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。     

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。     

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。     

多特征和多视角信息融合的步态识别

提出了一种基于多特征和多视角信息融合的步态识别方法。应用背景差分和阴影消除获得人体步态轮廓,对人体轮廓使用伪Zernike矩、小波描述子和Procrustes形状分析法进行了特征提取。通过多特征和多视角步态信息融合,完成了基于人体步态特征的身份识别。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,实验结果表明本文所提出的识别方法具有较高的识别性能。     

基于肢体长度参数的多视角步态识别算法

提出了一种基于肢体长度参数的用于多视角情况下的步态识别算法. 利用脚间距计算方法和动态身体分割方法,拟合出场景的转换参数,并以此估计出人运动情况下的5 个肢体长度参数,使用标准的分类器进行分类. 在中科院自动化所提供的NLPR 数据库上做了大量仿真实验,结果表明本方法在人的行走方向相对于摄像机光轴的角度改变时仍然保持了较高的识别率.     

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.     

基于自适应背景模型的步态检测与识别

提出了一种基于自适应背景模型的快速背景提取及步态检测的方法,并且利用傅里叶描绘子对步态轮廓图像进行描述,进行数据维数压缩,得到匹配模板,用最近邻法进行分类识别。该算法在NLPR步态数据库上取得了较高的识别率。     

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。     

基于频谱统计特性的地物目标跟踪算法

根据傅里叶变换特性,图像在发生尺度、旋转、光照变化时频域内会产生相应变化。针对该特点,将频域信息转换到极坐标系中,通过半径统计度量得到一维不变量用于地物目标跟踪算法,利用角度统计度量判断目标尺度变换,从而确定目标模板更新准则。实验结果表明,该算法对发生尺度、旋转、光照变化的图像有较好的跟踪性能,且相比Nprod, SSAD算法,其跟踪精度较高、耗时较少。     

基于子模式的完全二维主成分分析的步态识别算法

提出一种基于子模式的完全二维主成分分析的步态识别算法.首先对步态能量图进行子块划分,自适应地去掉对分类无用的子块.然后分别对每个子图像采用完全二维主成分分析方法进行特征抽取.最后将各个子块的特征合为整体采用最近邻分类器来测试识别.应用上述方法在CASIA步态数据库上进行实验,通过实验确定分块数目.实验结果表明本文算法明显好于完全二维主成分分析方法,不但有利于提取局部特征,而且对外套变化、背包,行走方向变化的步态识别也较有效.     

基于模糊理论决策的双向二维PCA 步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特 点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法。通过预处理技 术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低 平均步态能量子图像的系数矩阵维数,加快识别速度。引入模糊理论决策的方法进行最近邻 分类器的分类。最后在CASIA 步态数据库上对所提出的算法进行实验,实验结果表明该算 法具有较好的识别性能并有较强的鲁棒性。     

基于线性插值的张量步态识别算法*

提出一种新的基于线性插值的张量步态识别算法。为了能将测试步态序列与注册的相匹配,必须使测试序列的维数与注册的一致,首先将一个周期内的步态帧经相邻帧线性插值归一到一定数目,那么单个的步态样本表现成张量的形式。张量分析采用多重线性主成分分析算法,在CASIA(B)步态数据库上实验,确定单个步态张量选择一个周期比半个周期更有效。该方法得到了令人鼓舞的识别效果。     

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。     

基于双重鉴别相关性分析的图像识别算法

针对多视图相关性算法未有效利用视图中相关信息且忽视了潜在的鉴别信息的问题,提出基于同一视图内和不同视图间的双重鉴别相关性分析(DVDCA)算法。首先,设计有监督的类内和类间相关性变量,通过最大化类内相关性变量、最小化类间相关性变量来提取视图中的鉴别特征;其次,考虑在同一视图内和不同视图间均考虑进行鉴别相关特征提取,设计约束形式的双重视图鉴别相关性特征提取模型,以利用丰富的视图信息。在Multi-PIE多角度人脸数据集数据集上与多视图线性鉴别分析、典型相关性分析(CCA)、多视图鉴别隐性空间(MDLS)、不相关多视图鉴别字典学习(UMDDL)四种算法对比实验,DVDCA分类识别率能够提高1.45~4.73个百分点;在MFD多特征手写体数据集上分类识别率能够提高1.25~5.29个百分点。     

基于步态识别的智能监控系统研究

针对现有的视频监控技术仅依赖人眼的检测,缺乏智能性,进行了基于步态识别的智能监控系统研究,应用背景减除法分割出人体轮廓。通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成。运用主成分分析或行列相结合的二维主成分分析((2D)2PCA)提取特征主向量,采用最近邻分类器分类。实验结果表明,该方法可以有效降低前期处理对分类识别的影响,而且在我们自己建立的摄像头摆放有一定俯角的步态数据库中3个视角下取得很好的识别效果。     

一种基于CSI的高鲁棒性步态识别方法

针对目前的室内人员步态识别方法存在计算量大、设备成本高、鲁棒性低等问题,提出一种基于信道状态信息的高鲁棒性室内人员步态识别方法WiKown。通过快速傅里叶变换设置能量指示器监测人员行走行为,将采集的CSI步态数据经滤波与降噪处理后以滑动窗口的方式提取特征值,得到人员步态的CSI信息后建立观测序列,最后通过高斯分布叠加拟合后引入隐马尔科夫模型计算观测序列概率,生成步态参数模型。在走廊、实验室和大厅真实多人环境中,WiKown方法对单人步态的平均识别率达到92.71%。实验结果表明,与决策树、动态时间规整和长短时记忆网络方法相比较,该方法能有效地识别出人员的步态信息,提升了识别精度和鲁棒性。     

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。     

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...