基于傅立叶描述子的步态识别

提出了基于傅立叶描述子的步识别方法。用背景差方法得到运动人体的轮廊,通过步态周期分析提取步态序列的关键帧。利用傅立叶描述子处理关键帧的轮廊线序列,并进行数据维数压缩,得到匹配模板。用最近邻近法进行分类和识别。应用上述方法在Soton步态数据库上进行了实验,结果表明所提的步态识别方法具有罗高的识别性能。     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

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。     

基于Zernike矩快速算法的步态识别

在图像识别问题的研究中,步态识别是生物识别领域较活跃的研究课题,在视频监控等方面有广阔的应用前景.为提高轮廓识别精度和准确性,提出一种提取步态序列图像关键帧的特征并进行身份识别的方法,用来提高图像的精确性.首先把序列图像的人体部分模板化,然后利用q-递归算法计算关键帧的Zernike矩值、对序列图像进行矩特征描述,利用PCA变换进行特征数据的降维,利用支持向量机(SVM)等方法对数据进行分类.对不同的Zernike矩阶数、不同的训练方法、识别方法进行实验,并对识别结果进行分析比较.仿真实验结果证明了特征提取方法的有效性.     

基于核二维主成分分析算法的步态识别

步态识别是一种新的生物认证技术,它是通过人的行走方式来识别人类身份的方法。为了更加快速有效地对人体步态特征进行提取和识别,采用了基于核二维主成分分析（Kernel two Dimensional Principal Component Analyses,K2DPCA）的方法进行步态特征提取,运用支持向量机（SVM）进行步态识别。根据人体步态下肢摆动距离统计出步态周期,得到步态能量图（GEI）,对生成的GEI采用核二维主成分分析方法进行步态特征向量提取,采用SVM分类器进行分类识别。实验结果表明该方法具有很好的识别效果。     

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.     

基于双特征匹配层融合的步态识别方法

步态识别是根据人类走路的姿态来进行远距离的身份识别。针对轮廓不完整的图 像和关键帧容易造成部分信息丢失而引起的识别率下降问题,提出一种基于双特征匹配层融合 的步态识别方法。步态既有静态图像特征,又有动态速度变化特征,因此本文提出用匹配层融 合方法将静态的 Hu 矩 6 个不变矩特征和动态的帧差百分比特征融合后进行步态身份识别。首 先对一个周期内的归一化步态图像进行 Hu 矩特征以及帧差百分比的特征提取,将 Hu 矩 6 个不 变矩特征描述成一个特征向量,然后运用匹配层融合算法对 2 个特征进行融合;最后使用 K 近 邻分类器进行身份识别。实验表明,该方法较单一方法能够有效地提高步态识别正确率。     

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。     

一种基于人体轮廓宽度特征的步态识别方法

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。提出了一种新的基于人体轮廓宽度特征的步态识别方法,将视频序列中检测出的步态轮廓提取三种宽度特征并计算步态序列中宽度的变化特征,从而构成描述步态序列的特征向量。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。     

基于关键帧能量固定的步态识别

步态作为一个新兴的生物特征,具有广泛的应用前景。现阶段比较成熟的非模型化方法步态能量图,能将一个步态序列表示为单幅的灰度图像,对噪声有较好的鲁棒性和较好的识别效率,但是不能很好的适应人行走速度的改变。因此,本文提出了一种基于关键帧能量固定的步态识别方法。该方法在步态能量图的基础上,对步态序列的关键帧进行了能量固定,将步态能量图转变成为能量固定后的步态能量图再进行特征的提取和识别。实验结果表明,该方法相对传统的步态能量图,能更好的适应速度对识别的影响。     

基于人体身型曲线特征的身份鉴定技术

研究人体身型特征的身份识别,提高身份准确性问题。针对传统的人体身份识别技术,都是用直线距离近似表示人体身型的几何特征,但是人体身型中的大部分真实几何特征距离都是空间曲线距离,会导致测量的身型几何特征结果不够精确,造成后期的身份识别准确性不高的问题。为了解决上述问题,提出一种基于近似曲线几何特征的身份鉴定方法,运用近似曲面分割逼近技术,求出人体身型几何特征点之间的最短近似路径,运用多个最短路径逼近方法,准确获得人体真实的身型几何特征信息。实验结果表明,改进的方法能够准确提取三维人体身型几何特征,使得身份识别准确率大幅增加。     

基于人体图像生成的姿态无关人物识别

人物识别技术能够使机器人具备对用户身份识别的能力,从而有效提高机器人的智能交互水平。人物识别面临的主要挑战之一是姿态的变化对人物身份特征提取的影响。针对该问题,提出基于人体图像生成的姿态无关人物识别方法,通过生成与库中目标人物相同姿态的人体图像,消除姿态变化对人物外观特征造成的影响。该方法首先利用人体分割图将人体区域与背景分离,尽量降低复杂多变的背景对人物外观特征的干扰;然后在目标姿态的引导下生成与目标图像姿态一致的人物图像;最后设计了一个特征融合模块将源图像和生成图像的身份特征进行融合,提取姿态无关的鲁棒身份特征用于人物识别。此外,为更好地区分不同的人物,在训练中生成相同姿态的负样本,对约束模型学习更为细粒的可鉴别性身份特征。人物识别和人体图像生成的实验结果验证了该方法的有效性。     

复杂环境下的运动人体骨架提取算法*

针对复杂环境下运动人体难以检测及由人体运动自身的复杂性而引起的骨架提取难的问题,提出了一种复杂环境下视频序列中的运动人体骨架提取算法。算法首先利用区域背景建模获取复杂环境下的背景图像,利用最大色差分量结合自适应阈值分割运动人体;然后根据人体测量数据对人体骨架建模,最后利用Kalman滤波跟踪人体关节点,连接关节点生成运动人体骨架。实验结果表明,该算法能准确地提取复杂环境下视频序列中的运动人体骨架,具有低关节位置误差率。     

基于积分投影的人脸图像的特征提取

人脸识别是模式识别领域内的重要课题，有着十分广泛的应用前景，人脸特征的自动提取是人脸自动识别过程中重要的一步。该文采用基于人脸几何特征的方法，首先通过边缘检测和阈值技术对人脸图像进行预处理；然后分别采用水平和垂直积分投影的方法确定人脸轮廓，最后利用人脸特征的先验知识，提取出特征点。实验结果表明该人脸特征提取系统能有效地提取头部轮廓和人脸的主要特征点，实现简单，效率高，特别适合于标准证件类型的黑白照的识别。     

基于GVF Snake模型的步态识别轮廓提取

步态识别作为一种新的生物识别技术,通过人走路的姿势实现对个人身份的识别和认证。步态特征提取是步态识别的关键步骤。采用背景消减法与对称差分法相结合对运动人体分割,采用改进的GVF Snake模型对人体运动步态轮廓进行边缘提取。实验结果表明该方法能准确高效地提取边缘特征作为步态识别的特征。     

基于动态心电信号的实时身份识别算法

心电图(ECG)信号因其具备易于监测、个体唯一性等特点在生物识别领域受到广泛关注.针对身份识别的准确性和实时性问题,给出一种快速鲁棒的、适用于微型化嵌入式平台的心电信号身份识别算法.首先,利用动态阈值法提取稳定波形用于快速生成心电模板样本和测试样本;然后,基于优化动态时间弯曲(DTW)法进行差异度计算得到识别结果;其次,考虑心电信号为非稳态时变信号,为保证模板数据与人体体征状况的一致性,对心电模板库进行动态更新管理以进一步提高识别准确性与鲁棒性.对MIT-BIH心律失常数据库和自建心电数据库的分析结果表明:所述算法的识别成功率最高达到98.6%;在安卓移动端,动态阈值与优化DTW法一次运算平均时间分别约为59.5 ms和26.0 ms,实时性能显著提高.     

CNN与决策树结合的新型人体行为识别方法研究

基于智能手机内置加速度传感器的人体行为识别是近年来人工智能领域一个研究热点,传统的贝叶斯、极速学习机、决策树等识别方法都必须先针对加速度传感器采集数据提取时频域特征,并从大量的时频特征中进行特征优选。本文采用深度学习中卷积神经网络算法（Convolutional Neural Network）在大数据量与小数据量两种情况下分别进行特征学习,直接读取智能手机内置三轴加速度数据,自动提取加速度信号的特征,利用自动提取出来的加速度数据特征,结合决策树算法实现人体行为的分类识别。实验表明,该识别方法准确率较传统机器学习方法提高了1.1%～5.2%,尤其在大数据量下准确率提高更为明显。     

一种基于模型的步态识别方法

该文提出了一种简单有效的基于人体骨骼化模型的步态识别方法。首先,对输入的步态序列自动进行背景初始化;然后分割图像中运动人体的侧面影像,并进一步细化为人体的骨骼化模型;从模型中提取人体的静态参数(如身高、步幅)以及动态参数(如运动过程中关节点的位置、肢体角度);最后,应用标准的模式分类技术对个体的身份做出识别。实验结果表明,此方法通过提取可靠的步态特征,降低了数据处理的代价,而且得到了较为良好的识别性能。     

基于改进Canny算子和神经网络的人体行为识别模型

为了提高了人体行为识别的正确率,提出了一种基于改进Canny算子和神经网络的人体行为识别模型（ICanny-RBF）。采用改进Canny算子对人体行为图像进行预处理,提取人体行为轮廓,提取7个不变矩特征作为RBF神经网络的输入向量,训练出能够识别人体行为的RBF神经网络模型,并采用取k-means算法确定RBF神经网络聚类中心,采用Weizmann数据集进行仿真实验。仿真结果表明,与传统方法相比,提出的ICanny-RBF模型提高了人体行为的识别正确率。