基于能量的信息融合步态识别

针对步态能量图(GEI)和图像序列的Radon变换可以表征图像能量的特点,提出这两种形式的能量特征相融合的方法进行身份识别.在周期分割后的特征提取阶段分别使用GEI结合行列相结合的二维主成分分析((2D)2PCA)方法和对步态序列图像进行Radon变换,在周期模板构造后用列方向的二维主成分分析(2DPCA)降维方法进行数据压缩.在识别阶段,采用多视角及多特征在决策层的融合方法.应用上述方法在CASIA步态数据库上进行实验,结果表明所提的步态识别方法具有较高的识别性能.     

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Kinect骨骼信息的三维轨迹特征稳定性研究

为了提高步态识别应用的广泛性,寻找稳定的人体动态特征,提出一种基于Kinect骨骼信息的步态特征提取方法,以验证骨骼点三维轨迹特征在步态识别中的稳定性。在分析深度相机Kinect工作原理的基础上,对Kinect有效范围进行测量并对其深度数据进行校准,通过18组实验对同一个体在不同行走模式、不同相机位姿下的人体骨骼点三维轨迹进行数据提取,并在固定相机位姿和行走模式的条件下对10组不同个体的行走数据进行提取,最后将同组骨骼点轨迹曲线在同一空间坐标系中进行绘制,同时使用动态时间规整算法(DTW)对实验个体骨骼点轨迹曲线相似度进行评价。实验结果表明,该特征在同一个体中表现出较好的稳定性,可用于步态识别的同一认定。     

基于LSTM的监控视频中步态识别方法研究

卷积神经网络(Convolutional Neural Networks,CNN)已广泛应用于步态识别领域,但CNN进行分类时仅考虑单张步态图片,未考虑到步态的连续性特征,这直接影响到最终识别准确率。因此,提出利用长短期记忆网络(Long Short-Term Memory networks,LSTM)来获取步态的连续特征,结合步态能量图(Gait Energy Image,GEI)构建一种新的步态识别模型。将该模型在OU-ISIR Treadmill dataset B数据库上进行测试,识别准确率和网络训练时间两个方面都优于CNN,表明LSTM在步态识别领域上具有良好的应用前景。     

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。     

基于密集光流的步态识别

作为一种生物特征,步态在视频监控、行为分析等领域具有很大的应用前景.提取步态特征的关键在于对步态在时间、空间两个维度上的变化模式进行描述.基于密集光流提出了一种步态特征提取算法,通过密集光流表征每帧图像人体区域各部位的运动强度和方向,综合一个步态周期内所有单帧特征作为步态周期的特征.利用主成分分析、线性判别分析对步态特征进行降维处理,用支持向量机进行分类,验证提取特征的分类性能.实验结果表明,所提算法采用光流特征,提供了丰富的动态信息,可以很好地描述步态在时间维度上的变化,在与现有步态特征描述算法的对比中,体现出了良好的识别性能.     

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CA-SIA-B数据集和OU-MVLP数据集,对提出的...     

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．     

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。     

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.     

Interframe Variation Vector: A Novel Feature for Gait Recognition

Gait representation is an important issue in gait recognition. A simple yet efficient approach, called Interframe Variation Vector (IVV), is proposed. IVV considers the spatio-temporal motion characteristic of gait, and uses the shape variation information between successive frames to represent gait signature.Different from other features, IVV rather than condenses a gait sequence into single image resulting in spatial sequence lost; it records the whole moving process in an IVV sequence. IVV can encode whole essential features of gait and preserve all the movements of limbs. Experimental results show that the proposed gait representation has a promising recognition performance.     

基于移动钟摆的步态识别方法

步态识别是一种新兴的生物特征识别技术,具有远距离识别、非侵犯性、难于隐藏等优势。文章针对人体运动的特点,将步态看成是钟摆运动和平移运动的复合,提出了一种基于移动钟摆的步态识别方法。实验证明,该方法简单有效,并在CASIA数据集上取得90%以上的识别率。