基于步态分析的身份识别研究

论文摘要

随着现代社会对安全的要求不断提高，利用生物特征进行快速准确的身份识别成了当今的主流。步态是一种远距离可采集的生物特征，步态识别技术以其对系统分辨率要求低、信息采集设备不会使人感到不适、远距离识别、非侵犯性和难以隐藏等特点成了继虹膜、人脸识别后的第二代生物识别技术，倍受计算机视觉研究者的关注，国内外大量研究者已经投入到该研究热点中。 本文对步态识别进行了深入的研究，主要开展了以下几方面的研究工作： 分析了常用的步态检测方法，本文选用简单快速的背景减除方法进行步态检测，运用形态学算子对背景减除后的前景区域进行后处理，去除了小的空洞和噪声。利用主曲线从数据本身出发，能有效地描述非线性数据的特性，提出了一种主曲线侧影轮廓描述方法。在步态检测所得侧影上，利用K主曲线能够准确地勾画出侧影轮廓。 研究了侧影轮廓对步态的描述能力，提出了一种用轮廓矩阵表征步态运动的方法。该方法用轮廓矩阵表征步态，利用Kronecher积求取轮廓之间位置差，将位置差作为步态特征，该方法描述了侧影的静态轮廓形状及其变化，有效地表达了步态的时空变化模式。并对该步态特征进行主曲线分析。 针对用线性方法分析非线性数据在分析能力上的不足，根据主曲线具有自相合、无参数、通过数据分布“中间”等特性，提出了一种新的非线性分析方法：主曲线成分分析法。该方法从数据本身出发进行非线性分析，强调非参数特性，有效地建模非线性数据。另外，本文提出了主曲线步态分类法。该方法用低维流形描述每类样本，并定义了新的相似性度量和分类规则。实验结果表明，该主曲线分类法具有良好的分类性能。 人体肢体角度及关节运动中包含了大量对识别有用的动态特征，提取这类特征的常用方法是人体或肢体建模。建模方法能较准确地获取动态信息，但参数繁多，计算量大。本文提出一种无需建模，通过分析人体结构及侧影宽度变化确定关节位置，从而提取角度信息的步态表征方法。实验证明，该方法能在低的代价下提取出与建模方法相当的运动轨迹。该步态表征方法动静结合，包括了结构信息和以序列形式表示的宽度及连接角的运动轨迹。本文

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的目的和意义
• 1.2 步态识别研究内容
• 1.3 步态识别研究现状
• 1.3.1 数据获取
• 1.3.2 步态检测
• 1.3.3 步态表征
• 1.3.4 步态鉴别
• 1.3.5 主曲线理论
• 1.3.6 步态识别存在的问题
• 1.4 论文的主要工作
• 1.5 论文的组织结构
• 第2章 步态检测及预处理
• 2.1 引言
• 2.2 步态检测
• 2.2.1 背景建模
• 2.2.2 前景区域检测
• 2.2.3 后处理
• 2.3 轮廓提取
• 2.4 步态参数分析
• 2.5 步态周期检测
• 2.6 本章小结
• 第3章 基于主曲线的时空步态分析
• 3.1 引言
• 3.2 主曲线成分分析
• 3.2.1 主成分与主曲线
• 3.2.2 主曲线成分分析
• 2A的具体实现'>3.2.3 PC²A的具体实现
• 2A的实验结果与分析'>3.2.4 PC²A的实验结果与分析
• 3.3 时空模式的步态表征
• 3.3.1 侧影轮廓描述
• 3.3.2 步态序列描述
• 3.3.3 步态特征分析
• 3.4 基于主曲线的步态识别
• 3.4.1 识别方法
• 3.4.2 分类规则
• 3.5 实验及分析
• 3.5.1 实验环境
• 3.5.2 实验步骤
• 3.5.3 实验结果分析
• 3.6 本章小结
• 第4章 基于运动分析的步态分析
• 4.1 引言
• 4.2 步态特征提取
• 4.2.1 宽度特征
• 4.2.2 角度分析
• 4.2.3 结构特征
• 4.3 步态特征分析
• 4.3.1 动态时间规整
• 4.3.2 特征分析
• 4.4 实验结果及讨论
• 4.5 本章小结
• 第5章 基于周期序列宽度图的步态分析
• 5.1 引言
• 5.2 步态表征及分析
• 5.2.1 侧影宽度分析
• 5.2.2 周期序列宽度图
• 5.2.3 特征分析
• 5.3 识别
• 5.3.1 RBF神经网络
• 5.3.2 分类器设计
• 5.4 实验结果及讨论
• 5.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢