基于动态特征的跨视角步态识别研究

发布时间：2021-03-09 01:45

　　步态特征是一种生物特征,它具有其他生物特征不具备的优势,如可远距离获取、不易伪装和非接触即可获得等。在监控场景下,由于摄像头与行人的距离较远,不仅常用的指纹和虹膜特征都无法获取,人脸特征在较远的距离提取出来也会很模糊。很多的研究者已经证明了步态识别在远距离的情况下是?分有效的身份识别方法,因此步态识别技术具有广泛的应用前景。然而在实际场景下,步态识别仍然面临着各种挑战,基于轮廓的步态特征受视角、衣着和携带物品等情况影响比较大,其原因这些情况往往导致行人步态轮廓的扭曲和变形;而基于模型的步态特征对视角、衣着和携带物品等情况下有比较好的鲁棒性,但因获取精准的人体姿态还具有一定的挑战,其识别率往往不如基于轮廓的方法。在总结和分析前人研究的基础上,本文针对步态识别中存在的一系列问题,视角变化下准确率极大的降低,我们提出了一种新颖的PoseGait步态识别方法,该方法在服装和携带条件下都很鲁棒。通过加入人类先验知识的时空特征也被设计加入提高识别率。该方法在两个大型数据集CASIA B和CASIA E上进行评估。实验结果表明,所提出的方法可以实现最先进的性能,并且即使只使用简洁的CNN模型,对于观... 

【文章来源】：深圳大学广东省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

从左到右：步态轮廓序列，步态能量图GEI，计时步态图像CGIs

基于动态特征的跨视角步态识别研究图2-2堆叠渐进式自动编码器来对角度进行转换，其每一层转换一个较小的角度，经过几层以后所有GEI可以被转化为侧面角度。有挑战性的任务。BenAbdelkader[15]的工作是第一个基于模型的特征表示方法，使用个体的结构步幅参数来模拟人体。即以米为单位的步幅长度和步调（每分钟步数）作为两个参数，旨在拟合参数作为步态特征进行识别。大多数基于模型的特征表示方法会模拟整个人体，Yoo[16]使用通过连接从步态提取的九个身体点获得的2D棍棒图来模拟人体运动。Boulgouris[17]的工作也将人体分成多个部分，他们主要研究了每个部分对识别率的贡献。在对整个人体进行建模之后，通常使用基于模型的特征表示方法，在人体上使用距离或关节角度进行步态识别。Bobick和Johnson[18]使用四个距离来模拟和描述人体，分别依次为左右脚间的距离，头与骨盆的距离，头和脚的距离，脚与骨盆距离。王等人[19]如图2-3将人体分成14个部分，并在每个部分使用联合角度轨迹来识别个体，他们还结合了Procrustes形状分析以提高识别率。Tanawongsuwan和Bobick[18]使用关节角度模拟人体，他们从步态数据中提取关节角度，并使用关节角度的轨迹来识别个体。同时，由于人腿在步态识别中起着重要作用，因此有些作品侧重于腿部模型，例如Yam等人[20]对人腿进行模拟，并用它们来分析人的步行和跑步。Dockstader等人的研究[21]也模拟了人的腿，其中腿被表示为在一点处连接的许多粗线。Cunado等人[22]使用VelocityHough变换（VHT）则从腿和运动中提取特征。人体的骨架和关节轨迹对于照明变化和场景变化是具有鲁棒性的的，并且由于高度8

基于动态特征的跨视角步态识别研究图2-3人体模型分为14个部分精确的深度传感器或姿势估计算法，它们也是越来越易于获得。对于关节特征的提取方法可以分为手工制作的基于特征的方法和深度学习方法。Kastaniotis等人[23]如图2-4利用Kinect传感器来提取骨架数据，可以直接获取人体关节点的运动信息。Feng[24]提出了利用人体关节的热度图作为步态特征。系列中的人体关节热度图为输入，利用长期短期记忆递归神经网络来提取动态信息。但缺点则是这个网络[24]尽管利用了LSTM去提取步态特征，缺忽略了静态特征的提取，同时也面临着预测精度的挑战。最近深度学习的成功导致了基于深度学习的提取骨架建模方法的激增，例如OpenPose提出了一种实时方法来检测图像中的人体的2D姿势。OpenPose[25]，AlphaPose[26]等方法不仅可以从视频中直接提取关节点信息，同时也能达到一个相对较好的精度。2.3基于深度学习的步态识别深度学习最近在计算机视觉领域中蓬勃发展。特别是深度卷积神经网络（CNN)[27]被用来处理各种任务。CNN由于其深度和高度非线性模型而显示出优于传统方法的压倒性优势，如果给出足够的标记训练数据，它可以式学习丰富的特征，例如在视频领域，Karpathy[28]将CNN应用于大规模视频分类。在提取视频特征中，捕获长距离依赖在深度神经网络中至关重要，对于顺序数据（例如，在语音，语言中），循环操作RNN是9


本文编号：3072032