基于特征步态的身份识别方法

本文提出了一种有效实用的基于步态的身份识别方法。通过提取目标行走的差分步态图像,将目标运动过程的动态信息转化为二维平面中的静态信息,利用K-L变换进行特征提取,使用标准的分类器进行分类。在中科院自动化所提供的NLPR数据库上做了大量的仿真实验,验证识别性能。     

基于动态二维图像序列的三维步态识别方法探究

随着计算机技术与视觉识别技术的发展,对于人体形态的检测成为了一些重要场所的需求.本文主要就三维步态特征的提取、步态识别过程的分析两个方面的内容进行分析.     

基于加强步态能量图在非规范视角的步态识别研究

提出了一种基于加强步态能量图的非规范视角步态识别方法,解决了非规范视角下步态识别难题。视角转换方法将视角统一,采用背景减除法提取人体轮廓,引入步态周期检测方法确定步态周期,根据人体骨架参数模型得到加强步态能量图（E-GEI）,最后运用2DPCA方法提取特征向量,并采用最近邻域法分类。实验结果表明：E-GEI在各个视角下比普通的GEI在识别效果要更好。     

基于Gabor相位谱和流型学习的步态识别方法

 提出了一种有效的基于步态能量图像的身份识别方法.首先生成合成步态能量图像(GEI)丰富训练集样本数量.然后利用在以前文献中被忽略的具有良好识别性能的Gabor相位信息作为身份特征,并采用流型学习算法保局影射(LPP)将此高维数据在低维空间表示.通过使用简单的分类策略在USF步态数据库上进行对比实验,结果表明本方法的正确识别率优于现有其他的自动步态识别算法.     

一种基于主曲线的步态识别方法

提出将主曲线作为一种新的步态特征分析和分类方法.主曲线特征分析单独分析每类样本的特征,形成直接对各类样本特征及其趋势的低维流形描述,保留了数据集的内在拓扑结构.首先对步态序列时空分析,在低的代价下表达步态运动的时空变化模式;然后,对步态特征进行主曲线分析;最后,用针对该分析方法定义的新相似性度量和分类规则进行了步态的训练和识别.在常用数据库上的测试结果表明,本方法行之有效,主曲线具有很好的实用性.     

一种改进的步态识别方法

行走方向问题已经成为当今步态识别领域极富挑战性的课题.针对该问题,提出考虑到行走方向的步态识别算法,运用了全新的思路计算行走角度(DOW算法),并根据人体运动学模型和行走方向信息提取关键特征,引入了同时考虑到多类支持向量机算法和线性规划方法的lp-mc-sv算法识别,并对实验结果进行了分析.将本文算法应用于实际人体行走图像序列,获得了较为理想的识别率(80%).     

基于步态特征的身份识别研究

随着信息化发展进程日益加快,信息技术的应用领域和范围也在不断拓展。出于安全因素的考虑,身份识别在社会的多个领域起到了非常重要的作用。伴随着科技的发展和进步,生物识别技术得以开发和应用,通过判断人的动作行为,进而区分其个体身份。作为一种新型的生物识别技术,步态识别技术将身份识别技术水平提升到一个新的高度,成为当前身份识别领域重点研究的方向。文章基于步态特征的身份识别进行研究。     

基于智能手机的步态识别研究与设计

在当前大数据浪潮的影响下,生物识别技术的发展吸引了越来越多国内外研究者的关注。步态识别技术能够根据受试者行走时的步态,进行非接触式身份识别,具有采集方便、识别距离远、不易隐藏等优点。文章提出了一种基于智能手机的步态识别方法,选用加速度、陀螺仪传感器采集步态数据,利用机器学习技术对步态信息进行分析处理,以参数调优后的随机森林算法作为步态识别分类模型,经测试模型准确率可达94.05%。此外,设计开发了一款实时的智能手机身份识别系统,将提出的步态识别最佳分类模型部署到移动端,生成结果可用于身份识别,也为步态数据采集提供一种新的方式。     

基于瞬时步态能量图的远距离身份识别

提出了一种基于瞬时步态能量图的远距离身份识别算法.首先根据摆动距离计算出步态周期,并指定步态周期中的关键时刻.步态序列中一个关键时刻的所有侧面轮廓图的平均值构成一个平均瞬时图.一个关键时刻的瞬时步态能量图的计算利用了当前关键时刻以及其他关键时刻的平均瞬时图.提高了每个关键时刻侧面轮廓图像的质量,并比单纯使用步态能量图的方式增加了步态的运动信息.随后计算出所有关键时刻侧面轮廓图相对于瞬时步态能量图的偏移的累积图像,与步态能量图共同作为描述一个对象的特征向量.最后,使用最近邻算法进行步态特征分类.在USF步态数据库上对该算法进行实验,并与基线算法以及另外两个新的步态识别算法进行比较,结果显示该算法达到了更高的总体识别率.     

一种基于CNN算法的步态识别模型研究

为解决传统步态识别模型训练时间长、识别准确率低等问题,文章构建了能够进行深度学习的行走时步态特征数据库,通过对所选取特征的特定性、关联性和稳定性的研究,建立步态特征矩阵,利用Tensorflow设计CNN算法进行深度学习,使其能够自动实现基于行走时步态特征的个人识别。在27名实验者情况下,该模型的识别准确率可达99%以上,且训练时间较短,优于目前已发表的其他模型,对构建更大数据库的识别系统具有启发意义。     

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

多视角红外图像目标识别方法

随着红外传感器的性能提升和应用普及,获取同一场景下同一目标的多视角图像成为可能。为此,提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析,获取多个视角子集。在每个视角子集中,红外图像具有较强的相关性。对于不同的视角子集,它们相对独立。为充分利用这种相关性和独立性,采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地,对于只包含一个视角的子集,则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果,基于线性加权的思想进行融合处理,并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此,所提方法在分析多视角红外图像内在关联性的基础上,分别对局部相关性和整体的独立性进行考察,并通过决策层的融合将两者融为一体,提高了最终决策的可靠性。实验中,在采集的多类交通车辆红外图像上进行识别,分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证,经过对比分析验证了提出方法的有效性。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

基于光纤列阵传感器的步态识别技术研究

为了实现根据步态特征进行个人身份识别和医学特性参数的修正,开发研制了一种新型点阵式的光纤压强传感器。利用聚合物海绵材料,将作用在传感器上力的变化转变为输出光纤的能量变化,并通过对传感器获得列阵数据进行细化,以压强分布"积分中心"的时空变化为信息特征,分析研究人体在不同运动过程中为保持动态平衡而产生时空变化的规律,从而实现步态识别研究。通过单体辨向、统计实验测试,100人次的测试正确率高于95%。     

Gabor phase based gait recognition

An effective gait recognition approach based on the gait energy image (GEI) representation is proposed. Synthetic GEIs are first created to address the problem of lacking training data. Then the Gabor phase spectrum of the GEI which was ignored in previous works is utilised as an input feature, and it is subsequently projected into a low dimensional space by linear discriminant analysis to perform classification. Experimental results show that the proposed approach outperforms other algorithms in terms of recognition accuracy.     

Human gait recognition based on Haralick features

This paper proposes a supervised feature extraction approach that is capable of selecting distinctive features for the recognition of human gait under clothing and carrying conditions, thus improving the recognition performances. The principle of the suggested approach is based on the Haralick features extracted from gait energy image (GEI). These features are extracted locally by dividing vertically or horizontally the GEI locally into two or three equal regions of interest, respectively. RELIEF feature selection algorithm is then employed on the extracted features in order to select only the most relevant features with a minimum redundancy. The proposed method is evaluated on CASIA gait database (Dataset B) under variations of clothing and carrying conditions for different viewing angles, and the experimental results using k-NN classifier have yielded attractive results of up to 80% in terms of highest identification rate at rank-1 when compared to existing and similar state-of-the-art methods.     

Cross-view gait recognition based on human walking trajectory

We propose in this paper a novel cross-view gait recognition method based on projection of gravity center trajectory (GCT). We project the coefficients of 3-D GCT in reality to different view planes to complete view variation. Firstly, we estimate the real GCT curve in 3-D space under different views by statistics of limb parameters. Then, we get the view transformation matrix based on the projection principle between curve and plane, and estimate the view of a silhouette sequence by this matrix to complete view variance of gait features. We calculate the body part trajectory on silhouette sequence to improve recognition accuracy by using correlation strength as similarity measure. Lastly, we take nested match method to calculate the final matching score of two kinds of features. Experimental results on the widely used CASIA-B gait database demonstrate the effectiveness and practicability of the proposed method.     

Automatic gait recognition based on statistical shape analysis

Gait recognition has recently gained significant attention from computer vision researchers. This interest is strongly motivated by the need for automated person identification systems at a distance in visual surveillance and monitoring applications. The paper proposes a simple and efficient automatic gait recognition algorithm using statistical shape analysis. For each image sequence, an improved background subtraction procedure is used to extract moving silhouettes of a walking figure from the background. Temporal changes of the detected silhouettes are then represented as an associated sequence of complex vector configurations in a common coordinate frame, and are further analyzed using the Procrustes shape analysis method to obtain mean shape as gait signature. Supervised pattern classification techniques, based on the full Procrustes distance measure, are adopted for recognition. This method does not directly analyze the dynamics of gait, but implicitly uses the action of walking to capture the structural characteristics of gait, especially the shape cues of body biometrics. The algorithm is tested on a database consisting of 240 sequences from 20 different subjects walking at 3 viewing angles in an outdoor environment. Experimental results are included to demonstrate the encouraging performance of the proposed algorithm.     

基于Harris角点的快速帧移动多视点图像跟踪识别

为了提高快速帧移动多视点图像的检测跟踪识别能力,提出基于Harris角点检测的快速帧移动多视点图像跟踪识别方法.构建快速帧移动多视点图像检测和帧稳定性控制模型,采用数字特征融合技术,实现对快速帧移动多视点图像的模糊度增强和融合处理,通过多维空间参数检测技术,实现快速帧移动多视点图像的动态参数识别,结合联合滤波特征匹配方...