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。     

基于度量学习的步态识别比较研究

步态识别是一项根据人在行走中的动作特征进行身份识别的技术,与其他生物特征识别方法相比,其可以实现远距离、非接触识别,在监控、安防等领域有着广泛的应用。度量学习在模式识别任务中起着非常重要的作用,其从训练样本中学习出合适的距离函数来度量样本间的相似性,以提高识别率。为此,从度量学习视角对步态识别问题进行研究,比较分析几种经典的度量学习方法在步态识别中的性能表现。首先从步态序列中提取步态能量图作为行人的步态特征,然后使用度量学习方法学习距离度量,使得在该度量下同一类样本间的距离最小化和不同类样本间的距离最大化,以提升步态识别的正确识别率。在广泛使用的CASIA-B与CASIA-C步态数据集上进行了一系列的对比实验,实验结果展示了几种度量学习方法的识别性能,为今后的步态识别研究提供了一些基准结果。     

用于亲属关系鉴别的成对约束组合度量学习

针对现有的度量学习方法存在训练参数多,容易导致过拟合和鲁棒性差的问题,提出一种成对约束组合度量学习方法(pairwise constrained compositional metric learning, PCCML),利用数据集中生成的局部判别度量,学习各组份度量的最优权重组合。在大边距框架下,PCCML通过约束正样本对马氏距离小于较小的阈值,负样本对马氏距离大于较大的阈值,有效提高了鉴别精度。在KinFaceW-I和KinFaceW-II基准数据集上的试验结果表明了所提出的PCCML方法对鉴别亲属关系问题的有效性。