基于小波描述子和人体骨架模型的多视角融合步态识别

论文摘要

步态识别是生物特征识别技术中的一个新兴子领域,旨在根据人们行走或跑步的方式确定其身份。由于步态是目前技术条件下较易远距离感知的生物特征,随着安全敏感场合对视觉监控系统的迫切需求,步态识别研究受到了广泛的关注。步态识别主要针对含有人的步行运动图像进行分析,其关键是寻找合适的步态特征及分类方法,须融合计算机视觉、模式识别以及视频/图像序列处理等多种技术。围绕这个主题,本文对视频序列的步态特征提取、识别和评价进行了探索性研究,主要有以下几部分工作:(1)讨论了人体轮廓的特征表达方法。运用邻域边界跟踪算法提取了人体轮廓,经对该轮廓进行重采样和归一化处理,提取了边界中心距,为减小运算量,对边界中心距进行了小波描述,进而使用小波描述子特征来表达步态信息;基于数学形态学算法建立了人体骨架模型,从骨架中提取人体的动态参数(如运动过程中的关节点位置和肢体角度)来表达步态信息。(2)利用人体轮廓宽度信号的周期性变化来划分步态周期,并将此参数作为步态分类识别的基本单元,提取了周期极大值点作为关键点及其特征参数。(3)采用了支持向量机(SVM)作为分类器和提取的两种特征参数(小波描述子和人体骨架模型)在不同样本数的数据库上进行了人体身份识别,并比较了这两种特征识别性能的优劣;运用融合算法进行了多特征、多视角融合实验,证明了多特征、多视角融合的识别性能优于单一特征、单一视角方法。(4)分别引入正确识别率(Probability of Correct Recognition, PCR)和累积匹配分值(Cumulative Match Scores)来评价步态识别性能。目前,基于步态特征的身份识别研究与应用正方兴未艾,本文研究成果将为这项技术的发展起到一定的探索作用。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 生物特征识别
• 1.2 步态特征与步态识别
• 1.3 步态识别的研究意义和背景
• 1.4 研究内容和论文结构
• 第二章 步态识别方法研究
• 2.1 常用的步态识别方法
• 2.1.1 非模型方法
• 2.1.2 基于模型的方法
• 2.2 步态识别系统组成
• 2.3 步态识别研究难点
• 第三章 基于人体轮廓的小波描述子提取
• 3.1 运动人体轮廓线提取
• 3.1.1 目标邻域点边界跟踪算法
• 3.1.2 人体轮廓线提取
• 3.2 轮廓归一化处理
• 3.2.1 质心计算
• 3.2.2 轮廓线等间隔采样
• 3.3 步态特征表达
• 3.4 小波描述子
• 3.4.1 小波理论基础
• 3.4.2 边界中心距的小波描述
• 3.5 小结
• 第四章 基于人体骨架模型的步态特征提取
• 4.1 数学形态学
• 4.2 基于数学形态学的骨架提取
• 4.2.1 数学形态学中的基本运算
• 4.2.2 数学形态学的骨架算法
• 4.2.3 数学形态学骨架提取
• 4.3 人体骨架的特征参数提取
• 4.4 小结
• 第五章 基于人体轮廓特征和SVM的身份识别
• 5.1 步态周期划分及关键点特征
• 5.2 SVM基本理论
• 5.2.1 统计学习理论
• 5.2.2 SVM基本原理
• 5.3 基于SVM的步态识别算法实现
• 5.3.1 分类器
• 5.3.2 分类器参数确定
• 5.4 识别结果
• 5.4.1 数据库
• 5.4.2 融合策略
• 5.4.3 识别结果评价方法
• 5.4.4 单一视角和单一特征的识别结果
• 5.4.5 多特征融合后的识别结果
• 5.4.6 多视角多特征融合后的识别结果
• 5.5 识别结果分析
• 5.6 小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 发表论文和科研情况说明
• 致谢