一种采用高斯模型的步态轮廓分割算法

步态识别中大多采用步态轮廓作为识别特征,因此提取完整封闭的运动人体轮廓以准确表达步态特征是正确识别的前提。本文提出一种采用高斯模型的步态轮廓分割算法。在人的运动方向与摄像机成像面平行和摄像机静止的条件下,假设序列图像所有帧中对应像素点背景时刻的灰度值在时间轴上是高斯分布,而目标时刻不满足这种分布,采用统计推断的方法分割出运动目标轮廓。实验结果表明,本文算法不仅能够提取出完整的人体轮廓,并且能有效地去除噪声,对阴影抑制也有一定效果,能够提高步态识别率。算法直接在RGB空间或灰度空间进行,无需进行颜色空间转换,也无需建立单独的背景图像,计算量小,处理实时性高。     

基于新时空融合的步态轮廓分割算法

从人体步态图像视频序列中,提取完整的人体区域是人体运动步态识别的一个重要环节.提出一种新的人体运动目标分割算法,无需小波反变换.结合背景减除法和帧间差分法所得到的二值结果来进行运动估计,对当前帧图像采用一阶小波变换,利用高阶线性插值算法将小波变换的LL分量扩展与当前帧图像同样的大小,采用分水岭分割算法把扩展后的LL分量图像分割成许多封闭而不重叠的小区域(空域分割),进行时空融合.可以在NLPR步态数据库中进行实验,结果表明,算法能够精确地识别完整的人体区域,拥有良好的抗噪性和适应性,进一步提高识别率.     

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。     

基于改进C-V模型的步态轮廓提取方法

为从步态图像视频序列中提取运动人体轮廓,提出一种新的分割算法。结合背景减除法和对称帧差法初步提取运动人体区域,采用形态学方法消除噪声和阴影,提取较完整的人体轮廓,将此轮廓作为改进C-V模型的初始零水平集,通过少量迭代达到细化人体轮廓的目的。在NLPR步态数据库上的实验表明,该方法能提取完整、精确的运动人体轮廓,消除了大量阴影,具有良好抗噪性且时间复杂度低、识别率高。     

引入区域种子的多运动目标分割算法

针对智能监控系统中对多个运动目标进行图像分割这一问题,提出一种引入区域种子的多运动目标分割算法.算法首先利用背景减算法获得包含多个运动目标的前景图像,再利用四叉树分解方法获得与前景图像对应的稀疏矩阵,通过稀疏矩阵中数值的分布情况,计算出包含运动目标的区域种子点,从这些种子点出发,利用主动轮廓模型进行并行目标轮廓提取,最终完成多运动目标图像分割.实验结果证明本文算法能有效分割出前景图像中多个运动目标,分割结果与人眼视觉的判断相近,并行轮廓提取使算法具有良好的实时性.     

基于背景差分法的运动目标分割

运动目标分割在基于视频的运动目标检测与识别研究中发挥着重要作用。以图像差分法为基础,实现了一种复杂背景下快速分割运动目标的方法。通过中值滤波对原始图像进行预处理;运用改进的Surendra算法快速提取并更新背景图像;利用数学形态学运算对差分二值图像进行处理,进行运动区域的初始检测;将RGB图像转换到HSI域中进行适当的阴影去除,完成运动目标分割。实验结果表明该方法能够较为有效地分割出感兴趣区域(ROI)内的运动目标。     

基于集成学习支持向量机的步态识别

提出一种基于Bagging算法和SVM的步态识别方法。首先应用背景差分法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。采用SVM分类器进行分类识别,为了提高SVM的识别率,采用Bagging算法对分类结果进行分类集成,实验结果表明,该算法取得了很好地识别性能。     

一种基于改进ViBe的运动目标检测方法

针对ViBe算法存在的不能有效去除背景噪声以及鬼影现象,提出一种结合帧差法和ViBe算法的改进算法。首先利用帧差法提取出运动目标的轮廓,然后根据得到的轮廓粗提取运动目标区域,最后在得到的运动目标区域基础上分类进行ViBe算法更新背景并分割出完整的运动目标。实验结果表明,此算法能够有效抑制噪声以及鬼影造成的影响,在速度方面也比原算法有所提高。     

高分辨率遥感图像中桥梁自动识别方法研究

提出一种针对高分辨率遥感图像中桥梁自动识别新算法。该算法从桥梁与河流的位置关系出发,结合遥感图像的成像特点和桥梁目标的形状特征,运用模糊处理,轮廓搜索和直线拟合识别桥梁目标。整个算法流程大致可分为三个步骤,首先在底层处理运用二维特征模糊分割水体区域;然后在中层处理中,通过水体轮廓搜索潜在桥梁点,并进行直线拟合提取初略桥梁目标;后处理中则对由于环境干扰所造成的断点进行连接,恢复出完整桥梁。试验结果表明该文算法具有识别速度快,识别准确率高及虚警率低等优点,且整个算法完全自动,不需人工干预。     

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。     

基于遗传模糊分类的步态识别

提出基于遗传模糊分类的步态识别方法.采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心形成的距离和夹角对步态特征进行描述.运用模糊聚类算法构建不同距离函数的分类器,并用遗传算法对分类器进行集成,组成的集成融合分类器对步态序列进行识别.实验结果表明该方法具有较高的识别性能.     

基于自适应特征选取的步态识别

提出基于自适应特征选取的步态识别方法。采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心的距离和夹角对步态特征进行描述。采用Boosting算法自适应选取最优特征序列,对识别结果进行加权处理。该方法结合了步态的动态和静态信息,实验结果表明该方法具有较高的识别性能。     

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1D P-FFT。特征值是1D P-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51％和98.02％的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。     

基于图像的异常步态二次特征提取算法仿真

针对传统特征提取算法容易忽略对数据的降维处理,未能较好的提取出图像异常步态特征,导致提取准确率不高的问题,提出一种基于图像的异常步态二次特征提取算法。根据不同姿态下足底的压力变化数值,完成异常步态图像的一次特征提取;根据一次特征提取后正常步态定义的特征变量数据,构建目标个体行走轮廓的步态能量图,同时结合KPCA核方法,对一次特征提取后的步态轮廓数据进行降维处理,完成异常步态的二次特征提取。仿真结果表明,在正常步态下和异常步态下,所提算法都能够有效地提取出图像的异常步态,具有较高的特征提取准确率,表明所提算法具有较强的实用性。     

基于最佳阈值和轮廓提取的边缘检测方法

边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一,其结果的正确性和可靠性直接影响到机器视觉系统对客观世界的理解.本文分析了传统边缘检测算法的性能,提出了一种基于最佳阈值和轮廓提取相结合的方法,实验表明,该方法简单实用,抗噪性能强且定位准确.     

基于频谱分析的Procrustes统计步态识别算法

在信息安全越加重要的现代社会,步态识别以其特有的优势作为一种身份识别手段,得到了很多关注.提出一种基于Procrustes均值形状的傅里叶频谱分析(FSAOPMS)的适用于多视角的步态识别方法.利用Procrustes统计形状分析方法将步态序列中人体轮廓的连续步态变化表示成一个紧致的Procrustes均值形状(PMS...     

基于傅立叶描述子的步态识别

提出了基于傅立叶描述子的步识别方法。用背景差方法得到运动人体的轮廊,通过步态周期分析提取步态序列的关键帧。利用傅立叶描述子处理关键帧的轮廊线序列,并进行数据维数压缩,得到匹配模板。用最近邻近法进行分类和识别。应用上述方法在Soton步态数据库上进行了实验,结果表明所提的步态识别方法具有罗高的识别性能。     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, 利用IMU获取的人体步态数据集, 构建基于Tsfresh时间序列特征提取和随机森林(RF)的人体步态识别算法模型. 其次, 采用该算法对人体不同传感器位置进行实验, 完成爬梯、行走、转弯等9种人体运动步态的识别. 最后, 实验结果表明所提方法平均分类准确率达到91.0％, 显著高于传统的支持向量机(SVM)与朴素贝叶斯(NB)等方法的识别结果. 此外, 本文所提基于Tsfresh-RF特征提取的人体步态识别算法具有很好的鲁棒性, 将为后续下肢外骨骼机器人的控制提供有利依据.