论文摘要
步态识别是依据人行走方式的不同对人的身份进行识别的一种生物特征识别技术。步态识别主要是针对含有人的运动图像序列进行分析处理,它在虚拟现实、视觉监控、感知接口中均有着广泛的应用前景。步态识别主要由三部分构成:步态序列图像预处理、特征提取和分类判别。其中特征提取可以说是重中之重,是识别性能的决定性因素,也是本文的研究重点。步态图像预处理就是从输入序列图像中检测人的运动,主要包括步态序列图像背景建模、前景检测和形态学后处理等工作。步态剪影的有效检测对于特征提取、目标分类等后期处理有非常重要的影响。在特征提取阶段,本文提出了两种有效特征提取方法。第一是基于Radon变换的步态特征提取。根据人体运动特性,结合目标动态参数以及身体结构参数,构造一个周期的特征向量模板。采用主成分分析(PCA)提取特征主向量。第二是基于步态能量图像(GEI)和行列方向结合的二维主成分分析(2D)~2PCA的特征提取。GEI利用加权平均的简单步骤将一周期步态图像合成为一幅图像,这幅图保留了轮廓、频率、相位等步态信息。(2D)~2PCA直接基于图像矩阵,结合行列两个方向的特征主向量,抽取对步态识别贡献最大的特征向量。同一个人的步态在不同视角下存在着较大的差异,因此很有可能在某一个视角下被误识的步态序列在其它视角下能被正确的区分出来。本文采用基于Rank的KNN的融合规则完成多视角在决策层上的信息融合。单一特征表征有其局限性,本文采用基于计分准则实现多特征的信息融合。实验采用包含了124个个体的CASIA步态数据库,从方法的识别性能进行测试评估。实验结果表明,本文提出的方法均对携带物的影响有很好的鲁棒性。基于GEI与(2D)~2pCA的特征提取方法,在多个视角下均有很好的识别效果。信息的有效融合更能提高对目标的识别。
论文目录
摘要ABSTRACT第1章 绪论1.1 引言1.2 选题背景和意义1.3 步态识别技术综述1.3.1 步态识别研究内容1.3.2 国内外研究现状1.3.3 现有识别方法1.3.4 步态识别技术的研究难点1.3.5 步态识别的应用前景1.4 论文实验数据库1.5 论文的主要工作1.6 论文的内容安排第2章 步态检测及预处理2.1 背景建模2.2 运动目标检测2.2.1 背景减除法2.2.2 光流法2.2.3 时间差分法2.3 图像二值化处理2.4 形态学处理2.5 周期检测2.5.1 周期检测概述2.5.2 基于剪影宽高比的周期检测2.6 本章小结第3章 基于 Radon变换的步态识别3.1 Radon变换3.1.1 Radon变换定义3.1.2 Radon变换结果3.2 特征模板构造3.2.1 已有模板构造方法3.2.2 动态插值模板构造3.3 主成分分析（PCA）3.3.1 K-L变换的原理3.3.2 主向量提取3.4 实验步骤3.5 识别结果与分析3.6 本章小结2PCA的步态识别'>第4章 基于 GEI和（2D）2PCA的步态识别4.1 步态能量图像（GEI）4.1.1 步态能量图像理论4.1.2 步态能量图像优点分析4.2 二维主成分分析（2DPCA）4.2.1 二维主成分分析算法4.2.2 图像的主成分向量和特征矩阵4.2.3 2DPCA的优点2PCA）'>4.3 行列相结合的二维主成分分析（（2D）2PCA）4.3.1 行方向上的 2DPCA4.3.2 列方向上的 2DPCA4.3.3 行列方向结合的 2DPCA4.4 加权二维主成分分析4.5 实验步骤4.6 识别结果与分析4.7 本章小结第5章 基于信息融合的步态识别5.1 信息融合概述5.2 基于多视角融合的步态识别5.2.1 决策层融合规则5.2.2 多视角决策层融合策略5.2.3 融合后的结果及分析5.3 基于多特征融合的步态识别5.3.1 多特征融合规则5.3.2 融合后的结果及分析5.4 本章小结结论参考文献攻读硕士学位期间发表的论文和取得的科研成果致谢
相关论文文献
标签：变换论文; 步态能量图像论文; 主成分分析论文; 二维主成分分析论文; 信息融合论文;
