一种新的基于区域特征的快速步态识别方法

步态是生物特征识别领域的一个新兴热点，它有以下3大优势：远距离识别、非侵犯性和难于隐藏。由于当前提出的大量步态特征提取算法要么过于复杂，要么识别率不高，难以满足自动步态识别的需要，因此，为了进行准确快速的步态识别，提出了一种新的基于区域特征的快速步态识别方法。该方法首先将检测出的2维人体侧影分为头部、躯干和腿部3个区域；然后分别提取每个区域的目标面积；最后将这些面积特征和人体的宽高比特征一起构成步态特征矢量用于训练和识别。此外，还改进了一种新的N—best分类器，该分类器在一定程度上提高了算法的识别率。实验结果表明，该新方法不仅简单快速，而且在UCSD和CMU数据集上分别得到了90％和98％左右的高识别率。     

新的基于特征关系表述的步态识别算法

为了快速有效地进行步态识别,利用特征关系非平稳分布的统计特性,提出了一种新的基于特征关系表述的步态识别算法。首先,将剪影轮廓相邻像素点间8邻域相对方向标号作为特征关系属性一,将轮廓边界点与中心点间的距离作为特征关系属性二,经直方图归一化处理,得到两种关系属性的联合概率;其次,结合主成分分析(PCA)降维的方法,提取特征主向量;最后,采用最近邻分类器进行识别分类。实验证明,该算法在CASIA步态数据库上,最高达到了90%以上的识别率,而且与传统的特征关系表述步态识别算法相比,关系属性联合概率矩阵维数由900维下降到240维,大大降低了算法的计算代价。     

基于改进时空步态图的步态识别

基于图像步态识别因缺乏有效动态、时序特征,导致跨视角识别时准确率较低,而基于模型步态识别特征维度不足,容易造成步态识别平均准确率不高。故提出一种改进时空步态图(Improved Chrono-Gait Image,ICGI)及特征融合策略的解决方法,将时序信息与人体下肢关节间角度的规律变化相结合,突出步态运动时下肢的周期性变化。在引入时序信息的基础上,融合下肢关节点间动态特征,建立一个更加丰富、有效的特征集。结合最近邻算法(KNN)建立步态识别模型,在CASIA-B数据集上进行对比实验,证实所提方法能有效提高复杂环境下步态识别精度。     

基于可变区域特征和SVM的步态识别研究

根据人体随步态变化不一样的特点,提出了一种基于人体可变区域分割的步态识别方法。首先,应用背景差方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。最后对得到的特征量采用SVM进行步态的分类和识别。在UCSD和CASIA步态数据库上进行实验,结果表明该方法不但能克服由于获取的特征量过少而造成的信息丢失,还取得了较好的识别性能。     

基于步态特征的快速身份识别方法

步态是远距离情况下人的身份识别的一个重要的特征,论文提出了一种基于步态特征的快速身份识别方法。用人体的宽度特征来分析步态运动,提取关键帧,对关键帧进行人体轮廓的提取,运用傅立叶描述子提取模板。最后用最近邻法进行匹配,实现人的身份识别。     

基于行走时脚摆角的步态识别方法

提出一种利用脚摆动特征进行步态识别的方法。对步态序列图像进行背景提取、图像差分、阈值分割、形态学后处理后,提取行走时的脚摆角作为特征参数,再分别采用BP神经网络、最近邻分类器和K近邻分类器法对这些特征数据进行识别分类与比较分析。实验结果表明,与同类方法相比,该方法可以更快速地进行步态识别,且识别性能较好。     

基于自适应背景模型的步态检测与识别

提出了一种基于自适应背景模型的快速背景提取及步态检测的方法,并且利用傅里叶描绘子对步态轮廓图像进行描述,进行数据维数压缩,得到匹配模板,用最近邻法进行分类识别。该算法在NLPR步态数据库上取得了较高的识别率。     

基于手机加速度传感器的人体步态识别研究

使用福坦莫大学无线数据挖掘实验室(WISDM)利用手机采集的人体步态数据集,以支持向量机(SVM)、K最近邻(KNN)和随机森林算法实现对人体步态的识别.对加速度的时间序列进行分窗和均值平滑处理.以2s作为窗口大小,提取三轴加速数据的均值、方差和协方差作为样本特征.采用以上算法对样本的六种类别(步行、慢跑、上楼梯、下楼...     

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。     

基于腿部三角特征的贝叶斯步态识别方法

提出了一种基于步态序列中腿部三角特征的步态表示方法,在这种特征上用改进的朴素贝叶斯分类方法进行步态识别。选取步幅最大、最小两种情况下的姿态作为关键帧,用三角型模拟其腿部特征,提取三角型模型参数作为步态特征,识别时先分别用KNN和一种改进的N-best取得属性值在训练数据中的对应数值,然后用贝叶斯分类方法识别。在NLPR数据库上使用留一校验方法进行算法验证,实验证明该方法简单快速,而且取得了比较理想的识别效果。     

Gabor小波变换和NMF结合的人脸识别

针对训练样本较少的情况,提出了一种新的人脸识别方法。采用Gabor小波变换得到不同的子图信息,从子图中提取特征;对每个滤波器滤波产生的子图分别进行非负矩阵分解以实现数据降维及特征选择;设计两层分类器完成图像的分类识别,采用基于距离的最近邻分类器对图像进行第一层分类识别,通过对第一层分类结果进行统计记票,获得最终的识别结果。在Yale人脸库中进行实验,实验结果表明,给出的方法有效地提高了人脸识别率。     

双分支特征融合网络的步态识别算法

目的 在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法 双分支网络模型包含外观和姿态两条分支,外观分支采用Gait Set网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果 实验在CASIA-B(Institute of Automation, Chinese Academy of Sciences, Gait Dataset B)数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT(medium-sample training)划分中,该算法在3种行走状态下的准确率分别...     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

基于贝叶斯网络的步态识别

步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。本文提出了一种基于贝叶斯网络的步态识别方法。首先应用背景差方法获得运动人体侧面二值图像,将侧面像分为七部分来提取特征,采用最大方差法对训练集进行离散化,对各部分分别建立贝叶斯网络,最后利用“投票”规则将网络推理结果进行组合。将该方法在Soton步态数据库上进行试验,取得了比较理想的识别效果。     

正面视角的步态识别

现有的步态识别算法研究几乎全都是基于侧面步态的.提出一种基于正面视角的步态识别方法.首先归一化RGB颜色空间被用来检测和去除阴影,并用背景减除法提取二值化人体轮廓.提出一种专门适用于正面步态的周期检测方法,提取周期关键帧后跟踪轮廓线,并用改进的等角度采样法进行采样以减少计算量.简单高效的傅里叶描述子被用来提取特征向量,进行数据降维后构造步态模板.用最近邻和最近邻标本分类器分别进行分类.在CASIA数据库上的实验表明,该算法不仅具有较低的计算量而且表现出较好的识别性能.