基于步态特征的身份识别算法研究

步态识别根据人走路的姿势进行身份识别,由于人在行走时在空间呈现出的不同几何模式,单一几何特征难以全面描述步态特征,导致身份识别正确率不高。为提高身份识别的正确率,提出一种空间和频率特征模式相融合的身份识别算法。首先利用摄像机采集步态图像序列,然后分别采用极坐系和傅里叶变换提取步态空间特征和频率特征,并对两种特征进行融合,最后采用支持向量机对融合特征进行学习和分类,进行身份识别。结果表明,相对于单一步态特征为参数的身份识别算法,融合算法的身份识别正确率有了明显提高,且具有更好的稳定性。     

步态识别技术方法研究

步态识别是依据人行走方式的不同对人的身份进行识别的一种生物特征识别技术。介绍了步态识别现状及实现方法,并给出了前景展望。     

基于步态特征的快速身份识别方法

步态是远距离情况下人的身份识别的一个重要的特征,论文提出了一种基于步态特征的快速身份识别方法。用人体的宽度特征来分析步态运动,提取关键帧,对关键帧进行人体轮廓的提取,运用傅立叶描述子提取模板。最后用最近邻法进行匹配,实现人的身份识别。     

基于不变矩特征和神经网络的步态识别

步态识别是利用人体步行的方式来识别人的身份.近年来,步态作为一种生物特征识别技术已引起越来越多人们的兴趣.本文提出了一种简单有效的步态识别算法,首先通过背景差方法得到运动人体轮廓,然后利用不变矩描述轮廓特征,最后用BP神经网络方法来进行模板匹配,实现人的身份识别.     

基于列质量向量和SVM的步态识别

步态识别是根据人行走的方式来识别其身份,以其特有的优势作为一种身份识别手段。为了提高步态的识别率,提出了一种新方法,使用人体轮廓列质量向量表征特征信息,并使用支持向量机进行识别。根据人体轮廓的高度和宽度计算出步态周期,提取每个步态轮廓列质量向量,最后采用支持向量机进行分类识别。为了验证所提出方法的有效性,在CASIA步态数据库上进行了充足的实验,验证了该方法具有较高的识别率。     

图像预处理技术在步态识别中的应用研究

步态识别是生物特征识别领域一个新的研究方向,旨在根据人们走路的姿势进行身份识别。对步态识别的运动检测进行了论述,同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验。     

基于HMM的步态身份识别

随着生物识别悄然兴起,生物识别技术逐渐成为新的身份识别技术。步态识别是生物特征识别技术的一个新兴子领域。文章就是将隐马尔可夫模型(HMM,HiddenMarkovModel)方法运用在步态身份识别中,并进行了其识别性能的研究。该文给出了一个基于HMM的步态身份识别方案,并进行了图像预处理,HMM参数训练和识别的研究,得出了一些有意义的结论。同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验,实验结果表明:在侧面视角下采用此方法,具有较好的识别率。     

用侧影特征分析和识别人的异常步态

基于计算机视觉的步态分析是计算机视觉领域的研究热点。目前的研究大多集中在通过对正常步态的分析实现身份识别,而通过异常步态分析来识别人的异常状况方面的研究却很少。提出了一种简单有效的基于计算机视觉的异常步态识别方法,通过人的宽高比提取反应步态特征的特征向量,然后用支持向量机进行异常步态的识别。实验结果表明了该方法的有效性。     

基于脸部和步态特征融合的身份识别

提出了一种将脸部和步态特征相结合,应用于智能监控系统进行远距离视频流中身份识别的新方法.该方法首先分别采用隐马尔可夫模型(HMM)和Fisherfaces方法进行步态和脸部的识别,之后将这两个分类器得到的结果进行匹配级的融合.对从不同方向采集的31个人的视频序列进行分析实验,结果表明将脸部和步态特征相结合进行身份识别具有很好的鲁棒性,其识别性能也优于只采用脸部或步态单一特征的识别方法.     

视频下的正面人体身份自动识别

为了能够实现视频下正面人体身份的自动识别,设计的系统包括Adaboost行人检测、Adaboost人脸检测、肤色验证、步态预处理、周期检测、特征提取以及决策级融合识别等模块.通过行人检测模块可以自动开启人脸检测模块和步态周期检测模块.实验结果表明,提出的根据下臂摇摆区域确定步态周期的方法对正面步态周期检测准确,计算量小,适用于实时的步态识别.采用人脸特征辅助步态特征在决策级的融合方法是解决视频下身份识别的新思路,在单样本的步态识别中,融合人脸特征可以提高识别精度.     

视频监控场景下基于单视角步态的人体身份及属性识别系统

基于步态的特征识别是一种新兴的生物特征识别技术, 旨在通过人们走路的姿态进行身份和相关属性的分析. 与其他的生物识别技术相比, 基于步态的识别方法具有难隐藏性、非接触性和可远距离使用的优点. 本文设计出一个视频监控场景下基于单视角步态的人体身份及属性识别系统, 该系统通过图像处理方法从复杂的监控视频中实时检测出人体的步态, 经过利用深度学习训练过的算法进行分析后, 获取人体的身份、性别和年龄信息. 实验表明, 系统的身份识别准确率达98.1%, 性别预测准确率达97.1%, 年龄预测平均绝对误差为6.21岁, 实验结果均优于传统基准算法, 且系统开发成本低, 支持实时检测, 能充分满足中小规模步态研究与分析的需要.     

Matching shape sequences in video with applications in human movement analysis

We present an approach for comparing two sequences of deforming shapes using both parametric models and nonparametric methods. In our approach, Kendall's definition of shape is used for feature extraction. Since the shape feature rests on a non-Euclidean manifold, we propose parametric models like the autoregressive model and autoregressive moving average model on the tangent space and demonstrate the ability of these models to capture the nature of shape deformations using experiments on gait-based human recognition. The nonparametric model is based on dynamic time-warping. We suggest a modification of the dynamic time-warping algorithm to include the nature of the non-Euclidean space in which the shape deformations take place. We also show the efficacy of this algorithm by its application to gait-based human recognition. We exploit the shape deformations of a person's silhouette as a discriminating feature and provide recognition results using the nonparametric model. Our analysis leads to some interesting observations on the role of shape and kinematics in automated gait-based person authentication.     

Effect of silhouette quality on hard problems in Gait recognition.

Gait as a behavioral biometric has been the subject of recent investigations. However, understanding the limits of gait-based recognition and the quantitative study of the factors effecting gait have been confounded by errors in the extracted silhouettes, upon which most recognition algorithms are based. To enable us to study this effect on a large population of subjects, we present a novel model based silhouette reconstruction strategy, based on a population based hidden Markov model (HMM), coupled with an eigen-stance model, to correct for common errors in silhouette detection arising from shadows and background subtraction. The model is trained and benchmarked using manually specified silhouettes for 71 subjects from the recently formulated HumanID Gait Challenge database. Unlike other essentially pixel-level silhouette cleaning methods, this method can remove shadows, especially between feet for the legs-apart stance, and remove parts due to any objects being carried, such as briefcase or a walking cane. After quantitatively establishing the improved quality of the silhouette over simple background subtraction, we show on the 122 subjects HumanID Gait Challenge Dataset and using two gait recognition algorithms that the observed poor performance of gait recognition for hard problems involving matching across factors such as surface, time, and shoe are not due to poor silhouette quality, beyond what is available from statistical background subtraction based methods.     

一种新的步态图像序列分割算法

在运动目标步态识别中，从步态图像序列中提取出完整的人体运动轮廓对特征提取、目标分类和目标识别等有着非常重要的意义。提出了一种新的运动目标分割算法：首先应用改进的块匹配算法进行运动估计；然后运用分水岭算法把当前帧图像分割成许多封闭而不重叠的小区域；最后运用仿射参数模型进行运动块区域合并。在CMU步态数据库中采用基准算法进行的实验表明，运用所提出的算法能够提取出完整的人体轮廓，进一步提高步态识别的识别率。     

基于sEMG的行走步态非均匀特性及其对识别的影响

人体生理特性和运动特性是影响步态识别的重要因素。利用实验采集的下肢表面肌电信号,首先对肌电信号进行小波消噪及特征提取,然后构造支持向量机分类器进行分类与识别,并针对步态周期数据的非均匀性（非等时性）特性进行了详细讨论。结果表明,即使在匀速行走条件下,人体步态周期仍然存在一定的非均匀特性,且这一特点会影响步态识别的准确性。这对于进一步研究步态稳定性和步态识别率等具有一定的参考价值。     

基于自适应特征选取的步态识别

提出基于自适应特征选取的步态识别方法。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的距离和夹角对步态特征进行描述。采用Boosting算法自适应选取最优特征序列,对识别结果进行加权处理。该方法结合了步态的动态和静态信息,实验结果表明该方法具有较高的识别性能。     

一种基于隐马尔科夫模型的步态识别算法

步态是指人体走路时的姿态,步态识别是近年来生物特征识别领域一个备受关注的研究方向。步态阶段的区分是步态识别的重要内容。以隐马尔科夫模型(HMM)为基础,基于安装在膝关节的编码器和大腿部的加速度传感器,在外骨骼辅助行走中识别步态的不同阶段。首先进行数据预处理和特征提取;其次对隐马尔科夫步态识别算法进行设计,包括结构的建立、参数的训练和最终的识别;最后对性能进行评估,总体正确率达到91.06%,说明HMM用于步态阶段识别具有较好的性能。     

不变矩系数拟合的步态识别

根据综合利用步态的静态和动态信息的思想，结合不变矩描述图像几何特性的功能，从步态序列提取不变矩作为步态特征进行识别。采用傅立叶级数描述步态图像序列人体轮廓不变矩的变化，利用遗传算法搜索傅立叶级数的系数，最后再用k近邻分类器对不变矩变化的幅度信息分类。在CMU步态数据库上进行的实验，达到了90%以上的识别率。结果表明，该方法具备很高识别性能，能较好地利用步态的静态和动态信息。