基于OpenCV的步态识别系统

论文摘要

人体的步态分析在计算机视觉领域中有着广阔的应用前景,如智能视频监控,人机互动以及基于运动的识别和诊断等许多领域,从而使计算机视觉的研究人员对此产生了极大兴趣。步态特征是独一无二的,步态识别作为新兴的生物特征识别技术之一,具有远距离、非接触、难于隐藏等特性,克服了传统的模式识别（虹膜识别、指纹识别等）对高分辨率、近距离的要求,步态识别在低分辨率的情况下有着良好的识别效果,从而使步态识别在智能视频监控中有着广泛的应用前景。本文主要对中科院自动化所提供的步态视频图像进行研究,利用OpenCV搭建了步态识别系统,在步态识别系统中主要完成了以下工作：第一,人体目标提取。由于背景的复杂多变,本文采用自适应的背景建模法建立稳定的背景模型,并用背景减除法获得人体运动目标。针对提取出的人体目标存在的阴影和空洞,分别采用色彩空间转换的方法对阴影进行检测和消除,采用区域填充和形态学滤波对人体目标图像进行平滑处理。第二,在步态特征提取方面。由于视频图像的维数很高,本文采用了步态能.量图,它是一种把一个步态周期转化为一帧图像的方法。步态能量图不仅节省了存储空间和计算时间,而且对单帧的噪声影响不太敏感。用（2D）2 PCA对提取的特征进行降维,从而解决了维数灾难问题,然后用加权的（2D）2 PCA来分析每个特征向量对步态特征的贡献值,从而很好地确定影响步态识别率的主要特征向量。第三,步态识别方面。分析了HMM算法,利用HMM对提取的步态特征进行分类训练,对分类结果进行了分析。第四,系统设计与实现。本文的步态识别系统是在VC++6.0下加载OpenCV视觉函数库来实现的。实验样本采用中科院自动化所提供的CASIA数据中不同视角的视频库,将本论文所采用的步态识别算法在系统中进行了实现,系统在设计上功能明确,操作简单。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.3 步态识别的基本任务
• 1.4 重点研究内容
• 1.5 论文的整体结构
• 第二章 步态图像序列的预处理
• 2.1 自适应背景模型
• 2.1.1 基本思想
• 2.1.2 算法实现
• 2.2 阴影消除
• 2.2.1 阴影检测简介
• 2.2.2 阴影的检测
• 2.2.3 阴影消除算法
• 2.2.4 实验结果
• 2.3 滤波处理
• 2.3.1 归一化滤波处理
• 2.3.2 连通性处理
• 2.4 本章总结
• 第三章 步态特征提取和分类识别
• 3.1 步态周期检测
• 3.2 特征提取
• 3.2.1 步态能量图
• 3.2.2 二维主成分分析
• 3.2.3 加权的二维主成分分析
• 3.3 识别过程
• 3.4 识别结果与分析
• 3.5 本章小结
• 第四章 基于HMM的步态识别
• 4.1 HMM的基本原理
• 4.2 HMM的基本算法
• 4.2.1 前向-后向算法
• 4.2.2 Viterbi算法
• 4.2.3 Baum-Welch算法
• 4.3 基于HMM的步态分类识别
• 4.3.1 特征向量压缩
• 4.3.2 HMM初始化
• 4.3.3 HMM训练
• 4.4 HMM的识别过程
• 4.5 本章小结
• 第五章 基于OPENCV的步态识别系统的实现
• 5.1 OPENCV视频函数库
• 5.1.1 OpenCV的简要介绍
• 5.1.2 OpenCV的主要结构和模块
• 5.2 步态识别系统的设计
• 5.2.1 开发环境配置
• 5.2.2 系统各模块的设计
• 5.3 步态识别系统的软件实现
• 5.3.1 读入视频
• 5.3.2 图像预处理
• 5.3.3 特征提取与聚类
• 5.3.4 HMM的训练和识别
• 5.4 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 攻读学位期间参加的科研项目