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。     

基于相位一致性改进的步态识别方法

为克服步态轮廓变化对步态识别的不利影响,采用步态能量图改进对数Gabor相位一致性特征,提出一种新的步态识别方法。利用局部能量计算方法及频率扩展与噪声补偿策略,使提取的步态特征更具识别性和定位性,并对该步态特征进行线性判别分析降维。应用基于欧氏距离的最近邻分类器在CASIA和USF步态数据库上进行测试,结果表明该方法在个体携包行走、穿着和视角变化的情况下均能较好地识别步态轮廓,相比现有步态识别方法具有更高的正确识别率。     

基于加权行质量向量的步态识别方法

为在降低样本训练时间的同时提高数据分类能力,提出一种基于加权行质量的步态识别方法,提取人体轮廓行质量向量作为步态特征,分析特征向量各元素的贡献度从而对特征向量进行加权,采用归一化欧氏距离度量相似度,并使用最近邻分类器进行分类。在CASIA数据库上的实验结果表明,该步态识别方法既满足步态识别对实时性的要求又保证较高的识别率。     

基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算 法．首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到 平均步态能量图．接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为 观测向量实现了步态识别．最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好 的识别性能．     

基于人体轮廓面积特征的步态识别

为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对5种不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。     

多分类器信息融合的步态识别算法

融合运动人体整体轮廓和局部关节的特征信息,提出了一种新的步态识别算法。对每个序列进行运动轮廓抽取,从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,转换为对应的特征向量;对级联的特征向量分别采用离散正交小波变换(DWT)和核主元分析法(KPCA)提取轮廓时空变化所蕴涵的非线性步态信息,构成两个独立的全局特征分类器。对运动人体髋关节和膝关节建模,根据步态运动的准周期性,将关节角度时序信息按傅里叶级数形式展开,采用遗传算法搜索各次谐波的系数并进行尺度变换,生成局部关节时变特征向量,构成局部特征分类器。最后采用贝叶斯多分类器融合决策规则,融合整体和局部特征。在CMU步态数据库中进行实验,结果验证了算法的有效性,识别性能和验证性能都获得有效的提高。     

多特征和多视角信息融合的步态识别

提出了一种基于多特征和多视角信息融合的步态识别方法。应用背景差分和阴影消除获得人体步态轮廓,对人体轮廓使用伪Zernike矩、小波描述子和Procrustes形状分析法进行了特征提取。通过多特征和多视角步态信息融合,完成了基于人体步态特征的身份识别。该方法在CASIA步态数据库上进行了实验,取得了较高的正确识别率,实验结果表明本文所提出的识别方法具有较高的识别性能。     

基于行走时脚摆角的步态识别方法

提出一种利用脚摆动特征进行步态识别的方法。对步态序列图像进行背景提取、图像差分、阈值分割、形态学后处理后,提取行走时的脚摆角作为特征参数,再分别采用BP神经网络、最近邻分类器和K近邻分类器法对这些特征数据进行识别分类与比较分析。实验结果表明,与同类方法相比,该方法可以更快速地进行步态识别,且识别性能较好。     

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别,针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点,提出了一种基于步态能量图像和2维主成分分析的步态识别方法.该方法首先应用背景减除法分割出人体轮廓;然后通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成;最后运用行列相结合的2维主成分分析((2D)~2PCA)方法与加权的2维主成分分析(W(2D)~2PCA)方法提取特征主向量,并采用最近邻分类器进行分类.实验结果表明,该步态识别方法可以有效降低前期处理对分类识别的影响,而且对于3种不同行走状态的CASIA数据库巾多个视角下拍摄的步态图像可取得很好的识别效果.     

红外图像中基于混合特征的步态识别方法

针对夜间行人的身份识别问题,结合步态轮廓形状特征及模型投影特征,提出一种红外图像中的混合步态识别方法。采用Radon变换获取步态图像的形状特征,建立3D自适应人体模型,给出基于3D模型的跟踪方法,以获得步态模型特征,并利用SVM进行分类。实验结果表明,该方法具有一定的鲁棒性,识别率可达95.28%。     

View-invariant gait recognition based on kinect skeleton feature

Gait recognition is a popular remote biometric identification technology. Its robustness against view variation is one of the challenges in the field of gait recognition. In this paper, the second-generation Kinect (2G–Kinect) is used as a tool to build a 3D–skeleton-based gait dataset, which includes both 2D silhouette images captured by 2G–Kinect and their corresponding 3D coordinates of skeleton joints. Given this dataset, a human walking model is constructed. Referring to the walking model, the length of some specific skeletons is selected as the static features, and the angles of swing limbs as the dynamic features, which are verified to be view-invariant. In addition, the gait recognition abilities of the static and dynamic features are investigated respectively. Given the investigation, a view-invariant gait recognition scheme is proposed based on the matching-level-fusion of the static and dynamic features, and the nearest neighbor (NN) method is used for recognition. Comparison between the existing Kinect-based gait recognition method and the proposed one on different datasets show that the proposed one has better recognition performance.     

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.     

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。     

基于堆叠深度卷积沙漏网络的步态识别

提出了一种基于堆叠深度卷积沙漏网络的步态识别方法。为了解决人体建模中关节点准确定位的问题，采用基于深度卷积的沙漏网络来提取步态图上的关节点坐标，并计算肘关节与膝关节的角度作为运动特征。为了解决行走速度变化带来的影响，采用动态时间规整（Dynamic Time Warping）对特征序列进行距离计算。通过最近邻分类器对结果进行准确分类。该方法在公共CASIA-B数据集与TUM-GAID数据集上进行了验证并与其他方法进行比较，结果表明该方法有较高的识别率。     

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。     

Gait recognition using multi-bipolarized contour vector

Gait recognition has recently attracted increasing interest from the biometric community. In this paper, we propose a simple yet powerful new feature called multi-bipolarized contour vector (MBCV) for gait recognition. The proposed MBCV feature consists of four components: (1) the Vertical Positive Contour Vector, (2) the Vertical Negative Contour Vector, (3) the Horizontal Positive Contour Vector, and (4) the Horizontal Negative Contour Vector. We furthermore develop a gait recognition system based on the proposed MBCV feature. The system consists of three steps: image preprocessing including background subtraction and silhouette normalization, extraction of the MBCV feature, and classification. To reduce the dimensionality of MBCV, we use principal component analysis (PCA). To solve the classification problem, we use the Euclidean distance and a nearest neighbor (NN) approach. Finally, we fuse the proposed gait features at all levels to improve recognition performance. The proposed recognition system is applied to the well-known NLPR gait database and its effectiveness is demonstrated via comparison with previous works.     

基于L1范式的分块2DPCA人脸识别方法

在人脸识别中,增强人脸图像的重构效果和识别方法的鲁棒性一直是其中的技术难点。为了提高识别性能,先对图像矩阵进行分块,同时用一种新的图像信息熵自适应加权模式对人脸不同分块区域赋予不同的权值,然后直接应用L1范式代替L2范式进行图像特征抽取,最后用最近邻分类器进行分类。实验结果表明,新方法在识别性能上优于基于L1范式的2DPCA方法(2DPCA-L1),比2DPCA-L1更具有鲁棒性,显著地提高了有遮挡图像的重构效果。     

基于余类零空间与最近距离的人脸识别算法

提出了一种新的人脸识别算法,即基于余类零空间与最近距离的人脸识别算法. 通过构建不同类别的人脸图像的余类零空间与子空间,可以将不同类别的人脸最大化地区别出来. 本算法的主要思想在于：测试图像与所属类别图像的子空间之间的距离最小,而与所属类别的图像的余类零空间距离最大. 本算法基于ORL数据集与AR数据集进行了测试. 从这些人脸数据集上的测试结果可以看出,本文提出的算法在PCA降维方法的基础上,比一些常见的算法所使用的判别方式更有效,如最近邻分类器（NN）所使用的最近距离判别方式、最近空间分类器（NS）所使用的最近空间距离判别方式、最近最远子空间分类器（NFS）所使用的最近最远空间距离判别方式等.