基于稀疏表示的步态识别

提出一种基于稀疏表示的方法,采用CASIA-B和CUSD步态数据库进行步态识别.首先对步态序列中心化及归一化处理,之后提取了步态的主动能量图像(AEI),AEI很好地表达了步态中的动态信息,以此作为步态的特征图像,并对特征AEI采用两种方式稀疏表示:一是采用基于重构误差的方法建立字典、更新字典及分解系数;二是采用基于区分辨别字典的方式建立字典、更新字典及分解系数.系数分解采用的是正交匹配追踪算法.实验证明提出的方法识别准确性高,识别速度快,适合实时性要求高的场合.     

基于增强步态能量图和Gabor特征的辨别共同向量身份识别

提出了一种通过统计行走模式的动态信息进行步态识别方法.对代表每一类的步态能量图像(GEI)进行方差分析,以求得动态权值掩模(DWM).通过DWM对原始GEI进行动态和形状信息的增强,以获得新的步态表征EGEI.为增加可辨识信息,使用一组Gabor小波对EGEI进行卷积,然后采用辨别共同向量分析(DCV)将高维卷积结果在低维空间表示.通过使用简单的分类策略在USF步态数据库上的对比实验,证明了本方法对识别性能提高的有效性.     

静态特征和动态特征融合的步态识别

提出一种融合步态运动中的人体形状静态特征和动态特征的步态识别算法:使用改进的Hu矩表达人体轮廓特征,用于描述步态序列的静态特征;依据人体解剖学的知识定位下肢关节点,并提取两脚间的步幅,用于描述步态序列的动态特征;最后,将这两种特征进行组合处理。实验结果表明本文的算法具有不错的识别效能。     

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。     

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。     

角度与动态时间归一化的步态识别

首先选择具有鲁棒性的累积角度特征作为步态特征,并对每个序列提取角度特征,构成特征矩阵.根据步态序列具有线性特征的特点,在提取步态周期的基础上,采用动态时间归一化做序列匹配,计算最终的特征距离.实验结果表明,算法具有快速、稳健的特征,并且在120人的步态数据库0(°)与90(°)的视角上取得较好的识别率.     

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。     

基于下肢动静态特征融合的步态识别

针对目前步态识别研究中基于单一特征算法识别率低,多特征融合算法又过于复杂的问题,提出一种简单有效的步态识别算法。提取下肢肢体角度为动态特征,肢体长度为静态特征,另外引入动静态兼顾的可变区域面积特征,最后融合得到联合特征向量并引入一种最近邻模糊分类器进行分类。在CASIA步态数据库上进行大量的实验。实验结果表明,在降低融合算法计算复杂度的同时,识别率相对于单个特征有了很大提高。     

基于步态高斯图及稀疏表示的步态识别

为了突出步态特征的差异性,解决单一视角及跨视角下识别率低的问题,分析了步态高斯图及稀疏表示的原理,提出在步态高斯图的基础上,应用稀疏表示的方法来进行分类。提取的步态高斯图增加了不同人步态的差异性进而提高了步态识别率。该方法首先获取步态高斯图,其次获取测试阶段所需的过完备字典,最后通过测试样本的重构误差进而分类。实验结果表明:该方法显著提高了跨视角下的步态识别率,对穿大衣、携带背包下的步态识别具有很强的鲁棒性。     

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

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。     

基于重构吸引子融合BAG方法的步态识别研究

针对基于惯性传感器的步态识别方法在动态情况下表现不佳且计算复杂度较高的问题,提出一种基于重构吸引子融合盒近似几何(BAG)方法。首先,将人类步态视作一个动态系统,根据Taken理论在潜在空间重构吸引子;然后,利用奇异谱分析方法获得奇异值,并将其应用于惯性传感器的标量测试;最后,利用盒近似几何方法完成步态识别。针对20个不同对象的模式分析了各种参数对步态识别性能的影响,实验结果表明,相比其它几种步态识别方法,本文方法能够实现高精度的识别且具有较低的计算复杂度。     

Moving Human Posture Recognition Based on Joint Quaternion

Posture recognition plays an important role in many applications,such as security system and monitoring system.Joint quaternion combined with support vector machine(SVM) can solve the problem of moving human posture recognition.It is a simple and effective algorithm that only three joints are used as the feature points in the whole human skeleton.Using the quaternion of the three joints,a feature vector with five parameters in gait cycle is extracted.The efficiency of the proposed method is demonstrated through an experimental study,and walking and running postures can be distinguished accurately.     

基于多通道步态集合的跨视角步态识别

为了提高步态识别的识别效率,提出了一种基于多通道步态集合的步态识别算法.算法中将一个周期的步态轮廓图进行归一化处理后,通过步幅的大小将周期内的轮廓图划分为7个通道,每个通道内的轮廓图按照平均步态来处理,得到7通道的步态模板.结合卷积神经网络的优异性能,将该多通道步态模板(period energy im-age,PEI)当成图像集作为网络的输入,让网络自身去提取步态模板之间的时序关系.在此基础上,使用增强约束的Triplet Loss函数来学习到最优的特征和距离度量,使最终的训练更加有效.通过在标准数据集CASIA-B上的实验结果表明,与之前多数算法相比,所提出的算法在跨视角的情况下能取得很好的识别效果.     

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.     

基于Hausdorff距离的人体步态识别

现有的步态识别方法对行人轮廓匹配的鲁棒性差，导致识别率不高．文章提出了基于Hausdorff距离的行人步态自动识别方法．首先提取了行人二值轮廓序列；然后采用轮廓参考点分布直方图间的距离、参考点集之间Hausdorff距离度量轮廓形状问的匹配度；继而通过步态的周期性分析选取关键姿态，计算出的关键姿态轮廓集间Hausdorff离结合窗口搜索策略实现了步态的分类和识别．分别在小型CASIA室外步态数据库和大型Soton室内库上进行了实验，提出算法的正确识别率分别可达到91．25％和88．16％．与相关文献的比较分析表明算法是有效的．     

基于双层卷积神经网络的步态识别算法

提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法.首先,对足底压力数据采集系统采集的图像作相应预处理;然后,用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征;最后,将卷积特征训练分类器得到分类结果.实验结果验证了该算法的有效性.     

特征选择模糊加权多通道Gabor人脸识别

对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法:依据各通道特征可分离性判据确定特征提取区域、计算通道权值,采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度;考虑了各通道识别能力的差异性;更好地解决了分类"边界"问题.在AR,CAS-PEAL-R1,YaleB和ORL人脸库上的实验结果表明,本文方法较传统多通道Gabor表征方法具有更高的识别率,平均识别时间较传统整体表征有较大的优势.     

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．