一种新的基于不变矩的步态特征身份识别算法

为了有效地对步态特征进行分类识别,提出了一种基于Radon变换和解析Fourier-Mellin变换的步态识别算法。该算法直接对在视频序列中检测到的灰度图像进行Radon变换,然后进一步对变换结果进行解析Fourier-Mellin变换,从而将原图像的旋转变化和尺度变化分别转化为相位变化和幅度变化,之后通过定义一族旋转与尺度不变函数提取目标图像的不变性特征进行分类识别。实验结果表明,与目前常用的基于Hu矩和Zernike矩的算法相比,由于不需要对目标图像二值化和归一化,从而可以保留图像的更多细节信息,避免了重采样与重量化误差,该算法应用于步态识别有更高的识别率,可以达到更好的识别效果。     

基于多特征融合的人体运动姿态智能识别算法研究

针对人体运动姿态复杂,而基于单特征的运动姿态识别算法难以对人体姿态进行准确识别且效率较低等问题,文中提出了一种基于多特征融合的相关智能识别算法。该算法利用图像去噪等方法对采集到的原始图像数据进行预处理,以突出图像中的关键信息。同时通过OpenCV提取数据中的Hu不变矩等特征,并利用神经网络算法将提取到的特征加以融合。采用SVM建立分类模型,进而实现对人体运动姿态的智能识别。两项实验结果说明,所提算法能在保证处理效率的前提下实现对人体姿态的精准识别,准确率可达93%以上。     

红外热成像在步态识别中的应用

为更有效地探测人体目标,提出了利用红外光进行人体成像及步态识别的新方法.首先将人体散发的红外光转换为电信号,经计算机处理后转换为红外步态图像,然后分割出人体目标并将其规格化叠加处理获取步态特征图,再提取包含整体模型信息的边界矩参数以及包含简化模型信息的骨架特征参数,以此作为步态特征识别参量输入至支持向量机(SVM)进行分类识别.使用自建的红外步态数据库(IRGD)进行实验,正确识别率(PCR)为71～92%,且识别效果受人体携带外物的影响不显著.     

基于PCA和BP神经网络的步态识别系统研究

步态识别是生物特征识别技术中的一个新兴领域,它根据人们走路的个体特点进行身份识别,具有非侵犯性、难以隐藏、对系统分辨率要求低、远距离识别等优点,已成为基于视觉的人体运动分析的研究热点。该文提出了基于主成分分析(PCA)的特征提取方法,有效地对高维步态轮廓特征进行降维,再利用BP神经网络进行特征分类识别。实验结果表明,算法达到了较高的识别率。     

融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

用于步态识别的多层窗口图像矩

该文提出了一种以局部性矩统计量作为步态特征描述的步态识别方法。首先提取行人二值轮廓序列,构造一种基于直方图的轮廓点分布特征检测出步态周期;然后生成彩色步态运动历史图像CGHI描述步态的空间特征和时间信息;继而设计了多层同心矩形窗口分割CGHI,提取出一组矩形环窗口的矩特征量作为步态特征,在此基础上实现了步态识别。在Soton数据库上进行了实验,提出算法的正确识别率可达87.2%,优于现有方法。     

监控视频中运动目标识别分类系统研究

提出了一种监控视频中运动目标识别分类算法,通过提取视频中运动目标的Zernike矩的7个高阶矩、长宽比和占空比,然后利用支持向量机(SVM)进行训练识别分类.实验结果表明,该算法具有较高的运动目标分类正确率,且通过对比显示该算法优于运用运动目标的Hu矩的高阶矩、长宽比和占空比进行分类的方法.     

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%).     

基于人体关节点的步态识别算法研究

步态识别是指根据人走路的方式及动力学特征来识别人的身份。人体关节点能很好地表征步态特征。本文提出一种的新的算法：用半周期长的代表性短序列取代关键帧,然后对每个序列用下肢关节角度描述其动态特征,并用关节点的形状上下文描述其轮廓静态特征,较好的提取了人体的步态信息。我们通过实验,对不同特征赋予相应权值进行特征融合,并采用K近邻分类器有效地提高了识别率。实验表明,该算法具有很好的识别效果。     

基于特征融合的步态识别

基于人行走时下肢关节角度变化包含丰富的个体识别信息的观点,提出了一种利用下肢关节角度进行识别的方法。利用下肢关节角度来表征步态运动的动态特征,并用主分量分析进行特征提取来表征步态的静态特征,其次融合步态运动中的静态特征和动态特征,采用对小样本具有很好分类效果的支持向量机进行分类识别。对算法进行MATLAB仿真,结果表明所用方法具有较高的识别性能。     

基于混合核函数的快速KPCA人脸识别算法

为提高人脸识别的速率和识别率,文中提出一种基于混合核函数的快速核主成分分析算法用于进行人脸识别,首先构造两种混合核函数,利用均值矢量的方法构建核矩阵,并利用文中提出的核主成分分析算法计算核矩阵的特征向量。分别在ORL和AR人脸数据库中做了相关实验,并且与传统的核主成分分析方法在识别率和算法运行时间上进行了比较,结果表明,文中所提核主成分分析方法具有较高的识别率和更短的运行时间,从而为实时地具有大数据的人脸识别系统提供技术支持。     

基于组合矩的激光成像雷达目标识别算法

随着激光技术的发展,激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用,目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法,从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征,该特征对距离像噪声不敏感,应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明,该算法与应用Zernike矩和Hu矩特征进行分类识别相比,对三种激光成像雷达地面目标的平均识别率在高载噪比(20dB)下分别提高了1.0%和3.7%;在低载噪比(10dB)下分别提高了11.8%和42.5%;当载噪比高于17dB时,该算法的平均识别率达到100%。因此该算法取得了比较好的识别效果。     

Research on PCA and KPCA Self-Fusion Based MSTAR SAR Automatic Target Recognition Algorithm

This paper proposes a PCA and KPCA self-fusion based MSTAR SAR automatic target recognition algorithm. This algorithm combines the linear feature extracted from principal component analysis (PCA) and nonlinear feature extracted from kernel principal component analysis (KPCA) respectively, and then utilizes the adaptive feature fusion algorithm which is based on the weighted maximum margin criterion (WMMC) to fuse the features in order to achieve better performance. The linear regression classifier is used in the experiments. The experimental results indicate that the proposed self-fusion algorithm achieves higher recognition rate compared with the traditional PCA and KPCA feature fusion algorithms.     

基于多特征融合与支持向量机的手势识别

针对手势识别中人的手部特征描述易受到环境因素影响,手势识别率低等问题,并考虑到单个特征的局限性,提出了一种基于Hu矩和HOG特征融合的支持向量机手势识别新方法。该方法首先对处理后的手势图像提取局部的HOG特征,然后针对手势的轮廓提取全局Hu矩特征,再将两种特征融合成混合特征,并通过主成分分析法对混合特征进行降维形成最终分类特征,并将新特征输入到支持向量机中进行识别。实验表明,该方法具有较好的鲁棒性和较高的识别率。     

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.     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

基于随机非负独立元分析的掌纹识别

提出运用随机非负独立元分析（SN—ICA）的新方法进行掌纹识别。为了减少计算量,运用SN-ICA算法前,先采用主元分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶非负统计特征由SN-ICA分离。首先用PCA和SN-ICA提取投影向量,然后将训练图像和待识别图像向投影向量上投影得到低维特征向量,最后计算特征...     

基于Multilinear PCA的烟雾图像识别算法

为了提高火灾烟雾图像识别正确率,更好地预防火灾,提出一种基于multilinear PCA的火灾烟雾图像识别算法。在提取烟雾疑似区域的基础上,首先分别提取烟雾的静态和动态特征,然后采用multilinear PCA对特征进行融合,消除其中冗余特征,并根据选择特征进行训练样本构造,最后将训练样本输入支持向量机建立烟雾图像分类器,并对测试样本进行识别。仿真结果表明,相对于其他烟雾图像识别算法,提出的算法不仅提高了烟雾图像识别正确率和识别效率,而且具有良好的抗干扰能力,可以满足不同环境下烟雾图像识别要求。