双视角下多特征信息融合的步态识别

针对步态识别研究中单视角识别率低、多视角算法复杂等问题,开展了双视角下的步态识别研究.考察正面视角人体的轮廓特征和侧面视角人体行走的动态特征,利用多视角步态信息互补性强的特点,分别从正面视角和侧面视角获取步态序列,预处理得到单连通人体轮廓图形,然后对正面视角提取Procrustes均值形状,侧面视角计算动作能量图(AEI)并经二维局部保留映射(2D LPP)降维,最后将2个视角下的识别结果进行融合从而获得最终的识别结果.在中科院自动化所的DatasetB数据库上进行了实验,获得了较高的识别率,达到了预期的识别效果.     

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。     

基于类Haar特征模板匹配的多镜头步态识别算法

针对视频监控中步态识别算法准确度较低的问题,提出一种双边傅里叶校正点估计类Haar特征模板匹配的多镜头步态识别算法。根据视频监控的特点,使用图像点估计重构算法,设计一种无标记类Haar特征模板匹配的步态特征提取算法,进行步态的自动识别与提取。对不同镜头视角下特征运动角度提取差异,基于双边傅里叶级数实现观测角度校正,并依据高维特征空间设计自适应顺序前进浮动选择的搜索算法。在Southampton测试库上的仿真结果表明,该算法步态正确分类率达到96.3%,能有效提高分类识别精度。     

光流分量分解的步态识别

步态识别因其远距离和难于伪装等特点在生物识别技术中颇受关注。针对目前特征提取方法信息量不足的现状,提出一种基于光流分量分解的步态识别方法,对步态光流图中横向分量和纵向分量为正的部分按行、列进行分解,求出每行和每列的光流横、纵向分量,得到4个特征向量。根据训练得出的每个特征向量在识别过程中的权重进行特征融合。将主成分分析和线性判别分析相结合,用动态时间规整算法进行匹配,最后采用最近邻分类算法分类。在CASIA Database B和C上的实验表明,该方法在正常、背包和穿大衣的条件下分别得到了97%,90%和64%的识别率,在慢速和快速行走的条件下分别得到了88%和87%的识别率。     

基于人体轮廓面积特征的步态识别

为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对5种不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。     

基于CCA的人耳和侧面人脸特征融合的身份识别*

鉴于人耳和人脸特殊的生理位置关系,从非打扰识别的角度出发,提出仅采集侧面人脸图像,利用典型相关分析的思想提取人耳和侧面人脸的关联特征,进行人耳和侧面人脸在特征层的融合.实验结果表明,此方法与单一的人耳或侧面人脸特征识别比较,识别率得到提高.     

基于动态能量特征的步态识别方法

步态是生物特征识别领域的一个新兴热点,它有三大优势:远距离识别、非侵犯性和难于隐藏.本文提出一种新的基于动态能量特征的步态识别算法.首先对输入的步态序列进行背景建模;然后分割出图像中运动人体的二值侧影;再从侧影序列中提取出步态的动态能量特征矩阵;最后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,该方法不仅简单、易操作,而且在UCSD和CMU数据集上均获得90%以上的高识别率.     

基于SEF-GHEI及协同表示的步态识别研究

将协同表示方法应用于步态识别中可以解决稀疏表示方法计算耗时的问题,但提取步态特征采用的GEI算法没有考虑步态内部轮廓边界信息,导致识别率不高。针对此问题,本文提出使用融合Hog和GEI算法的方法提取步态特征,在此基础上使用协同表示的方法训练,再通过计算测试样本的最小重构误差进行分类。实验结果表明,该方法在单一视角下步态识别准确率平均提高了1.315%,以及跨视角下步态识别准确率平均提高了6.51%,说明本方法是可行的。     

基于主运动轮廓线的步态表示与识别

提出了一个基于步态主运动轮廓线构造特征矩阵, 并进行特征表示和分类识别的算法. 该算法首先从步态轮廓线提取三段代表人体主要运动的部分, 基于它们到质心的横向距离构造描述步态图像序列的三个特征矩阵. 然后, 采用主分量分析(Principal component analysis, PCA)方法去除特征矩阵中的冗余数据, 并利用多元判别分析(Multiple discriminant analysis, MDA)将特征矩阵投影到更易于分类的空间. 最后, 在USF步态数据库上计算测试对象的Rank n识别率, 并与其他三个有代表性的算法进行比较. 实验结果显示, 本文算法的平均识别率更高, 抗干扰性更强.     

新的基于特征关系表述的步态识别算法

为了快速有效地进行步态识别,利用特征关系非平稳分布的统计特性,提出了一种新的基于特征关系表述的步态识别算法。首先,将剪影轮廓相邻像素点间8邻域相对方向标号作为特征关系属性一,将轮廓边界点与中心点间的距离作为特征关系属性二,经直方图归一化处理,得到两种关系属性的联合概率;其次,结合主成分分析(PCA)降维的方法,提取特征主向量;最后,采用最近邻分类器进行识别分类。实验证明,该算法在CASIA步态数据库上,最高达到了90%以上的识别率,而且与传统的特征关系表述步态识别算法相比,关系属性联合概率矩阵维数由900维下降到240维,大大降低了算法的计算代价。     

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。     

基于生成对抗网络的跨视角步态特征提取

步态是一种能够在远距离、非侵犯的条件下识别身份的生物特征,但在实际场景中,步态很容易受到拍摄视角、行走环境、物体遮挡、着装等因素的影响.在跨视角识别问题上,现有方法只注重将多种视角的步态模板转化到固定视角下,且视角跨度的增大加深了错误的累积.为了提取有效的步态特征用于跨视角步态识别,本文提出了一种基于生成对抗网络的跨视角步态特征提取方法,该方法只需训练一个模型即可将步态模板转换到任意视角下的正常行走状态,并最大化地保留原本的身份特征信息,从而提高步态识别的准确率.在CASIA-B和OUMVLP数据集上的实验结果表明,该方法在解决跨视角步态识别问题上具有一定的鲁棒性和可行性.     

基于自适应特征选取的步态识别

提出基于自适应特征选取的步态识别方法。采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心的距离和夹角对步态特征进行描述。采用Boosting算法自适应选取最优特征序列,对识别结果进行加权处理。该方法结合了步态的动态和静态信息,实验结果表明该方法具有较高的识别性能。     

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。     

结合双流网络和金字塔映射的步态识别

目前,基于深度学习的步态识别方法虽然取得了一定的进展,但数据采集和步态外观的变化仍然是实现精确步态识别所面临的挑战。为了提高网络对时空步态信息的捕捉能力,提出了一种基于步态轮廓流和步态特征差分流的双流网络结构。步态轮廓流以步态轮廓图作为输入,用来提取步态序列中包含的空间步态信息;步态特征差分流则是以步态特征差分图作为输入,用来捕获相邻步态图之间的动态信息。同时,为了充分利用步态序列中的全局和局部信息,提出了多尺度金字塔映射（multi-scale pyramid mapping,MPM）模块,并插入到各单流网络中以增强网络对全局和局部步态信息的提取能力。所提方法在步态数据集CASIA-B和OU-MVLP上的平均识别精度分别达到了87.0%和85.5%,这表明双流网络架构和MPM模块可以有效地捕获步态序列中的时空步态信息。     

基于切向角特征的统计步态识别

提出一种基于切向角特征的统计步态识别算法。首先利用Procrustes统计形状分析将步态序列中人体侧影轮廓的连续姿态变化表示成一个紧致的Procrustes均值形状(Procrustes Mean Shape, PMS),作为原始步态特征。然后计算PMS上各采样点处的切矢量所对应的切向角。切向角反映轮廓形状在该点处的走向和趋势,提供一种局部的可鉴别的步态特征,称为切向角特征(Tangent Angle Feature, TAF)。最后,利用切向角度差距离来计算任意两个TAF之间的相似性,并用最简单的标准分类器实现步态识别。在CASIA数据库和SOTON数据库上的实验结果表明,该算法简单有效,得到的正确识别率优于其他现有算法。     

基于角度统计特征的步态识别

提取角度统计特征,为步态识别提出了一种新途径.用统计的方法,等角度间隔地计算归一化步态轮廓图像各像素点至质心距离的均值与方差,并用其构造步态识别的特征向量.与提取步态轮廓图像边界特征的方法相比,该方法具有算法简单、运算速度快、无需建立复杂的数学模型等优点.以Matlab7.5为平台,以中科院自动化研究所提供的CASIA数据库为样本进行了大量实验,实验结果表明:该步态识别方法具有较好的识别性能.     

基于模糊主成分分析的步态识别

提出针对步态能量图的基于模糊主成分分析的步态识别算法。通过对原始步态序列进行预处理得到步态能量图,利用模糊主成分分析提取出特征值和对应的特征向量,获得模糊主成分后将其映射到低维空间,并使用最近邻法进行分类。在CASIA数据库上对算法进行验证,实验结果证明,该算法与同类算法相比具有更好的识别性能。     

基于步态能量图和不变矩的身份识别算法

分析步态能量图即具有作为静态的外观特征,又包含了识别的动力学有用信息,同时证明了步态能量图对噪声的不敏感性。文章提出了一种基于步态能量图和不变矩的身份识别算法,介绍了不变矩的基本理论以及Hu提出的七个不变矩,利用图像不变矩的平移、尺度和旋转不变特性,从原始的步态能量图中提取不变矩特征作为步态能量图的输入特征向量,运用不变矩的最小距离分类器的模式匹配进行步态特征分类。最后在CASIA步态数据库上对所提出的算法和其他新的步态识别方法相比较。实验结果表明,提出的算法是一种有效的步态识别方法。