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。     

一种基于关节角度的步态识别新方法

基于行走运动的关节角度变化包含更丰富的个体识别信息的观点,提出利用下肢关节角度进行步态识别的新方法。依据人体解剖学的先验知识,通过对下肢运动分析定位盆骨、左右膝、左右踝关节点,提取相邻关节点连线与竖直线的夹角作为运动关节角度。识别时,考虑到NN,KNN等传统步态分类器分类能力较弱的缺点,采用针对小样本问题具有很好分类效果的支持向量机对步态特征向量进行分类。CASIA步态数据库上的仿真结果证明该方法具有较高的识别性能。     

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%).     

基于双尺度动态贝叶斯网络及多信息融合的步态识别

步态识别在生物识别中研究日益增多。目前对步态的识别研究大都是考虑单一条件下步态的识别率,但在穿外套、背包等混合条件下识别率较低,该文分析了人体行走时步态的时序特征,提出一种4层的双尺度多信息融合的动态贝叶斯网络。模型中每个时间片都为整体信息即大尺度信息和局部细节信息即小尺度信息的融合。此模型能很好地表达步态的时序特性,即步态行走时人体姿态,运动幅度等特征的节奏性变化。实验结果表明该方法有较高的识别率,能有机地融合步态的整体信息及局部细节信息,并且在有轮廓噪声及信息缺失的情况下有较好的鲁棒性,大大降低了外套及背包对步态识别的影响。     

基于步态能量图的隐马尔可夫模型身份识别

提出一种基于步态能量图的隐马尔可夫模型身份识别算法.首先预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离计算出步态周期,得到平均步态能量图.对能量图用K-均值聚类的方法生成观察向量,进行一维离散隐马尔可夫模型训练,用训练好的模型参数进行身份识别.最后在CASIA步态数据库上对所提出的算法进行实验.实验表明该方法具有较好的识别性能.     

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。     

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.     

基于微多普勒特征的人体步态参数估计

基于雷达的人体微动研究是近年发展起来的新技术,通过信号处理手段可获取人体走动时手和腿的摆动激励的多普勒频移,用于人体步态探测与识别。本文首先分析了人体行走对雷达波的调制,介绍了一套用于人体运动特性测量的X波段连续波雷达系统及测量实验,并对人体行走实测数据中微多普勒特征进行分析,然后深入研究了P.van Dorp等人提出的基于微多普勒特征的人体行走实测数据特征提取和参数估计的方法,并将之应用于本雷达系统的测量结果中,最后给出了仿真结果。      

基于微多普勒信号分离和SqueezeNet的人体身份识别

针对基于雷达传感器的人体身份识别问题,本文提出一种基于微多普勒信号分离和SqueezeNet的人体身份识别方法。首先利用雷达对人体行走的步态进行探测并收集回波数据,回波数据经过预处理得到微多普勒时频谱图;其次用阈值法对时频谱图进行微多普勒信号分离从而得到四肢的时频谱图;最后将其输入到SqueezeNet网络,采用Softmax分类器来实现人体身份识别。实验结果表明,经过微多普勒信号分离后人体身份识别准确率提高5.25%, SqueezeNet网络与其他网络相比,在网络性能上具有准确率高、网络参数少、测试时间短等优势。     

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。