复杂背景下多特征融合的人体步态识别研究

发布时间：2017-05-09 20:08

  本文关键词：复杂背景下多特征融合的人体步态识别研究，由笔耕文化传播整理发布。

【摘要】：随着智能视频监控技术的不断普及,迫切要求更加准确的人体运动目标区域进行步态识别。本文主要研究视频中的背景存在复杂条件下(例如树叶扰动、光照变化等)的多特征融合的人体步态识别。通过实验发现,混合高斯背景建模对复杂背景(例如树叶扰动、光照变化等)的适应性差。考虑到K均值聚类图像分割对光照和树叶抖动都有很好的鲁棒性,且分割得到的图像出现空洞的情况较少。在深入分析混合高斯背景建模的像素级特性、K均值聚类图像分割的区域特性和微正则退火算法的高效全局寻优特性后,首先提出了基于微正则退火的K均值聚类图像分割算法,使得分割得到的感兴趣区域更加精确和完整,然后在此基础上提出了基于图像分割改进的混合高斯背景建模。双向2DPCA在特征提取上,对图像的行和列都进行了压缩,减少了数据量和计算量,所以选用其提取步态能量图的特征。传统的关节角度特征是根据人体解剖学肢体身高比例得到下肢关节点,提取过于理想化,本文提出根据去除末梢点的骨架模型来得到关节角度的新方法,得到了更加准确的关节角度特征。离散Hu不变矩具有平移、尺度、旋转不变性,可以很好的代表步态的静态信息。同时,由于三种步态特征的属性和数字范围有很大差别,所以对步态特征进行了规格化。考虑到计算的复杂度和特征的互补性,因此采用不带反馈的加权特征层融合方法,即首先得到单一特征的识别率,通过识别率得到各个特征所占的权重,再进行权重调节。在解决高维模式识别、非线性和小样本等问题上,支持向量机具有独特优势,因此选用其对特征进行分类识别。在实验分析过程中,使用支持向量机对单个特征和融合后的特征进行分类,得到各自的识别率,发现改进的多特征融合识别算法的识别率得到很大提升。并通过累计匹配分值进行对比分析,评价改进的多特征融合的步态识别算法的分类性能。
【关键词】：步态识别 目标检测 关节角度 离散Hu不变矩 多特征融合
【学位授予单位】：海南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-13
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-11
• 1.3 论文结构与安排11-12
• 1.4 本章小结12-13
• 2 复杂背景下的运动目标检测13-27
• 2.1 运动目标检测概述13-14
• 2.1.1 帧间差分法13
• 2.1.2 光流法13
• 2.1.3 背景差法13-14
• 2.2 基于微正则退火K均值聚类的图像分割算法14-19
• 2.2.1 K均值聚类算法15
• 2.2.2 微正则退火算法15-16
• 2.2.3 基于微正则退火K均值聚类的图像分割算法16-17
• 2.2.4 实验结果与分析17-19
• 2.3 基于图像分割改进的混合高斯背景建模19-24
• 2.3.1 混合高斯背景建模19-21
• 2.3.2 改进的混合高斯背景建模21-23
• 2.3.3 实验结果与分析23-24
• 2.4 后续处理24-26
• 2.5 本章小结26-27
• 3 步态特征提取27-43
• 3.1 步态能量图27-30
• 3.1.1 步态能量图的原理27-28
• 3.1.2 二维主成分分析28-30
• 3.2 关节角度特征30-36
• 3.2.1 传统的关节角度特征提取方法31-32
• 3.2.2 骨架模型32-34
• 3.2.3 骨架模型中的关节角度特征的提取34-36
• 3.3 离散Hu不变矩特征36-41
• 3.3.1 Hu不变矩37-39
• 3.3.2 离散Hu不变矩39-41
• 3.4 特征规格化41-42
• 3.5 本章小结42-43
• 4 多特征融合及分类识别43-55
• 4.1 多特征融合43-45
• 4.1.1 特征融合分类43-44
• 4.1.2 步态特征融合44-45
• 4.2 SVM45-51
• 4.2.1 SVM基本原理45-49
• 4.2.2 多类SVM49-50
• 4.2.3 SVM参数的确定50-51
• 4.3 实验结果与分析51-54
• 4.3.1 实验数据库51
• 4.3.2 实验流程51-52
• 4.3.3 实验结果与识别性能52-54
• 4.4 本章小结54-55
• 5 总结与展望55-57
• 参考文献57-60
• 硕士期间发表论文和科研情况60-61
• 致谢61

【参考文献】

中国期刊全文数据库 前10条

1 周浩理;李太君;肖沙;;基于微正则退火算法对K-means聚类算法的优化[J];电视技术;2015年17期

2 马勤勇;聂栋栋;王毅;;多形状模板增强的远距离步态识别算法[J];小型微型计算机系统;2014年04期

3 柴艳妹;夏天;韩文英;李洋;;多特征融合的步态识别算法[J];小型微型计算机系统;2014年03期

4 唐春林;;基于帧差能量图遗传算法的自遮挡步态识别[J];电视技术;2014年05期

5 张元元;李静;姜树明;杨子江;张江州;;步态能量图的局部纹理特征分析方法[J];吉林大学学报(工学版);2013年S1期

6 杨旗;薛定宇;;基于稀疏表示及分段帧差能量图的步态识别[J];信息与控制;2013年01期

7 李梓;于海涛;贾美娟;;基于改进模拟退火的优化K-means算法[J];计算机工程与应用;2012年24期

8 张元元;吴晓娟;阮秋琦;;基于切向角特征的统计步态识别[J];模式识别与人工智能;2010年04期

9 张浩;刘志镜;;加权DTW距离的自动步态识别[J];中国图象图形学报;2010年05期

10 常海滨;崔莹;;基于多特征融合的远距离身份识别研究[J];国防科技;2010年01期

中国博士学位论文全文数据库 前2条

1 胡荣;人体步态识别研究[D];华中科技大学;2010年

2 贲f[烨;基于人体运动分析的步态识别算法研究[D];哈尔滨工程大学;2010年

中国硕士学位论文全文数据库 前6条

1 刘凤;基于特征融合的多视角步态识别方法研究[D];东北电力大学;2014年

2 徐畅;大规模路网下基于蚁群微正则退火算法的路径优化方法研究[D];吉林大学;2013年

3 胡帅;复杂场景下步态识别技术研究[D];哈尔滨工程大学;2013年

4 冯惠丽;一种新的不变矩在步态识别中的研究应用[D];太原理工大学;2010年

5 吕彦廷;基于隐马尔科夫模型的步态身份识别[D];西华大学;2009年

6 袁海军;采用不变矩的步态识别[D];重庆大学;2007年

  本文关键词：复杂背景下多特征融合的人体步态识别研究，由笔耕文化传播整理发布。

，

本文编号：353198