基于区域变化率和矩特征的步态识别研究

论文摘要

生物特征识别技术是利用人自身所固有的生物特征进行身份认证。人脸、指纹、声音和虹膜等生物识别技术的成功应用为身份的准确鉴定以及保证信息安全提供了强有力的手段。但是随着社会的发展,这些身份识别方法由于自身的局限性,已经不能满足社会多方面的需要。研究和开发新的更为有效的身份识别方法势在必行,步态识别就是身份识别中的一项新技术,它旨在根据人走路的姿势进行身份识别。它是远距离情况下最具潜力的生物特征识别技术之一,因此得到人们广泛的关注。论文针对步态识别这一主题,主要研究了以下几个方面的内容：(1)面向步态视频信息的图像预处理技术。本文采用均值法进行序列图像的背景重建,利用背景减除法检测图像中运动的人体区域,并通过全局阈值法与图像形态学处理相结合的方法实现运动区域的分割。(2)步态信息的动态特征与静态特征的提取。本文提出一种基于局部区域变化率与不变矩的特征提取算法,首先通过计算每个图像周期序列的局部区域的变化率实现运动目标动态信息的提取,再通过对单帧图像的区域划分结合不变矩特征提取目标的静态信息,从而将两种特征进行整合实现动态与静态信息的有效提取。(3)步态的分类识别部分,采用基于统计学习理论的支持向量机分类器。分别以局部区域变化率、不变矩以及它们的整合为特征在CAISA步态数据库上进行实验,分析了实验结果,并且采用了累计匹配概率(CMS)和接收机操作特性(ROC)分别对方法的识别性能和验证性能两方面进行度量。实验结果表明,综合利用步态的静态和动态信息,以及整合步态的多种特征具有良好的识别性能,也论证了本文所采用的方法行之有效,具有较好的应用前景。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 生物特征识别技术
• 1.2 步态识别的研究内容
• 1.3 步态识别的研究现状
• 1.3.1 数据采集
• 1.3.2 步态特征提取
• 1.4 论文的主要内容及章节安排
• 第2章 运动目标检测
• 2.1 步态检测的常用方法
• 2.1.1 帧差法
• 2.1.2 背景减除法
• 2.1.3 光流法
• 2.2 背景减除法提取运动目标
• 2.2.1 均值法背景建模
• 2.2.2 差分和二值化图像
• 2.3 二值图像处理
• 2.3.1 形态学处理
• 2.3.2 连通分量分析
• 2.4 小结
• 第3章 基于区域变化率的步态特征提取
• 3.1 步态分析
• 3.1.1 步态描述
• 3.1.2 步态的特点
• 3.2 图像的校正和归一化
• 3.2.1 图像的校正
• 3.2.2 图像的归一化
• 3.3 步态的周期性分析
• 3.4 基于区域变化率的静态特征提取
• 3.4.1 区域变化率特征思想的由来
• 3.4.2 区域变化率的静态特征提取
• 3.5 基于区域变化率的动态特征提取
• 3.6 小结
• 第4章 基于不变矩的步态特征提取
• 4.1 矩及不变矩理论
• 4.1.1 矩
• 4.1.2 矩的物理意义
• 4.1.3 Hu矩
• 4.2 基于Hu矩的静态特征提取
• 4.3 不变矩的动态特征提取
• 4.4 特征整合
• 4.5 小结
• 第5章 基于支持向量机的分类识别
• 5.1 步态数据库简介
• 5.2 支持向量机分类器的构成
• 5.2.1 机器学习的相关问题
• 5.2.2 支持向量机
• 5.2.3 内积函数
• 5.2.4 SVM多类分类算法
• 5.2.5 论文的SVM分类器构造
• 5.3 步态识别实验及分析
• 5.3.1 基于区域变化率特征的分类识别
• 5.3.2 基于不变矩特征的分类识别
• 5.3.3 基于区域变化率和不变矩的分类识别
• 5.4 方法性能评估
• 5.4.1 识别性能评估
• 5.4.2 验证性能评估
• 5.5 小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 作者简介