基于特征组合的步态识别算法研究

步态识别是通过人走路的姿态进行身份识别,研究提出一种组合步态运动中的人体形状静态特征和动态特征的步态识别算法：使用改进的Hu矩和紧致度表达人体轮廓特征,用于描述步态序列的静态特征：提取大腿间的夹角和长宽比,用于描述步态序列的动态特征;并将这两种特征进行组合处理．实验结果表明：本算法的性能较单一特征的步态识别算法有明显的改善．     

多重图像轮廓特征结合的步态识别算法

为提高图像步态识别率,研究了一种基于图像轮廓多特征的步态识别算法.该算法首先从图像轮廓的基础上选取了图像步态的3个特征;然后,通过建立不变矩、帧差百分比的动态特征,并结合改进的角度距离的静态特征,实现了图像轮廓特征的提取;最后,通过对传统的K近邻法改进,完成了图像步态识别.实验结果表明:单用静态特征的步态识别率最高为91.94%;结合动态特征,并在改进分类器下获得最高为99.19%的识别率.     

基于Trace变换的步态识别算法

提出了基于Hu矩的步态周期检测算法,该算法具有尺度、平移不变性,在预处理的标准中心化之前进行,缩短了步态识别前期处理工作的时间,为实时的步态识别提供可能。在分析步态的投影特征具有身份判别的能力之后,进而引出并说明使用Trace变换特征对步态表达的想法是合理的。提出基于Trace变换的步态识别算法,详细地讨论了三种Trace变换的泛函形式,在CASIA(B)步态库上进行验证实验,最佳识别率可达84.14%。这种方法避免了动态时间规整以及线性时间归一等算法的复杂的调整过程。     

一种新的基于感知轮廓描绘子的自动步态识别方法

通过步态远距离识别人的身份是生物特征识别领域的1个研究热点。文中提出了一种新的基于感知轮廓描绘子的自动步态识别方法。通过检测步态序列中的行人，利用内边界跟踪算法提取出人的二值轮廓，并将其表示成为一维感知轮廓描绘子；使用主成分分析法将步态特征映射到低维特征空间中进行训练和分类，从而实现身份识别。实验结果验证了该方法的有效性。     

一种基于运动分析的步态识别方法

步态识别是新近发展的一种用在身份识别、视频监控等场合的生物特征识别技术.文中提出了一种基于运动分析的步态识别方法,采用线性判别分析和离散余弦变换分析从图像序列中提取的步态特征.采用背景减除技术提取了侧影,利用侧影的宽高变化进行了步态周期分析及行走方向判断;采用一种通过分析侧影宽度变化获取角度信息的肢体角度提取方法获取了步态序列特征;用类间散布矩阵和类内散布矩阵对应的行列式的比值确定特征个数,并采用线性判别分析和离散余弦变换分析了步态特征.在几个常用数据库上进行了实验结果表明,该方法行之有效.     

基于能量图匹配的步态识别方法研究

步态识别是一种新兴的生物特征识别技术,它依赖于图像处理和模式识别技术.本文针对步态识别目的,运用基于能量图的方法识别步态目标.首先对静态背景下的序列图像进行背景建模,根据建模结果提取出各帧图像中的目标.二值分割之后,运用形态学滤波器处理目标,得到无噪声的完整目标,经平均化计算得到能量图.讨论了相似性计算方法,运用模板匹配法进行最终的目标识别.运用步态数据库中的图像进行实验,结果证明了方法的有效性.     

基于统计模型的步态识别

提出一种简单有效的步态识别算法.对于每个步态序列,首先,通过背景减差检测运动目标的轮廓;再计算轮廓质心与边缘的距离,并对其进行归一化;用PCA方法获取归一化距离信号的特征空间;使用时空相关进行相似性度量;最后通过最近邻法进行分类识别,在自己建立的样本数据库中取得了满意的效果.     

一种基于SVM的人形识别算法

提出了一种基于SVM(支持向量机)人形识别的算法,通过对静态图像小波变换提取目标的局部形状突变特征,并结合动态帧的步态特征,然后利用支持向量机对小样本进行学习与识别.通过实验验证,该算法具有实时性好、识别率高、可靠性高、适用范围广等特点,以达到实现监控自动化和智能化的目标.     

采用多核相关向量机的人体步态识别

为进一步提升人体步态识别的准确率,参考人体步态特点,选择下肢表面肌电信号(SEMG)、髋关节角度、膝关节角度作为步态识别信息源,提出一种基于多核相关向量机(MKRVM)的人体步态识别方法.该方法以多源信息特征值作为多核相关向量机的输入,通过实验对不同信号选取合适的核函数,利用萤火虫优化(GSO)算法确定核函数参数,输出为不同步态的概率.利用训练好的模型直接对新样本进行分类,将概率最高的步态模式作为识别结果.实验结果表明,该方法对于平地行走、上楼、下楼、上坡、下坡等步态的平均识别率为94.64%,优于单核支持向量机(SVM)等方法.     

基于加速度信息的人体步态识别算法研究

针对步态特征提取时涉及到的维数高、变换复杂等问题,提出一种新的步态特征提取方法。利用加速度传感器采集人体侧向、垂直方向和前进方向的步态加速度数据,并根据跃度将加速度数据区分为动态部分和静态部分,进而计算出动态和静态部分在3个不同方向上的标准差,将共计6个特征指标作为身份识别的依据。对这些特征所做的相似性和个体性测试结果,证明了将它们作为识别依据的可行性。最后引入K-近邻分类算法,计算出测试样本与训练样本之间的最小欧氏距离,从而达到身份识别的目的。实验结果表明,只要测试环境与训练环境一致,通过提取的6个步态特征,利用K-近邻算法可正确识别出测试对象。     

基于WPD和(2D)~2PCA的步态识别方法

为了提高步态识别率,在步态能量图(gait energy image,GEI)基础上,提出了基于小波包分解(waveletpacket decomposition,WPD)和完全主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)的步态识别方法.该方法采用基于人体轮廓的GEI来解决步态数据量过大的问题,并采用WPD和(2D)2PCA进行步态特征提取,解决了已有基于小波变换的步态识别方法中高频分量丢失或维数过高问题.在NLPR步态数据库上对该方法进行了评测,并与经典方法进行了比较.实验结果表明:该方法具有更高的识别率和视角变化的鲁棒性.     

基于广义主成分分析的步态识别算法研究

步态识别是根据人行走方式的不同对人的身份进行识别的.通过背景减除实现人体检测,运用形态学操作和图形几何变换实现了图像的标准中心化.在特征提取阶段使用步态能量图(GEI)来描述每个步态序列,分别使用主成分分析、二维主成分分析、完全的二维主成分分析以及加权完全的二维主成分分析对特征进行降维,最后采用最近邻分类器来测试识别结果作对比研究.实验结果表明权衡计算量和识别率,二维主成分分析对于GEI的步态识别比较有效,识别率可达95.43%.     

一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。     

用时变模板自动识别行人的步态

提出了一种以行人轮廓随时间变化的灰度图像为模板的步态识别方法．首先提取行人二值轮廓序列;然后针对轮廓的关键运动区域分析边缘点分布直方图的变化,检测出包含两个单步的步态周期;随后对单步范围内的轮廓序列,经帧间轮廓前向运动区域叠加产生单步运动历史图像,从而将三维信息表示到二维图像上;继而用一组同心矩形分割两个单频运动历史图像,提取出局部性的矩统计量作为步态特征向量,最终实现了步态识别．在Soton数据库上进行了实验,这种算法的正确识别率可达85. 57％,与相关文献的对比表明该算法优于现有算法．     

一种欠驱动平面双足机器人变速控制策略

针对欠驱动平面双足机器人的行走速度控制难题,提出一种新的变速行走控制策略.该控制策略有两层结构,上层采用一种模糊融合的思路,根据给定速度产生参考步态,即由能稳定行走的已设计步态模糊融合出参考步态,再由PI控制器对参数进行平滑|底层由基于虚拟约束的反馈线性化方法实现轨迹跟踪,同时解决行走中的欠驱动问题,达到连续稳定变速的目的.仿真结果表明：与其他变速策略想比,该控制策略能在变速的同时改变步长,而且有更好的控制效果,也能很好地实现变速的连续性.     

用谱矩进行不变特征识别

介绍的是一种基于矩不变特征进行识别的新方法。该方法首先消除部分数据的损失对矩的计算的影响，然后利用矩抽取出图象的不变特征，再利用该不变特征进行识别。最后给出了用该方法的对ＩＳＡＲ图象进行识别的模拟结果。     

全身步态模型的视触融合步态识别算法

为减少背包负重、衣着和环境等因素对步态识别率的影响,提出一种融合视觉和触觉特征的全身步态模型。首先,以支撑脚为起点,根据运动传递过程,建立身体各个部分质量与地面支持力的动力学关系,并且通过加速度引入视觉特征;然后,对模型进行参数分离,得到代表不同步态运动特征的特征矩阵,利用Kinect和步道式足底压力仪获得的视觉图像序列和足底压力图像提取视觉和触觉特征,建立包含正常、背包负重和穿大衣3种步态运动状态下的数据库;最后,选择支持向量机中的多分类方法完成步态识别,在识别过程中通过K-CV法对分类器参数进行了寻优。实验结果表明:足底压力分区方式增加了特征识别点,提高了模型识别率;在正常步态运动条件下模型平均识别率为97.31%,在背包和穿大衣的情况下模型识别性能下降比较少。融合视觉和触觉特征建立包含上肢摆动的全身步态模型可以有效提高模型在复杂步态运动条件下的鲁棒性和步态识别准确率。     

Gait recognition method based on spatial-temporal convolution

As a unique biological characteristic that can be recognized from a distance,gait has a wide application prospect in the fields of identity identification,public security and medical diagnosis.However,the accuracy of gait recognition will be affected by external factors,such as the shooting angle,the pedestrian’s wearing and the change in the status of carrying a bag.Based on the above problems,this paper puts forward the gait recognition method based on spatial-temporal convolution,which uses the convolution neural network to extract gait features,and employs the repeated extraction of the gait features of adjacent frames to make up for the missing information,so that more spatial-temporal information can be obtained.Finally,the proposed method is validated on the CASIA-B dataset.Experimental results show that the proposed method can improve the rank-1 accuracy when a pedestrian walks normally,carrying a bag and wearing a coat.     

基于慢时间分割的超宽带雷达步态识别

为了解决室内监控时摄像头的隐私泄露问题和可穿戴设备的侵入性等问题,同时针对传统雷达步态识别算法中的行走条件限制问题,提出基于超宽带（UWB）雷达的自由空间步态识别算法.算法沿慢时间轴对目标行走动作产生的雷达步态信号进行分割产生一系列子信号;对于每个子信号,在距离单元上分别进行傅里叶变换得到距离-多普勒图像,这些距离-多普勒图像前后之间存在时序关系;利用方向梯度直方图算法对属于同一个步态信号的一组距离-多普勒图像进行特征提取,采用长短期记忆网络对得到的特征进行时序建模以获取目标身份分类结果. 实验在空旷的室内环境中进行,对四人的步态分类准确率为79.10%. 结果表明所提出的算法对自由空间中不同个体的步态具有一定的区分能力.