监控视频中基于人体关键点的步态识别研究

步态识别作为一种行为特征识别技术,相对于人脸识别具有图像分辨率要求低、可远距离识别、可夜间识别等优点,在视频侦查领域有广阔的应用前景。本文提出一种基于监控视频中人体轮廓关键点与质心之间位置关系特征表示,利用BP神经网络进行分类的步态识别方法。基于CASIA Dataset B进行实验,实验结果验证了所选步态特征的可行性,实现了较高的步态识别效果。     

基于三维动态步态的身份识别方法仿真

根据步态识别人身份的研究中,由于二维步态特征无法完全表示人体特有的动态步伐特征,导致识别受限。提出基于三维动态步态的身份识别方法,以连续步态图像帧为单位,通过立体视觉技术从二维图对不同采样时刻的运动人体三维步态轮廓信息进行提取,提取人体步态三维轮廓后,对其进行无关区域分割,获取和人体行走相关的步态特征。通过构建步态特征变换的几何模型,给出动态三维步态特征的转换过程,依据欧氏距离度量,根据结果实现身份识别。仿真实验结果表明,所提方法具有很高的识别精度和识别效率,性能较静态方法有较大的改善。     

步态与人脸融合的身份识别方法

为了保持步态识别的优势,克服单一生物特征识别的不足,提高远距离的身份识别率,提出了一种步态与侧面人脸在特征层上融合识别方法.首先利用二向图像矩阵主成分分析,对步态能量图和侧面人脸图分别进行特征提取与降维处理,得到初始特征矩阵,并将得到的初始特征矩阵进行矢量化、特征组合,获得组合特征向量.然后利用多重判别分析法对组合特征向量进行特征融合,获得步态与人脸的融合特征向量,最后采用最近邻法进行身份识别.利用CASIA Dataset B步态数据库对上述方法进行了验证.结果表明,该方法提高了身份识别的正确率,验证了该方法的有效性,为多生物特征识别提供了一种新的方法.     

受限玻尔兹曼机的步态特征提取及其识别

针对步态识别问题,研究了受限玻尔兹曼机的步态特征提取及其识别.主要基于行人图像序列,通过背景分割、归一化以及步态周期的计算,采用叠加方法生成步态能量图,以此作为步态的特征图像,利用受限玻尔兹曼机自动获取步态特征.选取中科院CASIA步态数据库以及支持向量机、孪生支持向量机、神经网络与K-近邻方法对使用受限玻尔兹曼机方法的特征提取进行了研究,同时与主成分分析PCA、线性判别分析LDA、卷积神经网络CNN特征提取与识别方法进行了比较.     

面向真实监控环境的前视步态识别方法

真实监控环境下,行人前视步态比侧视步态更常见.现有步态识别方法主要针对侧视步态而非前视步态.为此,文中根据行人步态统计特征,提出了一种基于自动视角转换的前视步态识别方法.该方法通过计算行人步态能量图、行走迹线和步态视角,提取经视角转换后同一视角下的步态特征并进行比对识别.实验结果表明,在真实监控环境且单目监控摄像机参数未知的情况下,该方法对前视步态的正确识别率达81%,每秒可识别21帧,具有良好的识别效果.     

基于Trace变换的步态识别算法

提出了基于Hu矩的步态周期检测算法,该算法具有尺度、平移不变性,在预处理的标准中心化之前进行,缩短了步态识别前期处理工作的时间,为实时的步态识别提供可能。在分析步态的投影特征具有身份判别的能力之后,进而引出并说明使用Trace变换特征对步态表达的想法是合理的。提出基于Trace变换的步态识别算法,详细地讨论了三种Trace变换的泛函形式,在CASIA(B)步态库上进行验证实验,最佳识别率可达84.14%。这种方法避免了动态时间规整以及线性时间归一等算法的复杂的调整过程。     

基于Gabor小波和局部二值模式的步态识别

利用步态对个人身份进行识别已经受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,Gabor小波能提取不同方向、不同尺度空间频率特征,因此,首先利用Gabor小波提取步态能量图不同方向、不同尺度的信息,得到其幅值谱图,再利用LBP来提取Gabor幅值谱图的局部信息,相对于LBP直接作用于步态能量图,能提取步态能量图更多方向、更多尺度的局部特征。最后,利用具有良好降维和辨识能力的辨识共同向量(DCV-Discriminant Common Vector)对提取的LBP特征进行维数约减和特征选择,只需利用简单的最近邻分类器就能取得较好的识别效果。该算法在中科院自动化所的CASIA数据库上面进行试验取得了较高的正确识别率。还针对步态识别中的小样本问题提出了一种样本扩充方法,解决了步态识别中的小样本问题,并提高了算法的识别率。     

基于积极性区域的红外步态识别方法研究

红外步态图像具有可见度和对比度低的特点,易造成预处理后人体目标分割残缺不全,从而影响步态识别的性能。针对此问题,提出一种基于积极性区域的红外步态识别方法。首先通过将平均步态图像(AGI)划分成头、手臂、躯干、大腿、前腿、后腿和脚等7个区域,然后使用基于Gabor的区域协方差矩阵方法提取每个区域的特征,识别时使用其中6个处理效果相对完好的区域信息,从而剔除了残缺区域对识别结果的影响。该方法在CASIA的红外夜间步态库上进行了测试,取得了较好的识别效果。最后进一步分析了人体各个区域对识别的影响和作用,并提出了积极性区域的概念,用于红外步态识别。实验结果和分析结果表明,本文方法鲁棒性好且有效。     

基于步态序列的跨视角步态识别

为了提高跨视角步态识别的准确率,充分提取步态中的时间信息,提出了一种基于步态序列的跨视角步态识别模型,该模型利用编码器,并引入三元组损失函数,以此提取步态序列的特征,通过使用生成器与判别器,以及连续帧判别损失对编码器进行修正,确保提取具有时间信息的有效步态特征.针对CASIA-B数据集和OU-MVLP数据集,对提出的方法进行了实验研究,且与卷积神经网络和步态能量图方法进行了实验比较,验证了提出方法的有效性.     

基于反向传播神经网络的三维足迹触觉步态特征识别

摘 要：为有效解决当前传统步态特征人身识别技术过分依赖人工判读、识别准确率较低的问题,将计算机技术引入步态特征识别领域中,以获取一种基于BP神经网络的步态特征识别新方法。将立体赤足足迹作为研究对象,通过光栅立体足迹采集仪对立体赤足足迹图像进行预处理,以获取计算机可识别出的三维足迹触觉步态特征信息,记录立体赤足足迹的深度差、区域面积、区域体积三类步态特征信息,并在法庭科学领域中的足迹检验理论为基础的前提下运用BP神经网络,对其中MultillayerPerceptron分类器参数进行优化调整,最后,将测试结果与传统的人工检验结果进行比对,从比对结果得出,相对于传统的人工鉴别方法只有84.7%的准确率,基于BP神经网络的步态特征人身识别算法的准确率可达到90%以上。     

基于连续隐马尔科夫模型的步态识别

步态识别主要是通过人体走路的姿势来识别人的身份，近来年，步态作为一种生物特征识别技术备受计算机视觉研究者的关注．给出了基于连续隐马尔科夫的步态识别方法：研究了静止背景下人体步态的检测以及基于步态的人体身份识别技术，主要包括背景建模、人体检测、轮廓特征提取及连续隐马尔科夫识别和分类．在小数据库上取得了超过95％的识别率；实验结果表明，本方法有效．     

基于人脸与步态特征的室外作业场景身份核验方法

在建筑、通信、电力等工程行业中,作业人员需要频繁执行室外作业。由于室外环境复杂,许多运维工作存在来自高压、高空、深坑等因素的高风险。安全事故一旦发生,将造成巨大的人员和财产损失。因此,需要在作业过程中对作业人员进行身份核验,以方便监督。然而,在传统的监督方式中,作业现场的人员管理和行为管控完全依靠人工核查,监控视频也依赖人工看守,无法做到人员身份实时核验以及对非作业人员入场的有效预警。针对室外作业场景中的作业人员身份识别,目前的研究方法大多基于人脸识别。人脸识别方法能够在作业人员脸部信息清晰且完整时准确识别出其身份信息。然而,当存在遮挡,以及受检测距离、检测角度等因素影响时,会造成脸部信息不完全或者模糊,导致采用人脸识别方法难以准确识别出作业人员的身份。步态特征是一种描述行走方式的复杂行为特征,包括脚的触地时间、离地时间和人体高度、双手摆动幅值等。相比人脸识别,步态特征识别有以下优点：第一,步态识别适用的检测距离更远,而人脸特征随着检测距离的增加识别难度明显上升;第二,步态特征识别是非主动识别,现场作业人员几乎随时随地处于行走状态,而人脸识别需要识别对象正对检测装置;第三,步态特征具有较强的特异性,不像人脸特征较易被模仿、修改。不过,单独采用步态特征进行识别,虽然在作业人员运动时可以捕捉体态信息进而较为准确地对其进行身份核验,但是无法对静态的作业人员进行身份核验。[JP]针对此问题,提出了一种多特征融合的身份核验方法,结合步态与人脸等多特征进行识别,不受衣着、环境等外在因素的干扰,可以有效提高身份核验的准确率。提出的融合人脸特征和步态特征的多特征身份核验方法包括身份注册阶段、训练阶段与测试验证阶段。身份注册阶段,人工标注人脸与步态信息,并录入人员信息库;训练阶段,首先利用相关网络提取视频中图像序列的步态轮廓图与人脸区域,然后利用深度学习网络模型提取相关特征,构建融合的特征向量与身份ID间的关系;测试阶段,首先判断图像中有无清晰人脸,如果有则使用多特征融合识别方法,否则仅通过步态特征进行特征匹配进而完成身份核验。结果表明,多特征融合方法在中科院自动化所的CASIA-A数据集上的分类准确率达到99.17%,数据集包含的3个视角下的分类准确率分别为98.75%,100%和98.75%。因此,所提方法可以有效提高单人场景中的身份识别准确率,是在室外作业场景中进行身份核验的一种有效方法。     

指纹识别的研究概述

作为生物识别技术的主流技术——指纹识别技术,得到了业界的深入研究并获得了广泛的应用.本文将对指纹识别技术、指纹识别过程以及当前指纹识别的研究现状进行综述.     

基于单频涡旋电磁波雷达的人体目标步态精细识别

现有基于传统平面电磁波雷达的人体目标识别技术能够实现对步态差异较大的人体目标的分类识别,但在步态精细识别方面面临较大困难。将涡旋电磁波雷达应用于人体步态识别中,尝试通过发射携带有轨道角动量的单频涡旋电磁波来增加雷达回波中的目标信息量,以提高人体步态精细识别能力。首先建立了人体目标的涡旋电磁波雷达回波模型,并仿真生成了3种步态下的回波数据集;然后通过将回波变换到基频,获得目标线多普勒和角多普勒混合信息并用时频图表征,最终将时频图输入到卷积神经网络模型中获得分类结果。仿真实验表明：相比于传统平面电磁波雷达,使用涡旋电磁波可以提升人体步态精细识别能力。     

人脸识别技术的研究

人脸识别技术研究作为对人身份鉴别研究的重要方面,目前已经提出了许多的识别方法,取得了一定的研究成果。本文就人脸识别技术的一些研究方法进行综述,讨论人脸识别的关键技术及其应用和发展前景。     

掌静脉识别研究综述

指纹和掌纹存在于皮肤表面,有容易被伪造、缺乏安全性等一些不可避免的缺点。掌静脉识别技术应运而生,它在身份识别、安检、门禁和医学研究等方面有非常好的发展前景。对掌静脉识别技术的国内外研究现状进行分析,梳理掌静脉识别的相关算法,得到目前掌静脉识别存在的难点,为今后掌静脉识别技术的发展与应用提供参考。     

基于多特征融合的复杂路况步态识别方法

为了满足盲道草地等复杂路况下对步态相位进行识别的需求,提出了一种多特征融合的步态识别方法。首先搭建了包括Peadr-x分布式足底压力鞋垫和姿态采集装置的多特征信息采集的软硬件系统,并用该系统获取足底压力信号和大腿角度信号。其次,取足底平均压力、压力中心点(COP)和大腿角度信息作特征。最后用有向无环图支持向量机(DAG SVM)的方法识别五个相位的步态特征:支撑前期、支撑中期、支撑后期、摆动前期、摆动中期、摆动后期。实验证明在复杂路况下该方法对步态相位的识别率可以达到93%以上。     

词语情感倾向性识别

中文倾向性研究是针对文本内容获得有用的倾向性信息和知识,它已经成为自然语言处理的研究热点.本文首先分析了国内外关于倾向性的研究现状,然后重点介绍了情感词识别和情感词极性判别的方法和技术.同时在对现有的情感词极性判别技术的基础上,提出了一种基于改进的HowNet处理情感词极性判别的方法.实验结果表明,本方法在词语级上达到了较好的效果.