基于能量图分解与运动偏移特性的步态识别

提出一个新的步态识别算法.首先通过计算轮廓图距离来检测异常步态轮廓图,并利用平均近邻图与平均轮廓图重建异常的图像.然后将对象的步态能量图分解为两部分,并分别为每一部分生成一系列扩展图像,从而构造出能量分解图.接着根据主干图与步态偏移图的对应关系消除静态形状信息,并进行脚部区域校正,从而构造出运动偏移图.最后,使用能量分解图和运动偏移图共同进行分类.实验结果表明,本文算法的识别率远远高于3个典型算法.     

基于步态能量图的隐马尔可夫模型身份识别

提出一种基于步态能量图的隐马尔可夫模型身份识别算法.首先预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离计算出步态周期,得到平均步态能量图.对能量图用K-均值聚类的方法生成观察向量,进行一维离散隐马尔可夫模型训练,用训练好的模型参数进行身份识别.最后在CASIA步态数据库上对所提出的算法进行实验.实验表明该方法具有较好的识别性能.     

远距离复杂背景鲁棒的步态特征提取与表示方法

远距离复杂背景下步态图像通常受到噪声的影响很大。Gabor特征在此类步态识别中显示了良好的特性,然而一些基于Gabor特征的算法使用较多的模板从而导致计算量增大。为解决这个问题,本文提出了一种新的基于改进Gabor特征的步态特征提取与表示方法。首先突出步态能量图中的有效区域,并抑制易受噪声干扰的区域。然后构造一个同时具有两个方向互补特性的基本的滤波器,经过缩放和旋转,生成一系列滤波器。使用这些滤波器对改进的步态能量图以及步态差异图像进行卷积,得到两个特征向量集合以表示此步态对象。使用最近邻分类计算出本文方法在USF步态数据库上的识别率,与相关算法的比较证实了此步态特征提取与表示方法的有效性。对算法的计算量分析表明,本文算法所需的计算量比相关算法有较大降低。      

基于Gabor相位谱和流型学习的步态识别方法

 提出了一种有效的基于步态能量图像的身份识别方法.首先生成合成步态能量图像(GEI)丰富训练集样本数量.然后利用在以前文献中被忽略的具有良好识别性能的Gabor相位信息作为身份特征,并采用流型学习算法保局影射(LPP)将此高维数据在低维空间表示.通过使用简单的分类策略在USF步态数据库上进行对比实验,结果表明本方法的正确识别率优于现有其他的自动步态识别算法.     

基于帧差能量图遗传算法的自遮挡步态识别

传统的步态识别方法在处理自遮挡步态识别问题时,通常由于从视频序列中分割出来的轮廓有噪声而不能很好地进行特征提取。为了解决这个问题,提出了基于帧差能量图(Frame Difference Energy Image,FDEI)的遗传算法(Genetic Algorithm,GA),首先采用数学形态学图像处理方法填平轮廓的漏洞并消除噪声,然后借助于步态能量图计算出步态图像的帧差能量图,接着从轮廓图像序列中提取出步态特征,最后,利用遗传算法完成步态的识别。在中科院自动化所-B(CASIA-B)步态数据库上实验验证了所提方法的有效性,实验结果表明,与几种先进的步态方法相比,所提方法在处理自遮挡步态识别问题上取得了更好的识别效果。     

基于加强步态能量图在非规范视角的步态识别研究

提出了一种基于加强步态能量图的非规范视角步态识别方法,解决了非规范视角下步态识别难题。视角转换方法将视角统一,采用背景减除法提取人体轮廓,引入步态周期检测方法确定步态周期,根据人体骨架参数模型得到加强步态能量图（E-GEI）,最后运用2DPCA方法提取特征向量,并采用最近邻域法分类。实验结果表明：E-GEI在各个视角下比普通的GEI在识别效果要更好。     

一种改进的步态识别方法

行走方向问题已经成为当今步态识别领域极富挑战性的课题.针对该问题,提出考虑到行走方向的步态识别算法,运用了全新的思路计算行走角度(DOW算法),并根据人体运动学模型和行走方向信息提取关键特征,引入了同时考虑到多类支持向量机算法和线性规划方法的lp-mc-sv算法识别,并对实验结果进行了分析.将本文算法应用于实际人体行走图像序列,获得了较为理想的识别率(80%).     

基于连续HMM与静态外观信息模型融合的步态识别

利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用隐马尔可夫模型并融合步态的静态外观信忠模型进行步态时变数据匹配识别.算法在CMU数据库上进行实验取得了较高的正确识别率.     

红外热成像在步态识别中的应用

为更有效地探测人体目标,提出了利用红外光进行人体成像及步态识别的新方法.首先将人体散发的红外光转换为电信号,经计算机处理后转换为红外步态图像,然后分割出人体目标并将其规格化叠加处理获取步态特征图,再提取包含整体模型信息的边界矩参数以及包含简化模型信息的骨架特征参数,以此作为步态特征识别参量输入至支持向量机(SVM)进行分类识别.使用自建的红外步态数据库(IRGD)进行实验,正确识别率(PCR)为71～92%,且识别效果受人体携带外物的影响不显著.     

基于菲涅尔区模型的年龄段识别方法研究

基于步态特征的行为识别技术是一种新兴的人机交互技术,在安保监控、图像处理等许多领域正发挥着巨大作用.目前已经提出的各种行为识别的技术手段中,基于商用的WIFI设备的相关技术因其易于部署、设备成本不高、对应用环境要求低等优势而得以广泛应用.现有的步态识别研究只可以识别出人的步态,但无法根据步态识别年龄段.在本文中,探讨了菲涅尔区域理论,提出了一种基于WiFi物理层信息的年龄段识别方法,即利用步态识别年龄段.使用菲涅尔区模型来学习步态特征,首先将动作数据集进行去噪处理来收集信道状态信息(CSI).然后基于菲涅尔区域模型提取信道相位信息的特征值来描述步态动作,最后利用分类算法实现年龄段识别.实验结果表明,该方法具有良好的鲁棒性,在不同的实验环境中的平均识别准确率达到91.2％.因此,本文提出的系统可以应用于复杂的室内场景,具有广泛的应用前景.     

Gabor phase based gait recognition

An effective gait recognition approach based on the gait energy image (GEI) representation is proposed. Synthetic GEIs are first created to address the problem of lacking training data. Then the Gabor phase spectrum of the GEI which was ignored in previous works is utilised as an input feature, and it is subsequently projected into a low dimensional space by linear discriminant analysis to perform classification. Experimental results show that the proposed approach outperforms other algorithms in terms of recognition accuracy.     

基于步态的身份识别

步态就是个体的行走方式，它作为一种适用于非接触式远距离身份识别的生物特征近来倍受关注。文章提出了一种简单有效的利用行人的步态特征识别身份的算法。对于每个序列而言，行人的重心偏移量首先被用来去除序列中的冗余图像帧；然后，从图像中提取二值化人体轮廓的宽度信息，通过对其进行特征空间变换和规范空间变换来获得可分类的低维步态特征；标准的模式分类技术用于最终的识别。     

用于步态识别的多层窗口图像矩

该文提出了一种以局部性矩统计量作为步态特征描述的步态识别方法。首先提取行人二值轮廓序列,构造一种基于直方图的轮廓点分布特征检测出步态周期;然后生成彩色步态运动历史图像CGHI描述步态的空间特征和时间信息;继而设计了多层同心矩形窗口分割CGHI,提取出一组矩形环窗口的矩特征量作为步态特征,在此基础上实现了步态识别。在Soton数据库上进行了实验,提出算法的正确识别率可达87.2%,优于现有方法。     

Human gait recognition based on Haralick features

This paper proposes a supervised feature extraction approach that is capable of selecting distinctive features for the recognition of human gait under clothing and carrying conditions, thus improving the recognition performances. The principle of the suggested approach is based on the Haralick features extracted from gait energy image (GEI). These features are extracted locally by dividing vertically or horizontally the GEI locally into two or three equal regions of interest, respectively. RELIEF feature selection algorithm is then employed on the extracted features in order to select only the most relevant features with a minimum redundancy. The proposed method is evaluated on CASIA gait database (Dataset B) under variations of clothing and carrying conditions for different viewing angles, and the experimental results using k-NN classifier have yielded attractive results of up to 80% in terms of highest identification rate at rank-1 when compared to existing and similar state-of-the-art methods.     

Gait recognition using Pose Kinematics and Pose Energy Image

Many of the existing gait recognition approaches represent a gait cycle using a single 2D image called Gait Energy Image (GEI) or its variants. Since these methods suffer from lack of dynamic information, we model a gait cycle using a chain of key poses and extract a novel feature called Pose Energy Image (PEI). PEI is the average image of all the silhouettes in a key pose state of a gait cycle. By increasing the resolution of gait representation, more detailed dynamic information can be captured. However, processing speed and space requirement are higher for PEI than the conventional GEI methods. To overcome this shortcoming, another novel feature named as Pose Kinematics is introduced, which represents the percentage of time spent in each key pose state over a gait cycle. Although the Pose Kinematics based method is fast, its accuracy is not very high. A hierarchical method for combining these two features is, therefore, proposed. At first, Pose Kinematics is applied to select a set of most probable classes. Then, PEI is used on these selected classes to get the final classification. Experimental results on CMU's Mobo and USF's HumanID data set show that the proposed approach outperforms existing approaches.