改进的步态光流图与视角相结合的身份识别

提出将改进的步态光流图(LK-GFI)与视角相结合的方法来解决步态识别易受视角影响的问题。该方法采用La-cus-Kanade(LK)光流法获得连续两帧侧影图像间的光流场,并构造步态特征图像LK-GFI,利用成像原理计算人的行走方向以确定视角。首先,离线建立目标在各视角下的LK-GFI数据库;然后,提取待识别人的当前视角和LK-GFI;最后,用欧式距离度量同一视角下待识别人与目标的LK-GFI之间的相似性。分别采用CASIA数据库和实际室内获得的步态序列对该方法进行了验证。结果显示,错误拒绝率分别为7.95%和9.12%,与采用传统的步态能量图(GEI)相比分别降低了12.5%和14.45%;与采用步态光流图(GFI)相比分别降低了7.77%和6.74%。该方法识别准确性高,实时性强,对多视角有较强的鲁棒性。     

密集遮挡条件下的步态识别

步态识别算法主要依赖行人目标的时序轮廓进行特征提取和判别。在实际应用中行人具有结伴行走的特点，轮廓提取易受到其他行人的遮挡和干扰，大幅降低了步态识别算法的精度。为提高人员密集遮挡严重的场景下步态识别算法的鲁棒性，提出一种基于无序序列的深度步态识别算法。首先在Casia-B数据集的基础上进行仿真，建立遮挡情况下的目标轮廓仿真数据集，用于对算法进行遮挡鲁棒性验证；其次，提出基于随机二值膨胀的数据增广方法，同时通过理论和实验论证了HPP(Horizontal Pyramid Pooling)结构在步态识别问题中的局限性，提出退化水平金字塔结构DHPP，利用DHPP结构、CoordConv方法和联合训练裁剪方法的配合，在深度特征中增强绝对位置信息的感知能力，提升算法遮挡鲁棒性的同时减少目标特征表达维度。实验结果表明，所提方法对于步态识别的鲁棒性提升效果明显。     

一种仿真数字人步态规划优化算法

为了研究下肢骨骼服的行走步态.构造了HL-1(华理1号)仿真数字人体模型,并对数字人进行了步态规划.为了确保数字人行走的稳定,避免数字人行走过程中关节驱动的冲击,减小脚与地面的碰撞,在考虑前向与侧向运动存在耦合的条件下,提出了将正运动学和逆运动学方法相结合的步态规划优化算法,克服了原有的数字人步态求解方法的不足.应用该算法求得步态周期函数,仿真数字人在Matlab和Adams环境下进行了协同仿真,实现了数字人的平稳行走,验证了该步态规划优化算法的可行性.     

采用蝙蝠算法进化相关向量机的假肢步态识别

为了提高假肢穿戴者步态识别准确率,提出了一种高阶过零分析技术分析表面肌电信号的假肢步态识别方法。该方法针对假肢穿戴者步态识别过程中的多分类问题,选择表面肌电信号（surface electromyogram signal,简称sEMG）作为步态识别信息源,将表征时间序列特性的高阶过零分析（higher order zero crossing analysis,简称HOC）方法运用于不同步态下的肌电信号的特征提取,结合相关向量机（relevance vector machine,简称RVM）建立了多分类步态识别模型,然后采用蝙蝠算法（bat algorithm,简称BA）对RVM分类器的核函数参数进行优化。实验结果表明,所提方法与粒子群算法优化相关向量机（particle swarm optimization-relevance vector machines,简称PSO-RVM）及RVM等方法相比,对于平地行走、上楼、下楼、上坡和下坡5种步态的识别准确率均高于PSO-RVM和RVM等方法。     

基于二次特征提取与SVM的异常步态识别

长期以异常步态行走将导致人体足部、踝关节、大腿疼痛乃至身体骨骼疾病.针对目前普遍采用的基于计算机视觉的步态识别技术对数据采集环境要求严苛、视频图像分析受环境影响较大等问题,基于人行走时的足底压力变化特征进行步态识别,足底压力数据经由穿戴式步态采集器,可以不受环境限制且能实现较远距离的步态识别.并提出一种基于二次特征提取与支持先向量机的异常步态识别方法.该方法采用主成分分析法对从足底压力变化曲线中提取出来的步态特征进行二次提取.获取包含样本数据信息的主要特征信息,通过多分类支持向量机模型对步态进行识别.实验结果表明:该方法对异常步态的平均识别率达到92.625 5%,具有较高的识别精度.     

基于规则进化模糊系统的步行方向意图识别

为了准确识别下肢功能障碍患者自主步行康复训练过程中的方向意图,提出了一种能够兼顾使用者个体差异及安全状态的新型步行方向意图识别方法。首先论述了康复训练机器人结构及患者前臂对机器人支撑板的压力和步行方向意图的关系。为保证患者安全地向任意方向行走,提出根据膝盖旋转角度推理安全步态的先决条件下,基于距离型模糊推理算法设计具有稀疏前件规则库的步行方向意图识别方法;然后为减小因个体差异、非稳定模糊规则引起的识别误差,提出规则进化算法实时优化模糊推理规则库。最后将该算法进行了多方向模糊推理实验与步行康复训练机器人压力控制实验,实验表明该算法可以准确识别下肢功能患者的任意步行方向意图并提高了步行的安全性,提出的步行方向意图识别方法可以应用在下肢功能障碍人士的日常起居与康复训练中。     

采用鱼群算法进化极限学习机的假肢步态识别

为提高下肢假肢步态识别的准确性,提出一种基于鱼群(fish swarm,简称FA)算法优化极限学习机(extreme learning machine,简称ELM)的模式识别方法。首先,提取张量投影特征,分析了特征值选取的合理性;其次,采用主成分分析法降维;最后,利用鱼群算法进化极限学习机分类识别平地行走、上楼、下楼、上坡及下坡5种步态,识别准确率达到97.45%。通过实验比较了该算法与极限学习机等分类器在假肢步态分类上的识别准确率与识别时间,结果表明,FA-ELM方法识别准确率优于其他方法。     

融合步态和人脸特征的远距离身份识别研究

在单一摄像头获得的步态图像序列中将步态信息和人脸信息相融合进行实时的远距离身份识别。在步态图像序列中自动提取侧面人脸图像。采用基于傅里叶描绘子和关键点特征的方法提取步态特征,采用傅里叶变换和奇异值分解的人脸识别方法对步态图像序列中的侧面人脸进行特征提取。利用欧氏距离作为度量建立匹配函数。在中科院自动化研究所CASIA步态数据库中进行实验,通过对单独利用步态特征和人脸特征进行识别的识别率和通过最大法则、加法法则和乘法法则融合后进行识别的识别率进行比较,实验表明将步态和人脸特征相融合可有效地提高了识别率,识别率可达95.00%。     

基于区域特征的步态识别研究

步态识别主要是以人走路的姿势来识别其身份。为了能准确快速地识别,本文依据步态的周期性,以一个步态序列中的6帧特殊图像来描述步态的变化,再提取步态髋关节以下部分作为研究对象,确定髋关节以下部分的质心,以质心为原点,建立坐标系。将髋关节以下的部分划分成36个小区域,以周期变化的区域面积作为特征,描述步态的周期变化。这样既可以较全面地描述一个步态的信息,又降低了维数,减小计算量。同时引入最近邻分类器进行分类。实验证明,该算法不仅能得到较好的识别率,并且计算速率快。     

基于节点迭代模糊Petri网的非接触异常步态识别方法

为了准确识别下肢功能障碍患者辅助行走中的跌倒、拖拽式异常步态,从多种用户群体的普适性与便捷性出发,提出了一种基于节点迭代型模糊Petri网的非接触式异常步态识别方法。首先,论述了康复训练机器人结构及辅助行走过程中跌倒与拖拽式异常步态的行为特征;然后研发了一种多通道近距离传感器阵列实时检测步态信息,并融合了步行方向意图向量提出采用步态偏离度、频率和躯干倾斜角度作为检测系统输入参数;基于模糊隶属度函数生成网络点燃机制,并建立节点迭代型模糊Petri网系统识别异常步态;最后进行了异常步态算子推理与多模态行走跌倒检测实验,表明该算法对使用步行康复机器人过程中异常步态识别率达到91. 2%并提高了辅助行走的安全性与舒适性。所提方法可以应用于下肢行动不便人群使用类似助行器的日常起居与康复训练场景。