基于组合特征的步态识别

基于步态的身份识别是近几年出现的一种新的生物识别技术。提出了一种融合静态特征与动态特征的步态识别方法,该算法使用小波矩描述步态序列图像的静态特征,接着使用主元分析法对小波矩进行降维,而图像的动态特征则用人体轮廓的3个宽度特征来描述。最后,通过实验证明了该算法的有效性。     

基于双特征匹配层融合的步态识别方法

步态识别是根据人类走路的姿态来进行远距离的身份识别。针对轮廓不完整的图 像和关键帧容易造成部分信息丢失而引起的识别率下降问题,提出一种基于双特征匹配层融合 的步态识别方法。步态既有静态图像特征,又有动态速度变化特征,因此本文提出用匹配层融 合方法将静态的 Hu 矩 6 个不变矩特征和动态的帧差百分比特征融合后进行步态身份识别。首 先对一个周期内的归一化步态图像进行 Hu 矩特征以及帧差百分比的特征提取,将 Hu 矩 6 个不 变矩特征描述成一个特征向量,然后运用匹配层融合算法对 2 个特征进行融合;最后使用 K 近 邻分类器进行身份识别。实验表明,该方法较单一方法能够有效地提高步态识别正确率。     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

基于特征融合的步态识别算法研究*

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线,并采用傅里叶描述子表达人体轮廓特征;依据人体解剖学的知识定位下肢关节点,并提取下肢角度特征;分别对两种特征进行匹配,然后采用特征融合的方法对匹配结果进行处理。实验结果表明,本算法的性能较基于单个特征的步态识别算法有明显的改善。     

基于步态识别的远距离身份认证

通过人走路的姿势实现对个人身份的远距离识别和认证是当前生物特征识别研究领域的一个研究热点。算法利用步态轮廓图像边界到重心的距离矢量对步态轮廓图像进行人体运动的静态形状描述,采用连续隐马尔可夫模型对人体运动时从一个动作到另一个动作的过渡进行动态描述。算法在CMU数据库上面进行实验取得了较高的正确识别率。     

Choquet模糊积分特征融合的步态识别

研究一种利用Choquet模糊积分对小波矩特征和人体宽度特征进行融合的步态识别算法。该算法对每个步态序列采用背景减除法提取人的二值化的运动轮廓图像序列,利用人体步态周期图像的小波矩特征和宽度特征对提取出的步态轮廓进行描述,得出的小波矩特征和宽度特征根据重要性作为总体特征输入,运用Choquet模糊积分融合选取SVM分类器进行识别,识别结果与最新的线性加权融合识别方法进行比较,结果表明Choquet模糊积分方法有较好的识别效果。     

基于Haar小波和融合HMM的步态识别方法

为解决步态识别中每个区域的步态特征要点匮乏问题,提出一种基于Haar小波及融合的隐马尔可夫模型Fused-HMMs(fused hidden Markov models)的步态识别方法。该方法首先把视频序列中的图像转换成二进制轮廓,利用Haar小波变换取得显著的步态特征要点;其次采用两个子图像来表示各个轮廓的步态特征,并通过主成分分析法减少维数;最后,利用融合HMM进行训练和测试。仿真结果表明该方法不仅可以简化步态辨识过程,而且还能够提高识别准确率。     

用轮廓的点分布特征分析和识别步态

提出了一种轮廓点分布特征匹配方法来分析和识别行人步态。首先通过设计一种轮廓采样点区域分布直方图分析了步态的周期性特征,提取了一个步态周期的帧图像轮廓;继而采用一种局部轮廓描述子得到帧图像轮廓的点分布直方图阵列作为轮廓特征、用轮廓点集间的Hausdorff距离结合动态时间规整技术求取测试序列和参考序列间的匹配相似度;最后通过分类实现了人体步态识别。在Soton步态数据库进行了实验,正确分类识别率最高达到90.27%。相关文献的对比分析表明：该方法的识别率有较大的提高,是有效的。     

步态骨骼模型的协同表示识别方法

针对目前步态识别中极易受到服饰和携带物等影响的难题,提出一种基于Kinect获取骨骼模型的步态识别新方法。对步态3D骨骼模型提取人体总质心,并与在步态周期中富有运动特征的人体四肢分质心的活动信息结合,分别得到动态与静态特征。动态特征可看作是周期信号,使用小波分解和带高斯滤波的离散傅里叶变换进行频谱处理,消除了外界干扰并增强了特征之间的差异性。通过动态时间规整算法把步态骨骼特征投影到相异空间,用协同表示进行匹配和归一化加权融合,最后根据最近邻算法进行分类识别。实验证明,该方法与稀疏表示识别算法相比得到了较为理想的识别效果,为步态识别在身份认证的应用领域提供了可靠的理论基础。     

基于LBP和HOG特征分层融合的步态识别

针对步态能量图（GEI）在提取人体信息时只描绘出了轮廓信息,而丢失了内部特征的局限性,提出一种基于人体目标图像的局部二值模式（LBP）与方向梯度直方图（HOG）分层融合的GEI识别算法。该算法步骤包括：首先用光流法提取步态周期,获得一个周期的步态能量图（GEI）;然后分三层提取GEI的LBP特征,得到三层的LBP图像;依次提取每层LBP图像的HOG特征,最后将每层提取的LBP和HOG特征融合,得到每层的新特征;最后将三个新特征依次融合成可以用于识别的最终特征。通过几种方法对CASIA和USF步态数据库的实验对比,提出的算法取得了更高的识别率。     

融合理论在步态识别中的应用研究

近年来,基于信息融合理论的步态识别已成为生物特征识别领域最为活跃的研究方向之一。从特征级融合和决策级融合两种层次,多特征融合、多模态融合以及多视角融合3个方面对融合理论在步态识别中的应用进行了综述。进一步,为了研究融合理论对步态识别算法性能的影响,提出一种融合了静态形体特征和动态模型特征的步态识别算法。通过在CMU步态数据库上的详细实验比较和分析,研究了不同融合策略以及步速变化对步态识别算法性能的影响。     

不变矩系数拟合的步态识别

根据综合利用步态的静态和动态信息的思想，结合不变矩描述图像几何特性的功能，从步态序列提取不变矩作为步态特征进行识别。采用傅立叶级数描述步态图像序列人体轮廓不变矩的变化，利用遗传算法搜索傅立叶级数的系数，最后再用k近邻分类器对不变矩变化的幅度信息分类。在CMU步态数据库上进行的实验，达到了90%以上的识别率。结果表明，该方法具备很高识别性能，能较好地利用步态的静态和动态信息。     

基于下肢轮廓特征的步态周期算法

步态周期是步态的一个重要特征,步态识别是建立在准确的步态周期分割之上的。本文提出了一个基于下肢轮廓的步态周期检测方法,首先对步态序列图像进行灰度化,然后计算各像素点在步态图像序列中的中值,获取整个步态序列图像的背景,提取人体目标后,利用数学形态学方法和区域跟踪算法填补二值化图像中的空洞;采用轮廓跟踪算法获得人体下肢轮廓,并将其转换为对应距离向量,在一个步态系列中利用距离向量范数研究步态周期。本算法计复杂度低,鲁棒性好,精确度高。     

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。     

基于特征融合和神经网络对步态识别仿真研究

研究人体步态识别问题,根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,最后将得到的融合特征向量输入到神经网络进行学习,从而实现步态的分类和识别。在CASIA步态数据库上进行对比仿真,仿真结果表明,方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

基于步态触觉信息的图书馆智能机器人异常状态检测系统

针对当前图书馆智能机器人步态识别准确率低,导致异常状态检测效果差的问题,提出基于步态触觉信息的图书馆智能机器人异常状态检测和分类。采用基于局部空间信息加权的K-means算法对静态步态图像进行分割处理,分别构建基于改进K-means的CNN网络模型和基于时域注意力的3D残差网络模型,通过这两个模型对静态、动态步态进行特征提取和识别。实验结果表明,对比于SVM分类器,改进K-means算法的CNN网络模型静态步态识别准确率高达98.7%;3D-CNN模型的动态步态分类准确率为99.72%,均高于其他分类模型。最后结合两种算法进行异常状态检测发现,本算法的分类准确率、敏感度和特异性分别为95.42%、95.53%、94.37%。综合分析可知,提出的算法能够实现静态动态的准确识别和异常状态检测,具有一定有效性。     

基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

基于小波变换和支持向量机的步态识别算法

为了快速准确地进行人体运动步态识别,基于运动人体的轮廓宽度特征,提出了一种新的步态识别算法。该算法首先对每个序列进行运动轮廓抽取,同时从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,并分别转换为对应的特征向量;然后通过对级联的特征向量进行离散正交小波变换来提取低维步态特征,并抑制噪声;在此基础上采用支持向量机训练步态分类器组,最后用支持向量机组进行步态识别。在一组30人构成的步态数据库中进行的实验结果表明,该算法具备快速、稳健的特征,识别率达到91%,初步具备了实际应用的价值。     

基于下肢轮廓角度距离和步幅变化的步态识别算法研究

在视频监控系统中进行实时步态识别,不仅需要保证高识别率,同时需要尽量缩短识别时间。因此,提出一种基于下肢轮廓角度距离和步幅变化的步态识别算法。该算法对提取的轮廓图像按其最小外接矩形进行裁剪,并在保持宽高比不变的情况下,按照所有图像的最大高度进行图像缩放;提取一个周期内所有图像帧的质心高度、步幅,以及以骨盆关节点为依据的相邻两帧图像之间的下肢轮廓角度距离变化率作为步态特征;通过动态时间规整(DTW)算法和K近邻算法分别完成相似性度量和分类识别。实验结果表明,该算法能够较好地平衡识别率和时间代价之间的关系,以较短的时间实现用户身份高识别率,同时对衣着和背包状态具有较好的鲁棒性。     

采用不变矩傅氏级数表示的步态识别

步态作为唯一具备远距离识别能力的生物测量特征已经受到广泛的关注。步态序列包含人行走的静态和动态信息,综合利用这两方面信息是提高识别性能的关键。为了综合利用人行走的静态和动态信息来提高识别能力,提出了一种用步态的不变矩傅氏级数系数的幅值作为识别特征的步态识别方法。因为不变矩描述了人运动的静态信息,其在整个步态周期提取的特征则蕴含了人运动的动态信息,所以将不变矩作为识别特征用于步态识别。该方法首先计算每帧图像的不变矩;然后采用傅里叶级数来拟合整个不变矩系数序列,并用遗传算法搜索傅里叶级数系数;接着将这些系数的幅值表示为用于分类的特征向量;最后再用k近邻分类器对特征向量进行分类。通过对CMU步态数据库中的4种步态分别进行的实验结果表明,该方法对单独的矩可取得80%以上的识别率,而对级联的矩识别率则可达到90%以上。另外,该方法对部分遮挡也具有鲁棒性。实验结果和性能分析表明,这种结合静态和动态信息的识别方法是有效的。