基于步幅长度及频域特征的步态识别方法研究

论文摘要

步态识别是近些年来生物特征识别和计算机视觉中活跃的研究课题之一。它旨在根据人行进过程中的行走步态模式来识别其身份。它的研究主要由三部分构成:运动目标检测、特征提取和步态识别。本文针对这三部分主要开展了以下的研究工作:首先,分析了常用的运动检测算法,并根据具体情况构建背景图像,采用背景减除算法实现了运动人体的检测,利用阈值分割和形态学操作实现了图像的二值化。用Canny算法进行了边缘提取,为后续特征提取工作提供了良好的基础。其次,在特征提取方面,提出了根据步幅长度变化特征来进行周期分割的方法,在一个步态周期内确定了四个关键帧姿态。然后采用了二维离散傅里叶变换将运动检测后的二值图像变换到频域,提取四个关键帧的频谱能量幅值,计算其均值作为特征值,结合人体步幅长度特征构成五维特征向量。最后,使用标准的模式分类器——最近邻法分类器(NN)及K近邻分类器(KNN)实现身份识别。在中科院自动化所提供的CASIA步态数据库(CASIA Gait Database)进行实验,采用此种特征提取方法,在降低了算法复杂度的同时,获得了令人鼓舞的实验结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• §1-1 引言
• §1-2 生物特征识别
• §1-3 步态识别
• 1-3-1 步态识别简介
• 1-3-2 步态识别的研究路线及现状
• 1-3-3 步态识别的研究难点及发展趋势
• §1-4 本文的研究内容和章节安排
• 第二章 运动目标检测
• §2-1 运动目标检测技术简介
• 2-1-1 光流法
• 2-1-2 帧间差分法
• 2-1-3 背景减除法
• §2-2 背景减除法获得二值图像
• 2-2-1 背景重建
• 2-2-2 灰度变换
• 2-2-3 中值滤波
• 2-2-4 背景减除与固定阈值分割
• 2-2-5 形态学算子去空洞
• §2-3 提取人体步态轮廓
• §2-4 小结
• 第三章 步态特征提取
• §3-1 步幅长度特征的提取
• §3-2 步态周期分割
• §3-3 频谱能量特征的提取
• 第四章 步态识别
• §4-1 识别方法
• 4-1-1 模板匹配
• 4-1-2 统计方法
• §4-2 分类决策
• 4-2-1 最近邻分类器
• 4-2-2 K 近邻分类器
• 4-2-3 距离度量
• §4-3 实验结果与分析
• 第五章 全文总结及展望
• §5-1 结论
• §5-2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间所取得的相关科研成果