基于SVM的步态识别方法综述

步态识别是非接触式生物特征识别领域的前沿课题,通过对人体行走方式的识别以确定个体的身份,在智能视频监控领域有较高的研究价值.步态分类是步态识别过程中的重要任务和关键步骤.首先概述了步态识别过程及分类方法,然后重点对基于支持向量机的步态分类方法进行了综述,分析了基于该方法的最新研究进展,对每个具体研究方法的优缺点进行了对比.最后,指出目前步态识别在实际应用中存在的局限性,并对该领域发展方向进行了展望.     

一种步态识别方法

步态识别作为一种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.算法利用步态轮廓图像边界到重心的距离矢量对步态轮廓图像进行描述,采用步态图像的高宽比进行步态的准周期性分析.利用隐马尔可夫模型进行步态时变数据匹配识别.算法在CMU数据库上面进行实验取得了较高的正确识别率.     

基于线性判别分析和支持向量机的步态识别

提出了基于线性判别分析(LDA)和支持向量机(SVM)的步态识别方法.应用背景差方法分割出运动人体轮廓,对人体轮廓进行水平和垂直投影,将垂直和水平投影向量合成为一维步态数据向量.通过线性判别分析对步态数据进行特征提取和压缩,对得到的识别量应用支持向量机进行步态的分类和识别.应用上述方法在CMU步态数据库上进行了实验,实验结果表明本文所提的步态识别方法具有较高的识别性能.     

基于随机行走时间的步态识别方法

为了在多视角条件下进行步态识别,提出了一种基于随机行走时间的步态识别方法.通过求解定义在步态轮廓上的泊松方程得到轮廓内任一点到轮廓边界的平均随机行走时间,以该时间给轮廓内的每个点重新赋值;统计该轮廓内等角度间隔的扇形区域内所有点的均值和方差,用其构造整体特征向量W;利用SVM算法在多视角的条件下进行步态分类.在CASIA步态数据库上进行了大量的实验,其结果表明了该方法的有效性和鲁棒性.     

一种基于多区域侧影面积的步态识别方法

提出一种基于多区域侧影面积的步态识别方法,该方法将视频序列中检测出的步态侧影划分为5个子区域,提取每个子区域中的侧影面积并计算步态序列中面积的变化特征,从而构成描述步态序列的特征向量,实验表明该方法具有较好的识别性能,是一种有效的步态识别方法.     

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。     

一种基于多区域不变矩的步态识别方法

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。本文提出了一种基于多区域不变矩的步态识别方法,将视频序列中检测出的步态侧影分为五个子区域,提取每个子区域的不变矩特征并计算步态序列中不变矩的变化特征,从而构成描述步态序列的特征向量。最后的实验表明,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。     

基于步态能量图的KPCA和SVM的步态识别方法

采用了一种基于步态能量图（GEI）的步态特征提取方法,主要是通过得到的步态侧影图像进行规格化并进行周期分析,然后提取其步态能量图。同时针对传统主成分分析（PCA）方法只能处理线性和服从指数型分布的情况,提出了采用基于核方法的主成分分析（KPCA）来对数据进行特征降维,然后采用泛化能力较强的分类器SVM来对特征进行识别。应用上述方法在CASIA数据库上进行了实验,结果表明采用上述方法取得了较理想的效果。     

基于下肢角度特征的步态识别方法

基于人行走时的下肢角度变化包含丰富的个体识别信．幽观点,提出利用下肢角度特征进行步态识别的新方法。对每个步态序列,依据人体解剖学的先验知识定位下肢关节点,计算相邻关节点连线与竖直线的夹角,以此作为下肢角度;通过步态周期分析,提取一个步态周期的下肢角度变化序列作为特征向量表征步态。最后,采用针对小样本问题具有很好分类效果的支持向量机技术实现步态的分类决策。CASIA步态数据库上的仿真结果证明本方法具有较高的识别性能。     

用侧影特征分析和识别人的异常步态

基于计算机视觉的步态分析是计算机视觉领域的研究热点。目前的研究大多集中在通过对正常步态的分析实现身份识别,而通过异常步态分析来识别人的异常状况方面的研究却很少。提出了一种简单有效的基于计算机视觉的异常步态识别方法,通过人的宽高比提取反应步态特征的特征向量,然后用支持向量机进行异常步态的识别。实验结果表明了该方法的有效性。     

基于动态部位特征的步态识别方法

为了在衣着饰物变化条件下进行步态识别,提出了一种基于动态部位特征的步态识别方法。首先,采用泊松方程给步态轮廓内的每个点赋值,并构造合适的阈值函数来提取步态序列的动态部位特征;然后,统计其等角度间隔的扇形区域内的均值和方差,用其构造动态特征向量;最后,利用支持向量机算法在行走人衣着饰物发生变化的条件下进行步态分类。通过在CASIA大规模步态数据库上的实验,验证了该方法的有效性和鲁棒性。     

基于足底压力与支持向量机的步态相位识别研究

随着两足机器人、人工假肢技术以及为行走困难病人康复设计的康复训练机器人的发展,在线的步态相位识别方法越来越重要。本文提出的基于足底压力与支持向量机(SVM)的步态相位识别算法主要由五部分组成,即数据采集、数据预处理、特征提取、训练分类器和分类识别。实验表明：该方法能够对运动中的步态相位进行准确的判断。     

一种基于时空分析的步态识别方法

提出一种基于侧影的非模型步态识别方法,从图像序列中提取特征进行识别.首先,采用背景减除技术检测跟踪人的侧影,提取出相应的侧影形状轮廓.然后,用新的轮廓形状描述和分析方法对轮廓形状进行时空分析,并运用离散傅立叶变换进一步提取最终用于识别的步态特征.该描述和分析方法兼顾步态的空间和时间信息,能在较低的代价下表达步态运动的时空变化模式.最后,运用标准的模式分类器对步态序列进行训练和识别.在常用数据库上所做测试的结果表明,本方法行之有效.     

基于可变区域特征和SVM的步态识别研究

根据人体随步态变化不一样的特点,提出了一种基于人体可变区域分割的步态识别方法。首先,应用背景差方法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。最后对得到的特征量采用SVM进行步态的分类和识别。在UCSD和CASIA步态数据库上进行实验,结果表明该方法不但能克服由于获取的特征量过少而造成的信息丢失,还取得了较好的识别性能。     

一种新的基于区域特征的快速步态识别方法

步态是生物特征识别领域的一个新兴热点，它有以下3大优势：远距离识别、非侵犯性和难于隐藏。由于当前提出的大量步态特征提取算法要么过于复杂，要么识别率不高，难以满足自动步态识别的需要，因此，为了进行准确快速的步态识别，提出了一种新的基于区域特征的快速步态识别方法。该方法首先将检测出的2维人体侧影分为头部、躯干和腿部3个区域；然后分别提取每个区域的目标面积；最后将这些面积特征和人体的宽高比特征一起构成步态特征矢量用于训练和识别。此外，还改进了一种新的N—best分类器，该分类器在一定程度上提高了算法的识别率。实验结果表明，该新方法不仅简单快速，而且在UCSD和CMU数据集上分别得到了90％和98％左右的高识别率。     

一种基于Hough变换的步态特征提取方法的研究

步态识别是一种新兴的生物特征识别技术,旨在通过人们走路的姿态进行身份识别。与其他的生物识别技术相比,步态识别具有非接触远距离和不容易伪装的优点。提出了一种基于新的特征提取方法的自动步态识别算法,该算法仅从腿部的运动进行身份识别。对于每个序列,用一种基于图像色度偏差的背景减除算法来检测运动对象,在经过后处理的二值图像序列中利用边界跟踪算法获取对象边界。在对象边界图像上,局部应用Hough变换检测大腿和小腿的直线,从而得到大腿和小腿的倾斜角。用最小二乘法将一个周期内的倾斜角序列拟合成5阶多项式,把Fourier级数展开后得到的相位与振幅的乘积定义为低维步态特征向量。在小样本的数据库上用F isher线性分类器验证所研究算法的性能,正确分类率为79.17%。在步态数据库不很理想的情况下也获得了较好的识别率。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

一种基于模型的步态识别方法

该文提出了一种简单有效的基于人体骨骼化模型的步态识别方法。首先,对输入的步态序列自动进行背景初始化;然后分割图像中运动人体的侧面影像,并进一步细化为人体的骨骼化模型;从模型中提取人体的静态参数(如身高、步幅)以及动态参数(如运动过程中关节点的位置、肢体角度);最后,应用标准的模式分类技术对个体的身份做出识别。实验结果表明,此方法通过提取可靠的步态特征,降低了数据处理的代价,而且得到了较为良好的识别性能。     

结构化步态特征表征和快速步态识别方法

对于只有单一步态信息的特征数据库,在人数众多时,遍历识别算法识别时间长、识别率低。针对这个缺点,提出一种结构化步态特征表征和快速步态识别方法,将人的步态信息与身高、性别、年龄等一起构成结构化的步态特征,用不同传感器采集数据,不同的方法提取各个特征分量并独立加以利用。结构化的步态特征便于识别算法对步态识别问题进行分级处理,缩小识别范围。实验表明,文中方法不仅能够提高识别速度,而且能获得更高的识别率。     

支持向量机在步态识别算法中的应用研究

步态识别是图像处理领域的一个新兴热点.人行走姿态准确识别困难因素较多,由于步态数据是一种高维、小样本数据,传统识别方法不能检测前景与背景差异情况,导致识别正确率比较低.为了快速准确地进行步态识别,提出支持向量机的步态识别方法.方法首先根据步态图像中前景点与背景点的差值,自适应计算区分前景点与背景点的阈值,根据阈值对步态图像进行二值化,在特征提取阶段,采用水平、垂直和对角线 3 个方向提取步态信息,并通过小波变换进行特征维数约简,最后将小波变换提取维步态特征采用支持向量机学习得到步态识别结果.在中国科学院自动化所的 CASIA 步态数据库上进行了识别仿真,结果表明,方法的识别正确率有所提高,且识别的速度加快,是步态识别有效的方法,并具有广阔的应用前景.