基于信息融合的红外步态识别新技术研究

论文摘要

红外步态识别,作为一种新的生物特征识别技术,具有重要的应用价值和理论意义。但是当前的研究正处于“婴儿期”,急需寻找更为有效的步态特征和分类器,以提高整体识别率。人体运动目标分割、步态特征提取和步态识别方法是影响整体识别率的3个关键性环节,因此本文从这3个方面入手进行研究。信息融合是将来自多传感器或多源的信息进行协调优化和综合处理,产生新的有价值的信息,以得出更为准确、可信的结论。信息融合在其他生物特征识别领域已经取得一些较好的效果。因此,在分析信息融合技术基本理论与技术的基础上,本文以“信息融合技术”作为研究的技术手段,对红外步态识别在数据级、特征级和决策级等三个层面上进行融合研究,提出有效的红外步态识别新技术,以解决红外步态识别整体识别率不高的问题。在人体运动目标分割方面,本文分析了红外热成像的机理,对红外图像与可见光图像进行了对比,在考虑红外步态图像特点的基础上,提出了一种基于曲波变换像素级图像融合的红外步态分割新算法。首先构建红外步态序列的混合高斯模型背景,与当前帧图像进行图像差运算获得差图一；然后利用SUSAN算子分别对背景图像和当前帧图像进行边缘检测,并对获得的当前帧边缘图和背景边缘图求差,得到差图二；接着利用曲波变换强大的边缘方向处理能力,对获得的差图一和差图二,开展基于曲波变换的图像融合,将二者融合为一幅分割粗图；最后利用脉冲耦合神经网络(PCNN)的同步脉冲发放特性对获得的分割粗图进行精细分割和二值化处理,并且由于引入了多模态免疫进化算法快速确定PCNN最优分割参数,达到了自适应分割的效果。通过对比和分析实验数据,基于曲波变换的像素级图像融合,由于有效融合了边缘细节信息,对分割效果的优化起到了极大的促进作用。在步态特征提取方面,本文在分析常见红外步态特征的基础上,充分利用了Brushlet变换的方向性,构建了一种基于能量特征和相位分布特征相结合的Brushlet变换复特征作为红外步态新特征,经实验证实了该新特征的有效性。红外步态特征融合,是指在提取各信息源步态特征的基础上,通过综合处理各特征信息以构建融合特征,进一步提高后续识别的正确识别率。为此,在分析支持向量机和粗糙集技术的基础上,充分利用支持向量机和粗糙集两者的优势,将二者结合起来,构建了一种新的基于粗糙集和支持向量机的红外步态特征融合模型,其参数的确定是一个凸二次优化问题,所求解是全局最优解。该模型在输入空间进行特征向量的关联,充分发挥粗糙集的知识约简功能,有效解决了维数灾难问题,达到了最佳的特征融合效果。最后,通过实验验证了该模型能有效融合各种红外步态特征。在红外步态识别方法方面,本文首先进行两种单分类器识别新模型的构建研究。利用人工鱼群算法优化轮廓波包,在与径向基函数网络相结合的基础上,构建了一种新型的轮廓波包网络识别模型；利用仿生模式识别理论,在量子神经网络的基础上,构建了一个新型的仿生模式网络识别模型。然后,分别在度量级和决策级进行了多分类器融合识别新技术研究。提出了一种基于改进粒子群算法优化BP模糊神经网络的多分类器融合识别新技术,以进行有效的度量级多分类器融合识别；提出了一种基于量子遗传算法优化证据理论的多分类器融合识别新技术,以进行有效的决策级多分类器融合识别。仿真实验结果表明,两种单分类器识别新模型均取得了较好的识别效果,而两种多分类器融合识别新技术均获得了理想的识别效果。论文最后进行了总结,说明了研究的创新点及主要研究成果,指出了进一步的研究问题。

论文目录

• 摘要
• Abstract
• 目录
• Contents
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本文的主要研究内容
• 1.4 本文的内容组织
• 第二章 信息融合基本理论
• 2.1 信息融合概述
• 2.2 图像融合
• 2.3 多分类器融合
• 2.4 本章小结
• 第三章 红外步态融合分割研究
• 3.1 红外热成像原理
• 3.2 混合高斯模型
• 3.3 脉冲耦合神经网络（PCNN）
• 3.4 多模态免疫进化算法
• 3.5 曲波变换
• 3.6 融合分割算法
• 3.7 实验结果与分析
• 3.7.1 主观视觉效果
• 3.7.2 客观评价
• 3.7.3 误检率
• 3.7.4 算法执行时间
• 3.8 本章小结
• 第四章 红外步态特征融合研究
• 4.1 红外步态特征
• 4.1.1 常用特征
• 4.1.2 基于Brushlet变换的红外步态特征
• 4.2 特征融合
• 4.2.1 支持向量机
• 4.2.2 粗糙集
• 4.2.3 粗糙集支持向量机
• 4.2.4 基于粗糙集SVM的特征融合模型
• 4.3 实验与分析
• 4.4 本章小结
• 第五章 红外步态融合识别研究
• 5.1 引言
• 5.2 单分类器识别模型构建
• 5.2.1 轮廓波包网络识别模型构建
• 5.2.2 仿生模式量子网络识别模型构建
• 5.3 多分类器融合识别算法
• 5.3.1 度量级融合
• 5.3.2 决策级融合
• 5.4 实验结果与分析
• 5.4.1 实验一
• 5.4.2 实验二
• 5.4.3 实验三
• 5.4.4 实验四
• 5.5 本章小结
• 总结与展望
• 1.内容总结
• 2.创新之处
• 3.工作展望
• 参考文献
• 攻读博士学位期间发表的论文
• 致谢