论文摘要
近年来,随着恐怖袭击事件的频繁发生,人们清晰地认识到身份识别技术在国防和公共安全领域的异常重要性。众多生物特征,如人脸、指纹、步态等已经被广泛地应用到个人身份识别和鉴定等领域。与其他生物特征相比,步态特征具有易采集性、非强迫性和不易模仿性,这使它成为唯一适合较远距离进行身份鉴别的生物特征。因此,步态身份识别技术成为学术界和工业界研究的热点。步态身份识别的研究对于促进国内智能监控系统的发展,维护社会稳定和增强社会安全具有非常重要的意义。本文分别从静态和动态的人体轮廓特征出发,提出了三种不同的步态特征,并将这些步态特征应用到步态身份识别的研究中,从而提高步态识别的准确率。论文的主要工作在于:(1)提出了两种新的步态周期估计算法。这两种周期估计算法分别从垂直方向和水平方向出发,通过捕捉人体四肢在行走过程中的摆动规律来估计步态周期。实验表明,这两种新的周期估计算法都能够较好地划分步态周期。同时,本文提出了一种新的评价标准来定量地分析步态周期估计算法的准确性,利用人为标定的步态周期信息来评价周期估计算法的准确程度。研究表明,本文提出的基于水平统计的周期估计算法达到最好的准确性。(2)提出了三种新的步态特征。从人体轮廓特征出发,根据密集采样提取特征思想,提出了基于帧差梯度直方图的FHOG步态特征、基于光流直方图的GHOF步态特征和基于运动边界直方图的MBH步态特征。FHOG步态特征是在步态轮廓帧差图像的基础上提取的梯度直方图特征,描述的是人体轮廓的静态特征;GHOF和MBH都是在计算步态轮廓图像光流场的基础上提取的两种不同的直方图特征,描述的是人体轮廓的动态特征。实验证明,本文提出的这三种步态特征都能够取得很好的识别效果。同时,提出了新的虚拟步态模板构造方法,利用虚拟模板增加步态特征的样本数,其中虚拟模板的分类准确率甚至超过了真实步态模板。(3)对步态特征分类识别时,采用新的降维方法来增加步态特征的判别能力。本文将传统的主成分分析、线性判别分析和非负矩阵分解结合起来用于对高维步态特征进行降维处理,取得了更为显著的判别效果。同时,采用信息融合的方法提高步态识别率,提出了基于加法规则的不同步态特征融合方法,这种融合方法能够提高步态身份识别的整体识别率。实验表明,本文提出的综合步态特征分类识别方法在USF数据库上能够取得67%的识别率。