基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。     

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。     

基于多特征融合卷积的步态识别算法研究

针对GaitSet算法中主干网络学习能力和分类能力较弱,提出基于多特征融合卷积网络的步态识别算法(MFFC-GaitSet)。算法通过多特征融合卷积重建GaitSet网络增强网络学习能力,同时对三元组损失函数进行平滑优化;利用形态学处理对步态轮廓图进行修补。算法在Casia-B数据集上进行验证,步态识别精度达到85.811%,提高2.6%;模型权重仅增加6%。算法可以有效减少复杂环境对步态识别的负面影响,实现复杂环境下高精度的步态识别。实验结果表明,方法能够实现较为精确的步态识别,并具有较佳的鲁棒性和泛化能力。     

利用动态部位变化的步态识别

为了解决人的衣着变化和携带物品对步态识别的影响,提出了一种基于动态部位变化的步态识别方法。首先应用背景差分和阴影消除获得人体步态轮廓,并对获取的轮廓进行位置中心化和大小归一化;然后通过步态能量图和阈值分割的方法划分出每一帧的动态部位,并使用扇形区域距离变换的方法对动态部位进行特征提取;最后使用最大熵马尔可夫模型对各个人的步态进行建模,完成了基于概率图的识别。该方法在CASIA步态数据库上进行了实验,取得了较高的正确识别率,实验结果表明该方法对人的衣着变化和携带物品情况下的步态识别具有较强的鲁棒性。     

基于脸部和步态特征融合的身份识别

提出了一种将脸部和步态特征相结合,应用于智能监控系统进行远距离视频流中身份识别的新方法.该方法首先分别采用隐马尔可夫模型(HMM)和Fisherfaces方法进行步态和脸部的识别,之后将这两个分类器得到的结果进行匹配级的融合.对从不同方向采集的31个人的视频序列进行分析实验,结果表明将脸部和步态特征相结合进行身份识别具有很好的鲁棒性,其识别性能也优于只采用脸部或步态单一特征的识别方法.     

基于多尺度特征迁移学习的步态识别研究

为了解决行人步态数据集样本量较少、单特征或多特征融合的步态识别算法特征描述不足的问题,提出了一种基于多尺度特征深度迁移学习的行人步态识别方法。该算法步骤包括：改进VGG-16网络,去除网络中最后一个最大池化层（Maxpool Layer）,融合空间金字塔池化网络结构（SPP）获取行人步态能量图（GEI）的多尺度信息,利用Imagenet数据集预训练此网络模型,将提取特征能力迁移至行人步态识别网络模型中,采用行人步态样本集微调网络,修改网络中的全连接层参数,应用于行人步态识别研究。该方法在中科院自动化研究所的CASIA-B步态数据集上的识别精度达到了95.7%,与单一步态特征的步态识别方法以及融合多种步态特征的识别方法相比,步态识别率有了明显提升,表明该方法有更好的识别性能。     

多区域特征融合的步态识别

引入了紧致度和矩形度两种新型的多区域特征用于步态识别,并且对同质心高度和伸长度两种特征进行了融合。用中值滤波器估计出步态序列的背景,用差分法提取每帧图像的运动目标轮廓,并在此基础上提取紧致度等多区域特征。基于DTW分类算法在UCSD数据库和SOTON数据库进行了实验。其结果显示：单特征的中紧致度的识别率较高,但总体来说识别率有限,如果把几种特征融合进行乘性融合就能够达到较高的识别率。对实验结果进行分析,从理论上说明了紧致度和矩形度作为主要步态特征的合理性。     

远距离人体步态识别算法的研究

步态识别是一种新的生物特征识别技术，它旨在根据人们走路的姿势进行身份识别本文就远距离人体识别算法以及步态识别所涉及到的运动分割．特征提取，模式识别进行了研究，给出了实验图像。特别对基于模型的步态特征识别和基于人体行走的步态序列特征进行识别两种方法进行了比较和分析。     

基于多区域分割的步态表示与识别算法研究

提出了一种基于多区域分割的步态表示方法,将视频中的目标人体区域部分按人体结构特点划分为多个子区,每个子区通过连接人体重心的椭圆进行拟和,建立多连接椭圆的人体结构模型,预处理阶段引入一个归一化过程以实现对各种视角下的步态序列进行表示.识别过程将模型参数作为步态特征,并引入了一定的融合机制对特征进行选择和融合.实验表明,该算法对于多个视角下的步态序列均具有较好的识别性能.     

双分支特征融合网络的步态识别算法

目的 在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法 双分支网络模型包含外观和姿态两条分支,外观分支采用Gait Set网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果 实验在CASIA-B(Institute of Automation, Chinese Academy of Sciences, Gait Dataset B)数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT(medium-sample training)划分中,该算法在3种行走状态下的准确率分别...     

Improved gait recognition through gait energy image partitioning

Recently, human gait pattern has turned into an essential biometric feature to recognize an individual remotely. Gait as a feature becomes challenging owing to variation in appearance under different covariate conditions (eg, shoe, surface, haul, viewpoint and attire). The covariates may alter few fragment of gait while other fragment stay unaltered, leading to lower the probability of correct identification. To overcome such variation, an improved gait recognition strategy is proposed in this article by gait energy image partitioning and selection processing. Our method involves pre-processing of raw video for silhouette extraction, gait cycle detection, segmentation into different regions, and histogram of gradients feature extraction from selected segments. In this way, the specific features across complete gait cycles are extracted precisely. Finally, recognition is done by using K-NN. The proposed strategy has been assessed using the CASIA B gait database. Our outcomes shows a particular proposed strategy accomplishes high recognition rate and outperforms the advanced gait recognition mechanism.     

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。     

正面视角的步态识别

现有的步态识别算法研究几乎全都是基于侧面步态的.提出一种基于正面视角的步态识别方法.首先归一化RGB颜色空间被用来检测和去除阴影,并用背景减除法提取二值化人体轮廓.提出一种专门适用于正面步态的周期检测方法,提取周期关键帧后跟踪轮廓线,并用改进的等角度采样法进行采样以减少计算量.简单高效的傅里叶描述子被用来提取特征向量,进行数据降维后构造步态模板.用最近邻和最近邻标本分类器分别进行分类.在CASIA数据库上的实验表明,该算法不仅具有较低的计算量而且表现出较好的识别性能.     

基于MPSO-BP神经网络方法的人体步态识别

为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位。通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位。实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96%以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型。     

基于腿部三角特征的贝叶斯步态识别方法

提出了一种基于步态序列中腿部三角特征的步态表示方法,在这种特征上用改进的朴素贝叶斯分类方法进行步态识别。选取步幅最大、最小两种情况下的姿态作为关键帧,用三角型模拟其腿部特征,提取三角型模型参数作为步态特征,识别时先分别用KNN和一种改进的N-best取得属性值在训练数据中的对应数值,然后用贝叶斯分类方法识别。在NLPR数据库上使用留一校验方法进行算法验证,实验证明该方法简单快速,而且取得了比较理想的识别效果。     

基于贝叶斯网络的步态识别

步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。本文提出了一种基于贝叶斯网络的步态识别方法。首先应用背景差方法获得运动人体侧面二值图像,将侧面像分为七部分来提取特征,采用最大方差法对训练集进行离散化,对各部分分别建立贝叶斯网络,最后利用“投票”规则将网络推理结果进行组合。将该方法在Soton步态数据库上进行试验,取得了比较理想的识别效果。     

傅里叶变换的多视角步态识别

步态识别作为一种全新的生物特征识别技术,通过人走路的姿势实现对个人身份的识别和认证。步态能量图将一个周期的步态组合在一起,增强了各帧的相关性,减少了噪声的干扰。对步态能量图进行傅里叶变换,利用傅里叶变换的低频分量对多个视角的步态进行识别。在CASIA数据库中进行实验,结果表明算法简单快速,取得了较好的识别效果。     

Human gait recognition by the fusion of motion and static spatio-temporal templates

In this paper, we propose a gait recognition algorithm that fuses motion and static spatio-temporal templates of sequences of silhouette images, the motion silhouette contour templates (MSCTs) and static silhouette templates (SSTs). MSCTs and SSTs capture the motion and static characteristic of gait. These templates would be computed from the silhouette sequence directly. The performance of the proposed algorithm is evaluated experimentally using the SOTON data set and the USF data set. We compared our proposed algorithm with other research works on these two data sets. Experimental results show that the proposed templates are efficient for human identification in indoor and outdoor environments. The proposed algorithm has a recognition rate of around 85% on the SOTON data set. The recognition rate is around 80% in intrinsic difference group (probes A-C) of USF data set.