耦合度量学习理论及其在步态识别中的应用研究

发布时间：2017-08-25 16:11

  本文关键词：耦合度量学习理论及其在步态识别中的应用研究

  更多相关文章： 耦合度量学习 跨视角步态学习 矩阵对齐 张量对齐 跨域识别

【摘要】：随着计算机存储和运算性能的大幅度提高,基于计算机视觉的生物特征认证以及识别技术发展迅速,人脸识别、指纹识别和虹膜识别等技术在可控场景下已经相对成熟,并在商业、公共安全、医学甚至娱乐等领域广泛应用。但是实际场景中,被识别个体生物特征通常被要求在远距离非接触条件下通过低分辨率或者不同类型的传感器捕获,这对传统的生物特征识别技术提出了极大的挑战。步态特征具有远距离检测、采集非接触性、不易伪装模仿、受环境影响小和占用内存小等优点,是远距离下最具有潜力的生物特征之一,在公共安全领域具有良好的应用前景和经济价值。但是,步态视角变化将会改变可观测的人体步态特征,造成步态识别困难。为了解决视角变化引起的跨视角步态识别问题,本课题提出基于耦合度量学习理论的跨视角步态识别算法。具体而言,本论文主要贡献如下：·概述了课题的研究背景以及意义,综述了国内外对跨视角步态识别和耦合度量学习两个领域的研究现状。·研究了向量空间内基于向量流形对齐的耦合度量学习方法,主要包括耦合距离度量学习、耦合边距Fisher分析和联立判别分析,并提出一种融合了判别信息和流形结构的耦合间距判别分析算法,该算法旨在削弱跨域问题的数据差异,增强跨域数据间的耦合关系。另外,本文首次将这些向量空间内耦合度量学习算法应用于跨视角步态识别研究。·提出了矩阵空间内基于矩阵对齐的耦合度量学习框架,在此基础上本文提出了二维耦合距离度量学习、二维耦合边距Fisher分析、二维耦合线性判别分析、二维联立判别分析和二维耦合间距判别分析五种基于矩阵空间的耦合度量学习算法,并使用中科院自动化所CASIA (B)步态库的二维步态能量图数据验证了该框架下五种算法的有效性。·提出了张量空间内基于张量对齐的耦合度量学习框架,此框架旨在解决高维异构数据识别问题,是向量和矩阵空间内耦合度量学习方法在高维空间的表达形式。基于此框架,本文提出了基于张量空间的耦合距离度量学习、耦合边距Fisher分析、耦合线性判别分析、联立判别分析和耦合间距判别分析五种算法。另外,本文研究了基于Gabor表示的步态张量特征,并在CASIA(B)步态库上验证了基于张量空间内耦合度量学习框架下算法在高维度异构数据下的优越性。
【关键词】：耦合度量学习 跨视角步态学习 矩阵对齐 张量对齐 跨域识别
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP18
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-24
• 1.1 课题背景及意义12-16
• 1.2 国内外研究现状16-21
• 1.2.1 跨视角步态识别概述16-20
• 1.2.2 耦合度量学习概述20-21
• 1.3 研究的主要内容21-22
• 1.4 论文结构安排22-23
• 1.5 本章小结23-24
• 第二章 基于向量空间的耦合度量学习方法24-49
• 2.1 向量空间下耦合度量学习模型概述24-25
• 2.2 耦合距离度量学习25-28
• 2.3 耦合边距Fisher分析28-31
• 2.4 联立判别分析31-36
• 2.5 耦合间距判别分析36-40
• 2.6 实验分析40-48
• 2.6.1 CASIA(B)步态库40-41
• 2.6.2 步态能量图41-42
• 2.6.3 实验设置42-43
• 2.6.4 实验结果及分析43-48
• 2.7 本章小结48-49
• 第三章 基于矩阵空间的耦合度量学习方法49-83
• 3.1 矩阵空间下耦合度量学习模型概述49-51
• 3.2 二维耦合距离度量学习51-55
• 3.3 二维耦合边距Fisher分析55-60
• 3.4 二维耦合线性判别分析60-64
• 3.5 二维联立判别分析64-70
• 3.6 二维耦合间距判别分析70-77
• 3.7 实验分析77-82
• 3.7.1 实验设置77-78
• 3.7.2 实验结果及分析78-82
• 3.8 本章小结82-83
• 第四章 基于张量空间的耦合度量学习方法83-127
• 4.1 张量基础83-86
• 4.2 张量空间下耦合度量学习模型概述86-88
• 4.3 基于张量对齐的耦合距离度量学习88-93
• 4.4 基于张量对齐的耦合边距Fisher分析93-98
• 4.5 基于张量对齐的耦合线性判别分析98-103
• 4.6 基于张量对齐的联立判别分析103-108
• 4.7 基于张量对齐的耦合间距判别分析108-116
• 4.8 实验分析116-125
• 4.8.1 Gabor步态特征116-119
• 4.8.2 实验设置119
• 4.8.3 实验结果及分析119-125
• 4.9 本章小结125-127
• 第五章 总结与展望127-129
• 5.1 总结127-128
• 5.2 局限性和工作展望128-129
• 参考文献129-136
• 致谢136-137
• 硕士期间研究成果137-139
• 学位论文评阅及答辩情况表139

【相似文献】

中国期刊全文数据库 前10条

1 田光见,赵荣椿;基于傅立叶描绘子的步态识别[J];计算机应用;2004年11期

2 田光见;赵荣椿;;一种步态识别方法[J];计算机科学;2005年09期

3 洪文,黄凤岗,苏菡;基于连续隐马尔科夫模型的步态识别[J];应用科技;2005年02期

4 刘玉栋,苏开娜,马丽;一种基于模型的步态识别方法[J];计算机工程与应用;2005年09期

5 田光见,赵荣椿;步态识别综述[J];计算机应用研究;2005年05期

6 赵子健;吴晓娟;;基于近似时空切片向量的步态识别方法研究[J];模式识别与人工智能;2005年05期

7 赵黎丽;侯正信;;步态识别问题的特点及研究现状[J];中国图象图形学报;2006年02期

8 许文芳;吴清江;;步态识别综述[J];福建电脑;2007年01期

9 彭彰;吴晓娟;杨军;;基于肢体长度参数的多视角步态识别算法[J];自动化学报;2007年02期

10 韩旭;刘冀伟;么键;那幼超;王志良;;一种改进的步态识别方法[J];电子器件;2007年04期

中国重要会议论文全文数据库 前8条

1 邓玉春;刘世平;;自动步态识别方法研究综述[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

2 何卫华;李平;文玉梅;叶波;袁海军;;运用下肢关节角度信息进行步态识别[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 肖军;苏洁;郑波;贾鹏宇;;智能仿生腿在不同路况下的步态识别系统研究[A];2007中国控制与决策学术年会论文集[C];2007年

4 张聪;明东;万柏坤;;基于小波描述子和人体骨架模型的多视角融合步态识别[A];天津市生物医学工程学会第29届学术年会暨首届生物医学工程前沿科学研讨会论文集[C];2009年

5 朱京红;方帅;高明;方杰;;基于人工免疫模型的步态识别方法[A];第十四届全国图象图形学学术会议论文集[C];2008年

6 叶波;文玉梅;李平;;基于核主元分析和支持向量机的步态识别算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 王科俊;阎涛;吕卓纹;;基于耦合度量学习的特征级融合方法及在步态识别中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

8 王科俊;贲f[烨;;基于线性插值的特征模板构造的步态识别算法框架[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

中国重要报纸全文数据库 前2条

1 编译 刘东征;新型“步态密码”给手机加把锁[N];北京科技报;2005年

2 若水;分析步态识别身份[N];光明日报;2003年

中国博士学位论文全文数据库 前10条

1 刘磊;基于多源信息的步态识别算法研究[D];河北工业大学;2015年

2 余杰;基于视频的人体目标跟踪与识别技术研究[D];电子科技大学;2016年

3 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

4 曾玮;基于确定学习理论的人体步态识别研究[D];华南理工大学;2012年

5 张元元;基于序列统计特性的步态识别算法研究[D];山东大学;2010年

6 赵国英;基于视频的步态识别[D];中国科学院研究生院（计算技术研究所）;2005年

7 薛召军;基于小波变换和支持向量机相结合的步态识别新方法研究[D];天津大学;2007年

8 胡荣;人体步态识别研究[D];华中科技大学;2010年

9 顾磊;基于图像序列的人体步态识别方法研究[D];南京理工大学;2008年

10 刘海涛;基于立体视觉的步态识别研究[D];中国科学技术大学;2010年

中国硕士学位论文全文数据库 前10条

1 杨楠;基于视触觉多特征融合的步态识别方法研究[D];河北工业大学;2015年

2 周浩理;复杂背景下多特征融合的人体步态识别研究[D];海南大学;2016年

3 李雪燕;视频监控中人体步态识别方法研究[D];长春工业大学;2016年

4 潘秀芳;基于手机的步态识别研究[D];燕山大学;2016年

5 罗璨;存在干扰因素情况下的步态识别统动力学初步探索[D];苏州大学;2016年

6 张鹏;耦合度量学习理论及其在步态识别中的应用研究[D];山东大学;2016年

7 沈小康;基于Kinect的人体步态跟踪与识别技术[D];山东大学;2016年

8 周洁;基于姿态与压力信息的步态识别方法[D];西南交通大学;2016年

9 陈庆峰;基于确定学习理论的步态分析及在神经退行性疾病分类中的应用[D];华南理工大学;2016年

10 陈玲;基于视频流的步态识别系统研究与实现[D];暨南大学;2016年

，

本文编号：737384