别算法的鲁棒性,并且具有较好的识别性能。     

基于子模式的完全二维主成分分析的步态识别算法

提出一种基于子模式的完全二维主成分分析的步态识别算法.首先对步态能量图进行子块划分,自适应地去掉对分类无用的子块.然后分别对每个子图像采用完全二维主成分分析方法进行特征抽取.最后将各个子块的特征合为整体采用最近邻分类器来测试识别.应用上述方法在CASIA步态数据库上进行实验,通过实验确定分块数目.实验结果表明本文算法明显好于完全二维主成分分析方法,不但有利于提取局部特征,而且对外套变化、背包,行走方向变化的步态识别也较有效.     

一种基于多区域侧影面积的步态识别方法

提出一种基于多区域侧影面积的步态识别方法,该方法将视频序列中检测出的步态侧影划分为5个子区域,提取每个子区域中的侧影面积并计算步态序列中面积的变化特征,从而构成描述步态序列的特征向量,实验表明该方法具有较好的识别性能,是一种有效的步态识别方法.     

基于多区域分割的步态表示与识别算法研究

提出了一种基于多区域分割的步态表示方法,将视频中的目标人体区域部分按人体结构特点划分为多个子区,每个子区通过连接人体重心的椭圆进行拟和,建立多连接椭圆的人体结构模型,预处理阶段引入一个归一化过程以实现对各种视角下的步态序列进行表示.识别过程将模型参数作为步态特征,并引入了一定的融合机制对特征进行选择和融合.实验表明,该算法对于多个视角下的步态序列均具有较好的识别性能.     

步态骨骼模型的协同表示识别方法

针对目前步态识别中极易受到服饰和携带物等影响的难题,提出一种基于Kinect获取骨骼模型的步态识别新方法。对步态3D骨骼模型提取人体总质心,并与在步态周期中富有运动特征的人体四肢分质心的活动信息结合,分别得到动态与静态特征。动态特征可看作是周期信号,使用小波分解和带高斯滤波的离散傅里叶变换进行频谱处理,消除了外界干扰并增强了特征之间的差异性。通过动态时间规整算法把步态骨骼特征投影到相异空间,用协同表示进行匹配和归一化加权融合,最后根据最近邻算法进行分类识别。实验证明,该方法与稀疏表示识别算法相比得到了较为理想的识别效果,为步态识别在身份认证的应用领域提供了可靠的理论基础。     

一种基于多区域不变矩的步态识别方法

步态识别是一种新的生物识别技术，它通过人行走的姿势来实现对人身份的鉴别。本文提出了一种基于多区域不变矩的步态识别方法，将视频序列中检测出的步态侧影分为五个子区域，提取每个子区域的不变矩特征并计算步态序列中不变矩的变化特征，从而构成描述步态序列的特征向量。最后的实验表明，提出的方法具有较好的识别性能，是一种有效的步态识别方法。     

基于角度统计特征的步态识别

提取角度统计特征,为步态识别提出了一种新途径.用统计的方法,等角度间隔地计算归一化步态轮廓图像各像素点至质心距离的均值与方差,并用其构造步态识别的特征向量.与提取步态轮廓图像边界特征的方法相比,该方法具有算法简单、运算速度快、无需建立复杂的数学模型等优点.以Matlab7.5为平台,以中科院自动化研究所提供的CASIA数据库为样本进行了大量实验,实验结果表明:该步态识别方法具有较好的识别性能.     

基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K-最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。     

基于特征点匹配的步态识别

基于图像特征点匹配的算法思想,结合步态能量图(GEI),提出了一种适用于2幅GEI匹配的步态识别方法.在GEI中采用改进的FAST算法提取特征点,并采用具有良好特征描述性能的BRIEF算法描述特征点.考虑到GEI匹配不要求特征点具有旋转不变性,提出了一种质心角约束条件加速特征点的匹配.在CASIA数据库B库上的实验结果表明:方法在识别率和特征计算时间上均具有良好的表现.     

基于加权区域特征的快速步态识别

为提高步态识别率根据不同肢体部位对识别贡献程度的不同,提出一种基于加权区域面积特征的步态识别新算法,将人体轮廓侧影划分为多个可变区域,分别提取每个区域的面积作为步态特征,计算特征向量各元素的贡献度,然后对特征向量进行加权处理,并改进最近邻分类器进行分类,最后在UCSD和CASIA步态数据库上进行充足的实验,实验结果表明了该方法具有较高的识别率。     

线性插值框架下矩阵步态识别的性能分析

针对现有的步态周期检测方法检测效果不佳以及行走速度变化对步态识别性能有很大影响的问题,提出的基于矩的步态周期检测方法中,Zernike矩需要人体居中、尺度归一的前期预处理过程,而伪Zernike矩具有能描述运动图像的特点,它可以避免人体居中、尺度归一等处理,以便直接测试步态的周期性.根据行走时的两帧之间的特征取决于前一帧和后一帧的特征,提出了基于线性插值的矩阵步态识别算法框架,并且将投影特征、Hough变换特征、Trace变换特征和Fan-Beam映射特征应用在CASIA(B)步态库上,验证了框架的有效性,为解决步态识别问题带来新的方法与思路.这种基于线性插值的矩阵步态识别特征本质上是一种权值不同的能量形式.     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

新的基于特征关系表述的步态识别算法

为了快速有效地进行步态识别,利用特征关系非平稳分布的统计特性,提出了一种新的基于特征关系表述的步态识别算法。首先,将剪影轮廓相邻像素点间8邻域相对方向标号作为特征关系属性一,将轮廓边界点与中心点间的距离作为特征关系属性二,经直方图归一化处理,得到两种关系属性的联合概率;其次,结合主成分分析(PCA)降维的方法,提取特征主向量;最后,采用最近邻分类器进行识别分类。实验证明,该算法在CASIA步态数据库上,最高达到了90%以上的识别率,而且与传统的特征关系表述步态识别算法相比,关系属性联合概率矩阵维数由900维下降到240维,大大降低了算法的计算代价。     

异常步态3维人体建模和可变视角识别

目的 运用视觉和机器学习方法对步态进行研究已成为当前热点,但多集中在身份识别领域。本文从不同的视角对其进行研究,探讨一种基于点云数据和人体语义特征模型的异常步态3维人体建模和可变视角识别方法。方法 运用非刚性变形和蒙皮方法,构建基于形体和姿态语义特征的参数化3维人体模型;以红外结构光传感器获取的人体异常步态点云数据为观测目标,构建其对应形体和姿态特征的3维人体模型。通过ConvGRU（convolution gated necurrent unit）卷积循环神经网络来提取其投影深度图像的时空特征,并将样本划分为正样本、负样本和自身样本三元组,对异常步态分类器进行训练,以提高分类器对细小差异的鉴别能力。同时对异常步态数据获取难度大和训练视角少的问题,提出了一种基于形体、姿态和视角变换的训练样本扩充方法,以提高模型在面对视角变化时的泛化能力。结果 使用CSU（Central South University）3维异常步态数据库和DHA（depth-included human action video）深度人体行为数据库进行实验,并对比了不同异常步态或行为识别方法的效果。结果表明,本文方法在CSU异常步态库实验中,0°、45°和90°视角下对异常步态的综合检测识别率达到了96.6%,特别是在90°到0°交叉和变换视角实验中,比使用DMHI（difference motion history image）和DMM-CNN（depth motion map-convolutional neural network）等步态动作特征要高出25%以上。在DHA深度人体运动数据库实验中,本文方法识别率接近98%,比DMM等相关算法高出2%~3%。结论 提出的3维异常步态识别方法综合了3维人体先验知识、循环卷积网络的时空特性和虚拟视角样本合成方法的优点,不仅能提高异常步态在面对视角变换时的识别准确性,同时也为3维异常步态检测和识别提供一种新思路。     

对步态空时数据的连续特征子空间分析

提出一种基于空时特征提取的人体步态识别算法。连续的特征子空间学习依次提取出步态的时间与空间特征：第一次特征子空间学习对步态的频域数据进行主成分分析,步态数据被转化为周期特征矢量;第二次特征子空间学习对步态数据的周期特征矢量形式进行主成分分析加线性判别分析的联合分析,步态数据被进一步转化为步态特征矢量。步态特征矢量同时包含运动的周期特征以及人体的形态特征,具有很强的识别能力。在USF步态数据库上的实验结果显示,该算法识别率较其他同类算法有明显提升。