基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算 法．首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到 平均步态能量图．接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为 观测向量实现了步态识别．最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好 的识别性能．     

一种基于多区域侧影面积的步态识别方法

提出一种基于多区域侧影面积的步态识别方法,该方法将视频序列中检测出的步态侧影划分为5个子区域,提取每个子区域中的侧影面积并计算步态序列中面积的变化特征,从而构成描述步态序列的特征向量,实验表明该方法具有较好的识别性能,是一种有效的步态识别方法.     

基于协同表示的步态识别

将基于稀疏表示的分类算法应用于步态识别中,会遇到小样本及计算耗时的问题。针对这一问题,提出一种基于协同表示的步态识别方法。该方法首先通过背景重建、目标提取等处理获得人体侧影轮廓,根据步态轮廓的宽度变化统计步态周期,得到步态能量图GEI;其次,以GEI为基础对测试样本进行协同表示;最后,通过最小重构误差进行识别。实验结果表明,该方法具有较好的识别性能,并且识别时间明显降低。     

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。     

基于帧差能量图行质量向量的步态识别算法

为了有效地捕捉步态的连续性动态信息,快速进行身份认证和识别,提出一种以帧差能量图（FDEI）的行质量向量作为步态特征的步态识别方法。该算法通过目标检测、二值化、形态学处理、连通性分析等预处理后得到步态轮廓图像,并利用其序列的宽度进行准周期性分析,再用连续隐马尔可夫模型(CHMM)对所提取的步态帧差能量图行质量向量进行模型参数训练和识别。在CASIA数据库上进行了仿真实验,结果表明该算法具有特征提取简单、特征维数低、识别速度快和识别率高的优点,可以满足实时识别的需要。     

一种基于时空分析的步态识别方法

提出一种基于侧影的非模型步态识别方法,从图像序列中提取特征进行识别.首先,采用背景减除技术检测跟踪人的侧影,提取出相应的侧影形状轮廓.然后,用新的轮廓形状描述和分析方法对轮廓形状进行时空分析,并运用离散傅立叶变换进一步提取最终用于识别的步态特征.该描述和分析方法兼顾步态的空间和时间信息,能在较低的代价下表达步态运动的时空变化模式.最后,运用标准的模式分类器对步态序列进行训练和识别.在常用数据库上所做测试的结果表明,本方法行之有效.     

基于关键帧能量固定的步态识别

步态作为一个新兴的生物特征,具有广泛的应用前景。现阶段比较成熟的非模型化方法步态能量图,能将一个步态序列表示为单幅的灰度图像,对噪声有较好的鲁棒性和较好的识别效率,但是不能很好的适应人行走速度的改变。因此,本文提出了一种基于关键帧能量固定的步态识别方法。该方法在步态能量图的基础上,对步态序列的关键帧进行了能量固定,将步态能量图转变成为能量固定后的步态能量图再进行特征的提取和识别。实验结果表明,该方法相对传统的步态能量图,能更好的适应速度对识别的影响。     

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。     

一种快速步态识别方法

提出了一种快速有效的针对人物侧面运动形态的步态识别算法:利用改进的自适应背景差分法取得动态目标侧影;同时提取面积、身高、步幅、质心等若干种变化特征,复合成目标的步态特征序列;最后采用支持向量机进行最终学习和识别.实验结果表明,该算法有较高的识别率,并且能很好地满足实时需求.     

基于列质量向量和SVM的步态识别

步态识别是根据人行走的方式来识别其身份,以其特有的优势作为一种身份识别手段。为了提高步态的识别率,提出了一种新方法,使用人体轮廓列质量向量表征特征信息,并使用支持向量机进行识别。根据人体轮廓的高度和宽度计算出步态周期,提取每个步态轮廓列质量向量,最后采用支持向量机进行分类识别。为了验证所提出方法的有效性,在CASIA步态数据库上进行了充足的实验,验证了该方法具有较高的识别率。     

基于动态部位特征的步态识别方法

为了在衣着饰物变化条件下进行步态识别,提出了一种基于动态部位特征的步态识别方法。首先,采用泊松方程给步态轮廓内的每个点赋值,并构造合适的阈值函数来提取步态序列的动态部位特征;然后,统计其等角度间隔的扇形区域内的均值和方差,用其构造动态特征向量;最后,利用支持向量机算法在行走人衣着饰物发生变化的条件下进行步态分类。通过在CASIA大规模步态数据库上的实验,验证了该方法的有效性和鲁棒性。     

基于步态序列图像的身份确认

为了利用HMM抽取的步态序列的动态特征来进行身份确认，首先提出一种改进的角度向量用来表征二值化的步态序列图像，以便将每幅图像转化为1维向量，然后再以此作为特征向量，对每个人物建立并训练HMM模型，用于确定人物身份。这种改进的角度向量由于具有较强的抗噪性和方便的尺度伸缩性能，因此既适用于分割质量较差的图像，又能减小行走方向和距离的影响。实验表明，这种HMM不仅能较好地模拟步态的动态特征，还能描述序列图像间的联系，而且算法执行速度快，从输入原始数据到输出识别结果所需时间不超过2min，能满足实时要求。在Soton和NLPR数据库上进行的实验，分别获得了100％和85％的识别率，证明该方法是有效的。     

对步态空时数据的连续特征子空间分析

提出一种基于空时特征提取的人体步态识别算法。连续的特征子空间学习依次提取出步态的时间与空间特征：第一次特征子空间学习对步态的频域数据进行主成分分析,步态数据被转化为周期特征矢量;第二次特征子空间学习对步态数据的周期特征矢量形式进行主成分分析加线性判别分析的联合分析,步态数据被进一步转化为步态特征矢量。步态特征矢量同时包含运动的周期特征以及人体的形态特征,具有很强的识别能力。在USF步态数据库上的实验结果显示,该算法识别率较其他同类算法有明显提升。     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

基于时间保持能量图和Radon变换的步态识别

Radon变换把图像从坐标空间映射到Radon空间,因其可以保存频率信息而被应用在步态识别算法中。主要从频率角度入手,着力提高基于Radon变换的步态识别算法的识别正确率,提出了基于时间保持能量图的Radon变换步态识别算法。传统的步态能量图是对步态周期中经过归一化的人体轮廓图求算术平均而得到的步态特征表示,最近提出的时间保持能量图在保持步态能量图的优点的基础上,保留了步态序列的时间信息,在改进的步态周期检测算法的基础上,提出将时间保持能量图和Radon变换结合到一起的步态识别算法。也对结合不同数据空间的特征如频率、形状等做了初步探讨。     

利用三维矢量线条实现版画设计

设计了一种粗细变化的三维矢量线条，赋予了线条灵活的变化，可以改变局部的线宽、线条局部的走向和扭曲度等，并利用矢量线条的粗细变化来体现图像的灰度层次，从而达到模拟传统版画的效果；同时，给出了一种由曲线混合生成一定数目线距均匀曲线组的方法。     

穿鞋足迹序列的足迹能量图组表达与识别

目的 现有的足迹研究主要针对赤足和穿袜足迹，取得了较高的识别精度，但需要进行脱鞋配合；而单枚穿鞋足迹由于受到鞋底花纹的影响，识别精度低，主要用于检索。由于穿鞋足迹序列不仅包含人足的结构特征还包含人行走的运动特征，将其用于人身识别会比基于单枚穿鞋足迹的识别精度高。基于此，本文对基于穿鞋足迹序列的身份识别方法进行了研究，提出了穿鞋足迹序列的足迹能量图组表达与识别算法。方法 构建反映人足结构和走路行为特性的足迹能量图组来表达足迹序列，从而进行身份识别。足迹能量图组由步态能量图、步幅能量图和步宽能量图构成。步态能量图反映的是足底各个部位与承痕体相互作用形成的效果以及脚的解剖结构特征；步幅能量图和步宽能量图反映的是行走过程中双脚的空间搭配关系以及运动特征，体现人的行为信息。足迹序列之间的匹配得分由各能量图之间的相似度加权计算，其中加权系数采用铰链损失函数训练而得，各能量图之间的相似度采用归一化互相关函数计算而得。将匹配得分最高的足迹序列对应的标签作为最终的识别结果。结果 根据采集方式、鞋的新旧程度和鞋底花纹种类构建了3个数据集，分别为采用光学成像仪采集的穿日常鞋的穿鞋足迹序列数据集MUSSRO-SR、采用光学成像仪采集的穿同花纹新鞋的穿鞋足迹序列数据集MUSSRO-SS和采用墨拓扫描方式采集的穿新鞋的穿鞋足迹序列数据集MUSSRS-SS。分别在上述3个数据集上进行了识别模式和验证模式实验，识别率分别达到100%、97.65%和83%，等错误率分别为0.36%、1.17%和6.99%。结论 在3种类型不同的数据集上的实验结果表明，本文提出的足迹能量图组能够实现对穿鞋足迹序列的有效表达，并实际验证了基于穿鞋足迹序列的身份识别的可行性。