MSR结合MCCA的多视角鲁棒步态识别方法

针对许多传统的步态识别算法过分依赖视角的问题,提出了一种基于多视角子空间表示结合边际典型相关分析的步态识别方法.首先,使用简单有效的特征步态能量图表示每个序列,并利用多视角子空间表示方法测量样本之间的差异;然后,利用MCCA提取子空间的判别性信息;最后,利用最大隶属度原则和最近邻分类器完成识别.在公开的多视角步态数据库OU-ISIR-D和CASIA-B上的实验结果显示,方法在CASIA-B,OU-ISIR-D两个数据库上的识别精度可分别高达99.8%,99.1%,相比几种较为先进的步态识别方法,该方法取得了更好的识别性能且能有效处理对象内变化和缺失数据.     

基于关键点运动轨迹建模的步态识别

步态信息作为一个新兴的生物特征,在医疗、刑侦等方面具有广泛的应用前景.研究者已经提出了很多种步态识别方法,但普遍存在适应性不强、特征描述过于复杂或缺乏可解释性等问题.针对此问题,首先,通过改进三帧差分完成对视频图像中人体轮廓的提取;然后,基于人体轮廓图获取人体骨架模型,通过骨架模型得到所需的人体关键点位置,并对视频图像中同一关键点的位置轨迹进行曲线建模;最后依据关键点轨迹曲线模型建立一种以模型参数作为步态特征向量的步态特征描述方法,并在此基础上选取合适的分类方法进行步态识别.实验结果表明,基于关键点运动轨迹模型的步态特征表达能够很好地描述步态信息,识别率也相对较高.     

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．     

基于点上下文描述子的三维手势轨迹识别

提出了一种基于曲率窗的点上下文描述子的三维手势轨迹识别方法,该方法通过采用曲率窗选取手势轨迹的上下文点,既有效地降低了描述子的维度,又提高了对三维手势轨迹的识别率.首先,计算三维手势轨迹上所有点的U弦长曲率;然后,选取曲率最大且相互分离的点作为手势轨迹的上下文点;最后,将每个轨迹点与上下文点之间的欧氏距离作为该点的特征向量.采用上述方法提取三维手势轨迹的形状特征,支持向量机(SVM)用于分类识别.实验结果表明:该方法对澳大利亚手语数据库(ASL)中任意8类三维手势轨迹的平均识别率达到92.98%,并且识别结果具有旋转、尺度、平移(RST)无关性.     

基于核协同表示的步态识别

为了提高跨视角下的步态识别率,分析识别率低的原因,原因之一归咎于通常采用线性降维的方法进一步提取步态特征,而实际上,特征数据之间可能存在着非线性的关系,故采用核主成分分析法对特征数据进行非线性降维处理,设计了一种核协同表示的步态识别方法。该方法获取步态能量图,采用核主成分分析法对步态能量图数据进行非线性降维处理并提取步态特征,并用协同表示的方法进行分类。实验结果表明:在90°视角下,采用多项式核函数的识别效果明显优于采用高斯径向基核函数的识别效果;该方法在跨视角下取得了显著的识别效果,与其他算法相比,识别率提高了10%以上;该方法的识别速度约是协同表示的识别速度的1~2倍。     

基于傅立叶描述子-BP神经网络的手势识别方法

针对手势识别中人手是复杂变形体,手部特征描述容易受到环境因素影响的特点,提出了一种基于傅立叶描述子-BP神经网络的手势识别方法.首先根据YCbCr和Nrg肤色模型的互补性以及背景模型有效去除复杂背景中的类肤色的特点,利用多特征相融合的手势分割方法提取手势区域;然后结合傅立叶描述子具有较好的轮廓描述能力和BP神经网络较强的自学习能力,利用傅立叶描述子-BP神经网络方法对手势进行识别.实验结果表明此方法具有较好的鲁棒性和较高的识别率.     

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。     

基于局部特征和稀疏表示的鲁棒人耳识别方法

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一。本文提出了基于局部二值模式特征的稀疏表示人耳识别方法。该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别。在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率。     

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.     

基于手机加速度与步态不对称特征的身份识别

为解决现有步态识别准确率低的问题,通过研究人体走路左右步态不对称的特点,提出了基于左右步态特征提取的精确步态识别方法.与以往步态识别方法采用摄像头、地板传感器以及高采样率的传感器相比,通过智能手机中的加速度传感器采集数据.在低采样率状态,采集50名志愿者的正常行走加速度数据,使用小波变换方法提取加速度的特征点,对所有志愿者进行左右步态特征的相似性和差异性测试,证明了将左右步态区别提取的可行性.采用动态时间规整算法特征序列进行匹配.仿真结果表明基于左右步态特征的提取方法较好地提高了身份识别的准确率,平均错误率15.2%,为步态识别提供了一个新的思路.     

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.     

基于特征融合的步态识别研究

提取了膝关节的速度距和路径距,膝关节到脚踝关节的距离作为步态特征,这些特征分别描述了步态的动态信息和静态信息.将这些特征融合得到了较全面的步态信息,利用融合特征进行步态识别,提高了步态的识别率.     

基于Kinect传感器深度信息的动态手势识别

提出了基于Kinect传感器深度信息的动态手势识别方法,在预处理阶段通过OpenCV快速跟踪手部,有效分割手势.为改进动态手势轨迹的提取和分类,引入隐马尔可夫模型(HMM)对手势轨迹进行训练和识别.实验结果表明,基于HMM的识别方法对具有时空特性的动态手势有很高的识别率,在不同光照和复杂背景下有鲁棒性的结果.     

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。     

在线单机采集的人手多生物特征识别

单一生物特征识别方法在实际应用时容易受到限制,系统的识别率低、稳定性差.针对上述问题,提出了一种基于在线单机的手形和掌纹相结合的多生物特征识别方法.对于手形识别,提取手指的相对长度构成特征矢量,采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别,然后利用二维Gabor提取掌纹感兴趣区域(ROI)的纹理方向信息作为掌纹特征,对手形分类结果加以认证.在混合图库上进行试验,二者相结合的识别方法的识别率达到98.65%.实验结果表明,采用手形和掌纹双模态特征识别,可以有效提高系统的安全性和稳定性.     

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3D-SIFT和SVD特征融合的视频行为识别

行为识别是视频分析的一个核心任务,而行为特征的提取与选择直接影响识别效果。针对单一特征往往受到人体外观、环境、摄像机设置等因素影响而识别效果不佳的问题,本文提出一种基于三维尺度不变特征变换与奇异值分解提取特征,通过词袋模型进行统计形成视觉词库并形成融合特征,再利用支持向量机完成特征分类的行为识别方法。实验表明三维尺度不变特征变换与奇异值分解特征融合后能很好地描述视频序列,比单独用上述两种特征或者其他传统的描述子更高效,同时也能更好地适应光照等外部影响,得到更好的识别率。     

基于核主元分析法和支持向量机的人耳识别

对人耳识别中若干关键问题进行了研究. 介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比. 在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别. 在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性.     

基于Contourlet变换的连铸坯表面缺陷识别

根据连铸坯表面图像的特点,提出了一种基于Contourlet变换的连铸坯表面缺陷识别方法.通过Contourlet变换将样本图像分解成不同尺度和方向的子带,提取子带的Contourlet系数特征,并结合样本图像的纹理特征,得到一个高维的特征向量.利用监督核保局投影算法对高维特征向量进行降维,将降维后的低维特征向量输入支持向量机,对连铸坯表面图像进行分类识别.对现场采集到的裂纹、氧化铁皮、光照不均和渣痕四类样本图像进行实验,本文提出的识别方法对样本图像的识别率可达94.35%,优于基于Gabor小波的识别方法.     

基于协同表示的声振传感器网络车辆分类识别

针对使用单一信号分类的现有车辆识别技术的不足,提出了一种基于声音信号与振动信号协同表示的车辆分类识别方法.利用梅尔倒谱系数(MFCC)提取车辆的声音信号和振动信号特征,分别对提取的2种信号特征进行多任务训练分类,以获得多任务协同表示的重构误差并对其进行加权处理,得出被检测目标的分类识别结果.结果表明,所提出的车辆分类识别方法对于车辆目标具有较好的分类效果和较高的识别效率.