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。     

基于逆运动学的人体步态特征提取

近年来,人体运动分析成为了计算机视觉和图像处理技术中的一个最活跃的研究课题。其研究在虚拟现实、智能监视系统、高级用户接口、运动分析和基于模型的图像编码等方面具有广阔的应用前景。该文提出了一种基于逆运动学的方法来提取人体步态特征的运动分析方法,对于每个图像序列,先采用背景减除算法检测行人的运动轮廓,然后根据人体运动的特点,寻找每帧图像中人体踝关节的位置,通过得到的踝关节位置使用逆运动学的方法来预测其他关节点位置,通过实验发现,这种方法在提取步态特征中取得了很好的效果。     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, 利用IMU获取的人体步态数据集, 构建基于Tsfresh时间序列特征提取和随机森林(RF)的人体步态识别算法模型. 其次, 采用该算法对人体不同传感器位置进行实验, 完成爬梯、行走、转弯等9种人体运动步态的识别. 最后, 实验结果表明所提方法平均分类准确率达到91.0％, 显著高于传统的支持向量机(SVM)与朴素贝叶斯(NB)等方法的识别结果. 此外, 本文所提基于Tsfresh-RF特征提取的人体步态识别算法具有很好的鲁棒性, 将为后续下肢外骨骼机器人的控制提供有利依据.     

一种基于轮廓稀疏对抗的视频步态隐私保护算法

深度网络模型可以从视频步态序列中获取人体步态生物特征并识别人物身份,造成严重的隐私泄露安全威胁。现有方法一般通过对视频画面中的人体进行模糊、变形等处理来保护隐私,这些方法可以在一定程度上改变人体外观,但很难改变人物行走姿态,难以逃避深度网络模型的识别,且这种处理往往伴随着对视频质量的严重破坏,降低了视频的视觉可用性。针对该问题,文章提出一种基于轮廓稀疏对抗的视频步态隐私保护算法,通过对步态识别模型的对抗攻击来计算画面中人体轮廓周围的有效修改位置。与传统方法相比,在具有相同隐私保护能力的情况下,该算法减少了对画面的修改,在隐私安全性和视觉可用性上达到了较好的均衡。该算法在公开步态数据库CASIA-B和OUMVLP上对4种步态识别模型进行测试,通过与不同步态隐私保护方法对比,验证了该算法在步态隐私保护上的有效性和可用性。     

一种人体步态轨迹测量方法

为研究人体的步态运动规律,采用基于拉线传感器检测系统和人体关节角度测量装置,对人在不同路况下行走时踝关节运动轨迹和下肢关节角度进行了测量,根据人体下肢刚体模型和数据融合方法对测量结果进行了分析和处理,得到了人在上楼梯、平地行走和下楼梯时的步态轨迹和3种路况下的支撑相;上楼梯时的支撑相最大,平地行走次之,下楼梯最小.测量结果为了解人体运动规律和康复治疗提供了依据.     

基于改进C-V模型的步态轮廓提取方法

为从步态图像视频序列中提取运动人体轮廓,提出一种新的分割算法。结合背景减除法和对称帧差法初步提取运动人体区域,采用形态学方法消除噪声和阴影,提取较完整的人体轮廓,将此轮廓作为改进C-V模型的初始零水平集,通过少量迭代达到细化人体轮廓的目的。在NLPR步态数据库上的实验表明,该方法能提取完整、精确的运动人体轮廓,消除了大量阴影,具有良好抗噪性且时间复杂度低、识别率高。     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

基于特征融合的步态识别算法研究*

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线,并采用傅里叶描述子表达人体轮廓特征;依据人体解剖学的知识定位下肢关节点,并提取下肢角度特征;分别对两种特征进行匹配,然后采用特征融合的方法对匹配结果进行处理。实验结果表明,本算法的性能较基于单个特征的步态识别算法有明显的改善。     

一种基于人体轮廓宽度特征的步态识别方法

步态识别是一种新的生物识别技术,它通过人行走的姿势来实现对人身份的鉴别。提出了一种新的基于人体轮廓宽度特征的步态识别方法,将视频序列中检测出的步态轮廓提取三种宽度特征并计算步态序列中宽度的变化特征,从而构成描述步态序列的特征向量。实验表明提出的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SAE和LSTM的下肢外骨骼步态预测方法

提出一种基于栈式自动编码器（Stacked Auto Encoder,SAE）和长短时记忆（Long Short-Term Memory,LSTM）神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。