基于Procrustes均值形状和Fan-Beam变换的步态识别

针对单一特征进行步态识别的局限性,为了得到更准确的识别结果,利用动静态信息的互补性,将两者结合起来进行身份识别。首先用Procrustes均值形状提取步态轮廓形状静态特征,然后计算步态能量图(GEI),再对GEI进行Fan-Beam变换,使用二维主成分分析进行特征空间降维,得到运动目标的频率动态特征,最后将两个特征欧氏距离融合起来获得最后的识别结果。在中科院的Dataset B数据库上进行实验,达到了预期的识别效果。     

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.     

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。     

基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

采用PHOG融合特征和多类别Adaboost分类器的行为识别

为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题,本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI),分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合,作为一种多层次的行为特征描述;然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器,实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%,高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合,可以有效描述不同尺度下的动作细节特征,增强了人体行为特征的描述能力,提高了识别性能。     

履带式挖掘机器人CCD道路识别

为实现液压挖掘机器人的无人操纵、自主作业,对小松液压挖掘机进行机器人化改造,在对挖掘机行走机构、回转机构、工作装置实现全液压电液比例控制技术的基础上,通过电荷耦合器件(Charge Coupled Devices,CCD)摄像头采集室外规定路径图像,图像经平滑、去噪、二值化、边缘提取等处理后,对路径进行识别,将路径识别特征量作为履带式液压挖掘机左右行走液压马达的驱动控制信号,实现挖掘机对路径轨迹的自主跟踪.在二值图像基础上,采用直接边缘检测和跟踪边缘检测相结合的识别方法,保证路径识别可靠性.改造后的挖掘机器人集机械、液压、自动控制、机器视觉等技术于一体,采用摄像头获取路径图像,构成视觉伺服控制系统,控制挖掘机的行走机构,经实验验证是可行的.     

基于HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。     

汽车车架纵梁图像特征提取及识别

本文在研究了多种汽车车架纵梁图像后,提出了基于小波变换理论和ART1神经网络的在线识别方法.针对汽车车架纵梁上孔的分布特征这一重点,采用两种方法进行特征提取.首先,通过小波分解提取图像小波系数能量特征;然后把纵梁图像分成16(4×4)个子块,根据本文提出的编码原则依次提取纵梁图像上孔的特征.将特征输入神经网络进行识别,实验表明本文提出的方法是有效的.     

基于导轨面图像特征雷达图的磨损状况识别

为解决精密机床导轨面磨损缺陷及缺陷程度的识别问题,提出一种基于导轨面图像数据雷达图重心特征的表面磨损识别方法。首先提取导轨面图像数据的灰度均值、歪度、峭度、扁度和投影方差作为磨损状况识别的原始特征;然后采用雷达图技术将特征数据可视化,并提取雷达图的重心特征;最后采用支持向量机技术设计分类器,同时采用雷达图重心特征和磨损缺陷原始特征进行分类,并与实验检测的导轨面磨损数据进行对比分析。计算和实验结果表明: 基于雷达图的图像数据重心特征可有效地识别导轨面是否磨损,并能在一定程度上判别导轨面的磨损程度。     

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%。