基于SVM的步态识别研究

论文摘要

近年来,随着银行、机场等安全敏感场合对大范围视觉监控系统的迫切需求,远距离生物特征识别技术的研究受到越来越广泛的重视。而步态识别是一种远距离情况下唯一可被感知的生物特征识别技术,它以其内在的生物特性:不具有侵犯性、不需要身体接触、难以伪装和隐藏、能够实现远距离识别等,克服了当前指纹、人脸等特征识别方法依赖于物理接触或近距离接触的许多缺点,因而对步态识别及其关键技术的研究具有重要的学术意义和实用价值。目前,步态识别的研究都是针对小样本的情况。而支持向量机是在统计学习理论基础上发展起来的一种新的非常有效的机器学习方法,它较好地解决了以往困扰很多学习方法的实际问题如小样本、非线性、过学习、高维数等,具有很强的推广能力。因此,支持向量机用于步态识别是合适的。围绕这个主题,本文开展了如下几个方面的研究工作:(1)根据人体步态轮廓区域随步态变化不一样的特点,提出了基于可变区域特征和SVM的步态识别方法,即RFSBGR(Region Feature and SVM Based Gait Recognition)方法。对于每个序列而言,首先根据轮廓图像求出人体宽高比,然后利用人体随步态变化不一样的特点,将人体分为多个可变区域通过计算区域特征获取特征向量。最后对得到的特征量采用SVM进行步态的分类和识别。实验表明,该方法不但能克服由于获取的特征量过少而造成的信息丢失还取得了令人欣喜的识别性能。(2)根据人体外轮廓随行走过程不断变化的特点,提出了基于核的主成分分析(KPCA)和支持向量机(SVM)的步态识别方法,即KSBGR(KPCA and SVM Based Gait Recognition)方法。首先将轮廓图像的外轮廓沿上、下、左、右四个方向进行投影,每个方向的投影向量用一个1维信号表示,步态信息由四个1维信号组合而成。然后利用非线性机器学习方法KPCA提取步态特征向量。最后对得到的特征量采用SVM进行步态的分类与识别。以上方法均在UCSD和CASIA两个步态数据库上进行了仿真实验,实验结果表明本文方法不仅获得了较高的识别性能还拥有相对较低的计算代价,是有效的步态特征提取与识别方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 步态识别研究的背景及意义
• 1.1.1 生物特征识别技术
• 1.1.2 新兴的步态识别
• 1.1.3 步态识别应用
• 1.2 国内外研究现状
• 1.3 步态识别研究内容
• 1.3.1 运动分割
• 1.3.2 特征提取
• 1.3.3 模式分类
• 1.4 本文研究内容和组织结构
• 第二章 步态识别方法研究
• 2.1 运动目标检测
• 2.1.1 背景差分
• 2.1.2 帧间差分
• 2.1.3 光流法
• 2.2 特征提取
• 2.2.1 基于模型的方法
• 2.2.2 非模型化方法
• 2.3 模式分类
• 2.4 本章小结
• 第三章 步态运动分割及轮廓提取
• 3.1 视频分割及背景提取
• 3.1.1 视频分割
• 3.1.2 背景建模及提取
• 3.2 差影及二值化
• 3.3 形态学处理
• 3.3.1 膨胀
• 3.3.2 腐蚀
• 3.3.3 开运算和闭运算
• 3.4 图像连通处理
• 3.5 轮廓提取及跟踪
• 3.6 轮廓图像的归一化
• 3.7 本章小结
• 第四章 支持向量机原理
• 4.1 统计学习理论
• 4.2 SVM 基本原理
• 4.3 SVM 的数学模型
• 4.3.1 线性支持向量机
• 4.3.2 非线性支持向量机
• 4.3.3 线性不可分情况的处理
• 4.4 SVM 的训练算法
• 4.4.1 块算法
• 4.4.2 分解算法
• 4.4.3 增量算法
• 4.5 本章小结
• 第五章 RFSBGR 步态识别方法
• 5.1 步态特征分析与提取
• 5.2 RFSBGR 步态识别
• 5.2.1 训练
• 5.2.2 SVM 分类器的设计
• 5.3 实验结果与分析
• 5.3.1 实验数据来源
• 5.3.2 RFSBGR 实验结果与分析
• 5.4 本章小结
• 第六章 KSBGR 步态识别方法
• 6.1 KPCA 基本原理
• 6.1.1 核方法
• 6.1.2 KPCA 基本原理
• 6.2 基于KPCA 的步态特征分析与提取
• 6.2.1 步态周期性
• 6.2.2 步态特征分析与提取
• 6.3 KSBGR 步态识别
• 6.3.1 SVM 的训练与测试
• 6.3.2 核函数及参数选择
• 6.4 实验结果与分析
• 6.4.1 KSBGR 实验结果与分析
• 6.4.2 KSBGR 与VFSBGR 方法比较
• 6.5 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文