基于人体轮廓和腿部特征的步态识别方法

发布时间：2017-10-07 11:47

  本文关键词：基于人体轮廓和腿部特征的步态识别方法

  更多相关文章： 步态识别 步态能量图 腿部轮廓区域 特征融合 迭代法 模糊孪生支持向量机

【摘要】：随着计算机视觉、模式识别等技术的不断进步以及人们对自身安全的重视,视频监控系统的应用得到了快速发展,其中利用计算机视觉的图像及视频中人体行走的步态进行身份识别是重要的研究内容之一。步态识别作为一种生物识别方法,它主要根据人体行走的姿态来达到身份识别的目的,该方法具有远距离、非接触性特点,且可以在不干扰他人状态下进行,因此,步态识别成为当前生物识别领域的研究热点,并且吸引了很多研究人员的广泛关注。然而,由于步态认知尚处于一个初级阶段,再加上客观环境与人的运动的复杂性,使得人的步态识别变得较为困难,所以,在步态识别中还有许多问题需要解决,例如步态特征提取,提高步态识别率和识别速度等问题。针对以上情况,本文基于人体轮廓和腿部特征对步态识别进行了研究,主要完成了以下工作:(1)分析研究LDA及其扩展方法,提出了变形PCA与RLDA相结合的特征提取方法vPCA+RLDA。通过选取训练样本的总体散布矩阵的正特征值对应的特征向量,以此组成一个维数较低的变换空间。在此空间中,为了调整特征值方差与偏差过大对识别率造成影响以及克服小样本问题,对每类样本的协方差矩阵增加一个正则项,从而构成新的准则函数,通过求解该优化问题,并选择部分特征向量组成特征矩阵。(2)针对步态识别易受背包、穿外衣等外界因素干扰,结合腿部轮廓区域,提出了一种基于腿部轮廓区域与整体特征相结合的步态识别算法。使用vPCA和RLDA方法对步态能量图像(GEI)以及腿部轮廓区域(RBL)图像分别进行降维和特征提取,将提取的两部分特征结合在一起共同表示一个行人的步态特征。(3)针对步态识别整体运行时间较长的问题,结合两类问题的迭代模糊孪生支持向量机方法对步态识别进行了研究。针对步态识别多类问题,采用逐对分类的方式,将其转换为多个两类的迭代模糊孪生支持向量机,并将分类结果通过投票方式确定步态所属类别。(4)通过选取中科院的步态数据库CASIA A、CASIA B和CASIA C以及识别率和运行时间两种评价标准,并结合四种分类方法,即NN分类器、支持向量机分类器、k近邻分类器和迭代模糊孪生支持向量机,对提出的步态特征提取方法进行了实验研究,验证了提出的特征提取方法的有效性。
【关键词】：步态识别 步态能量图 腿部轮廓区域 特征融合 迭代法 模糊孪生支持向量机
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要5-7
• Abstract7-12
• 第1章 绪论12-17
• 1.1 研究背景和意义12-13
• 1.2 国内外研究现状13-15
• 1.2.1 基于模型的步态识别13
• 1.2.2 非模型的步态识别13-15
• 1.3 主要研究内容与论文组织结构15-16
• 1.3.1 主要研究内容15
• 1.3.2 论文组织结构15-16
• 1.4 本章小结16-17
• 第2章 步态识别涉及的相关知识17-24
• 2.1 视频图像的预处理17-19
• 2.1.1 行人检测和分割提取17-18
• 2.1.2 行人的步态图像归一化18-19
• 2.1.3 步态的周期检测19
• 2.2 特征提取与表示19-20
• 2.3 步态特征融合与识别分类20-21
• 2.3.1 特征融合技术20-21
• 2.3.2 步态识别的识别分类21
• 2.3.3 鲁棒性分析21
• 2.4 步态识别数据库21-23
• 2.4.1 UCSD步态数据库21-22
• 2.4.2 SOTON步态数据库22
• 2.4.3 CMU Mobo步态数据库22
• 2.4.4 HID-UMD步态数据库22
• 2.4.5 USF步态数据库22
• 2.4.6 Gait Challenge步态数据库22
• 2.4.7 CASIA步态数据库22-23
• 2.5 本章小结23-24
• 第3章 基于vPCA与RLDA方法的步态特征提取与识别24-39
• 3.1 步态识别系统的基本框架24-25
• 3.2 散布矩阵的奇异值问题25-26
• 3.3 步态识别中常用的降维方法26-28
• 3.3.1 主成分分析法26-27
• 3.3.2 线性判别分析法27-28
• 3.4 LDA扩展方法的步态特征提取28-31
• 3.4.1 PCA与LDA相结合的特征提取29
• 3.4.2 DLDA29-30
• 3.4.3 RLDA30-31
• 3.5 基于变形PCA和RLDA的步态特征提取31-33
• 3.6 LDA扩展方法及vPCA+RLDA方法的识别实验33-38
• 3.6.1 视频图像预处理33-34
• 3.6.2 实验结果与分析34-38
• 3.7 本章小结38-39
• 第4章 融合腿部局部特征的步态特征提取与识别方法39-55
• 4.1 步态能量图像与腿部轮廓区域图像39-40
• 4.2 特征提取40-42
• 4.3 特征表示42-43
• 4.4 最小距离分类器43-44
• 4.5 k近邻分类器44
• 4.6 支持向量机分类器44-45
• 4.7 迭代模糊孪生支持向量机分类器45-47
• 4.8 融合腿部局部特征的步态识别实验47-54
• 4.8.1 视频图像预处理48
• 4.8.2 实验结果与分析48-54
• 4.9 本章小结54-55
• 第5章 总结与展望55-57
• 5.1 本文总结55-56
• 5.2 工作展望56-57
• 参考文献57-60
• 致谢60-61
• 攻读学位期间取得的科研成果61

，

本文编号：987653