步态识别中的目标轮廓提取和特征维数约减研究

论文摘要

步态识别根据人走路的姿态进行身份识别,是一种生物特征识别方法。与其它生物特征识别技术相比,步态具有非接触和难以隐藏等独特优势,而且它是在远距离情况下可感知的生物特征。随着安全敏感场合对智能监控系统要求的提高,步态识别技术已经引起了广泛的研究兴趣。步态识别主要由步态轮廓分割、特征提取和分类识别三部分组成,本文的研究内容包括以下几方面:①针对步态图像序列的特点,提出了一种根据背景象素点灰度值的概率分布的步态轮廓分割算法。对每个序列而言,步态轮廓是随时间变化的。分别建立每个象素点灰度值在时间轴上变化的统计模型,采用假设检验来获取运动目标轮廓。实验表明,本文算法不仅能够提取出完整的人体轮廓,并且能有效地去除噪声,对阴影抑制也有一定效果,能够提高步态识别率。算法直接在RGB空间或灰度空间进行,无需进行颜色空间转换,也无需建立单独的背景图像,计算量小,处理实时性高。②在步态特征提取方面,将时变的二维轮廓形状转化为对应的一维宽度向量,将人体宽度向量作为步态特征。直接以原始宽度向量作为特征向量进行识别数据量庞大,维数很高,处理复杂。分别采用主成分分析（PCA）方法和有监督的局部流形嵌入（SLLE）方法将特征向量维数由201维约减到14维和19维。两种特征维数约减方法互为补充,在低维空间较好地保持了高维步态特征的内在结构,并且提高了算法运行效率。③采用k-近邻分类器进行分类识别,并采用贝叶斯多分类器融合规则融合主成分分析（PCA）方法和有监督的局部流形嵌入（SLLE）方法约减后的特征信息。实验证明,融合多分类器信息比采用单一分类器信息获得了更高的识别率。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 生物特征识别技术
• 1.1.1 生物特征识别技术概述
• 1.1.2 主要生物特征识别技术比较
• 1.2 步态识别技术
• 1.2.1 步态识别技术概述
• 1.2.2 研究背景
• 1.2.3 研究现状
• 1.3 步态识别的总体框架
• 1.4 论文研究内容
• 2 运动目标轮廓分割
• 2.1 引言
• 2.2 运动目标提取
• 2.2.1 背景消减法
• 2.2.2 采用运动场估计的方法
• 2.2.3 帧间差分法
• 2.3 采用高斯模型的分割方法
• 2.3.1 序列图像预处理
• 2.3.2 灰度值分布模型
• 2.3.3 参数估计
• 2.3.4 目标轮廓分割
• 2.3.5 后处理
• 2.4 实验结果及分析
• 2.4.1 优度法评价结果
• 2.4.2 偏差法评价结果
• 2.4.3 识别率评价
• 2.5 本章小结
• 3 维数约减
• 3.1 引言
• 3.2 线性维数约减
• 3.2.1 主成分分析法（PCA）
• 3.2.2 其他线性降维方法
• 3.3 非线性维数约减
• 3.3.1 局部线性嵌入（LLE）
• 3.3.2 多维尺度方法（MDS）
• 3.3.3 Isomap 方法
• 3.3.4 拉普拉斯映射法
• 3.3.5 其他非线性维数约减方法
• 3.4 本章小结
• 4 PCA 和SLLE 融合的步态识别算法
• 4.1 引言
• 4.2 步态数据库及特征提取
• 4.2.1 步态周期
• 4.2.2 步态特点
• 4.2.3 信息获取原理
• 4.2.4 步态数据库
• 4.2.5 图像尺度归一化和特征提取
• 4.3 分类信息融合策略
• 4.3.1 信息融合概论
• 4.3.2 信息融合系统的基本模型
• 4.3.3 分类器技术简介
• 4.3.4 多分类器的体系结构
• 4.3.5 多分类器的融合策略
• 4.4 特征维数约减和步态身份识别
• 4.4.1 对数据集的预处理
• 4.4.2 基于LLE 方法的本征维数估计
• 4.4.3 有监督的LLE 方法
• 4.4.4 采用主成分分析方法的特征维数约减
• 4.4.5 融合线性和非线性维数约减特征信息的步态识别
• 4.5 识别分类和结果分析
• 4.5.1 算法识别率和运行时间
• 4.5.2 识别结果分析
• 4.6 本章小结
• 5 总结与展望
• 5.1 本文工作总结
• 5.2 后续研究工作展望
• 致谢
• 参考文献
• 附录