动静态信息融合及动态贝叶斯网络的步态识别

步态是远距离视频监控领域最具潜力的生物特征。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,通过分析人体行走时步态的时序特征,提出一种基于动静态信息相结合的多信息融合的动态贝叶斯网络(DSIF-DBN)。模型含有3层状态,模型中每个时间片都为静态信息和动态信息的融合。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静态信息及动态信息,并且在有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。     

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...     

步态表征和步态融合方法新进展

作为可远距离感知的生物特征识别技术之一,步态识别受到越来越多的关注.有效的步态表征方法是步态识别的关键,信息融合是提高步态识别性能的重要手段.从步态表征方法和信息融合方法两方面总结了步态识别技术的最新进展;对步态表征方法做了详细的总结;从多特征融合、多视角融合和多模态生物特征融合3个方面归纳了融合在步态识别方面的发展.在此基础上,分析了步态识别的发展趋势.     

基于SVM的偏瘫患者异常步态识别与临床康复辅助诊断系统

针对脑卒中偏瘫患者的异常步态识别与评估的问题，提出一种基于支持向量机(SVM)的步态分类方法，依据患者下肢行走过程中的连续运动数据对异常步态的细节特征描述，对偏瘫步态进行细分，辅助临床医师对脑卒中患者肢体运动功能异常进行诊断及康复疗效评定。构建穿戴式步态时空参数检测及虚拟现实康复训练系统，提出基于下肢关节角度信息的特征提取方法，建立运动信号与偏瘫步态间的映射关系。基于偏瘫患者在康复治疗中的临床实时步态时空数据，通过对比多种机器学习方法，采用多项式核函数的支持向量机的决策融合模型获得了90%异常步态识别平均准确率，在区分正常与异常步态的基础上，进一步验证了对划圈步态和膝过伸步态的正确诊断。     

显著性时空特征融合的多视角步态识别算法

行人步态是一种具有唯一标识行人身份能力的生物特征,可以使用视频监控系统中的行人步态远距离识别行人身份,如何有效提取监控视频中行人的多视角步态特征是一个具有挑战性的问题。本文设计了一个孪生LSTM网络架构,用于完成多拍摄视角下的步态识别任务。本文方法优点：(1)设计了一个框架融合步态序列显著的空间特征和时序特征进行多视角步态识别;(2)设计了时序总结孪生LSTM架构自动学习不同视角下步态序列的显著周期性运动特征;(3)分析了LSTM的层数、隐藏单元数量与识别准确率的关系,定量评价了相同视角和交叉视角下的步态识别性能。实验结果表明,本文方法在OULP-C1V1-A步态数据集上相同视图和交叉视角下都取得了良好的步态识别性能。     

基于视频残差神经网络的深度步态识别

步态识别是根据人体的行走方式进行身份识别. 目前, 大多数步态识别方法通过浅层神经网络进行特征提取, 在室内步态数据集表现良好, 然而在近年新公布的室外步态数据集中性能表现不佳. 为了解决室外步态数据集带来的严峻挑战, 提出了一种基于视频残差神经网络的深度步态识别模型. 在特征提取阶段, 基于提出的视频残差块构建深层3D卷积神经网络(3D CNN), 提取整个步态序列的时空动力学特征; 然后, 引入时序池化和水平金字塔映射降低采样特征分辨率并提取局部步态特征; 使用联合损失函数驱动训练过程, 最后通过BNNeck平衡损失函数并调整特征空间. 实验分别在公开的室内 (CASIA-B)、室外(GREW、Gait3D)这3个步态数据集上进行. 实验结果表明, 该模型在室外步态数据集中的准确率以及收敛速度优于其他模型.     

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。     

基于双流步态网络的跨视角步态识别

通过增强样本数据和网络特征,提出双流步态网络,增强模型对携带物、衣物变化影响的鲁棒性.首先构造双流步态网络,分别提取步态视频数据中的全局特征和协变量影响范围外的局部判别信息.再将两组网络的特征信息相加融合后,得到步态的双流特征表达.提出的限制随机遮挡策略增广用于训练样本的难度和多样性,提高网络对局部特征的学习能力,减弱协变量的不利影响.另外,改进三元组损失采样方法,加速网络模型的训练收敛速度.在大型步态数据集CASIA-B和OU-MVLP上的实验表明,在携带背包和穿着不同衣物的行走状态下,双流步态网络步态识别准确率较高.     

可穿戴传感步态模式深度学习融合判别模型

为有效提高鉴别可穿戴传感数据步态模式的准确度,本文提出一种将卷积神经网络和长短时记忆神经网络相融合的深度学习步态模式判别新模型,该模型充分利用卷积神经网络所具获取最具数据局部空间特征和长短时记忆神经网络模型所具获取数据内在特征时间相关性优异特性,有效挖掘隐含于高维性、非线性、随机性可穿戴传感时序步态数据与步态模式变化密切相关的时-空步态特征,提高步态模式分类性能.采用美国加州大学UCI数据库HAR数据集评价本文所提模型的有效性,实验结果表明,本文所提模型可有效获取内嵌于可穿戴传感步态数据的时-空步态特征,分类准确率可达91.45％、精确率可达91.54％以及召回率可达91.53％,分类性能显著优于传统机器学习模型,为准确鉴别可穿戴传感数据步态模式提供一个新的解决方案.