基于隐马尔可夫模型的步态识别算法研究

论文摘要

随着时代的发展和社会的进步,近年来生物特征识别技术以其特有的安全性、稳定性和方便性被广泛地应用于安全、认证等身份鉴别领域。常用的生物特征包括人脸、虹膜、指纹、掌纹、声纹等。与上述生物特征不同,步态是人体外在的、动态的表现,且和时空变化密切联系。同时,与基于静态特征的其它生物识别技术相比,步态识别具有非接触性、非侵入性和难以隐藏性等显著的优势。而且,一系列心理学实验和生物特性研究表明:如果考虑人体行走过程中的所有因素,步态信息对不同的人是唯一的。因此,步态分析在视觉监控、控制、身份鉴定等领域中起着越来越重要的作用,受到计算机视觉研究者的广泛关注。本文分析了步态识别的国内外研究现状,研究了步态识别的主要方法及存在问题。在此基础上,本文提出了一种基于隐马尔可夫的步态识别算法。文章主要分三部分展开论述。首先,文章系统的介绍了隐马尔可夫的基础理论。文章从马尔可夫链入手,由此引出了隐马尔可夫模型的基本概念与模型参数。在分析三个基本问题的基础上,分别讨论了隐马尔可夫的三个基本算法。同时,分析了隐马尔可夫在实际应用中存在的问题,对基本算法进行了相应的改进。这一部分是文章的理论基础。接着,文章介绍了步态序列的预处理技术。预处理技术主要分以下几部分讨论:运动检测、运动分割、感兴趣区域提取与处理、步态周期检测等。在运动检测中,分析了常用的运动检测算法,并使用背景减除法进行运动检测。构建背景模型时采用了中值滤波法。运动分割部分,讨论了固定阈值对图像二值化结果的影响,并采用迭代阈值法获取每幅前景图像的最优化阈值,大大提高了二值化效果。同时,对二值图像进行形态学滤波,减小了噪声的影响。在感兴趣区域提取与处理部分,采用全局搜索方法寻找最小人体矩形框,并对其进行归一化和中心化处理。在检测步态周期时,基于极值点的一阶导数为零的理论提出了一种周期检测方法。该方法将人体行走时两脚间距离的变化作为处理信号,除个别视角外,在大多数情况下都可以准确地检测周期。最后,文章介绍了步态特征提取和步态特征识别。特征提取是步态识别的关键,文中首先利用人体矩形框生成步态能量图,然后从能量图中获取步态特征序列。在特征提取时,采用模糊处理的方法,既降低了特征数据量,又减小了能量图中噪声点的影响。在模型参数训练部分,提出了一种构建虚拟试验样本的方法,很好地解决了训练样本不足的问题。仿真试验时,在UCSD数据库和CASIA Dataset A数据库(即原NLPR数据库)上作了大量的试验,并对试验结果作了详细分析,分别得到了CCR、ROS曲线、ROC曲线。试验分析表明,本文提出的步态识别算法取得了令人满意的试验结果。

论文目录

• 摘要
• ABSTRACT
• 英文缩略词
• 第一章 绪论
• 1.1 生物特征识别技术
• 1.2 步态识别技术简介
• 1.3 步态识别的背景及意义
• 1.4 本文的研究工作与创新
• 第二章 步态识别的研究现状
• 2.1 国外研究现状
• 2.2 国内研究现状
• 2.3 主要步态识别方法概述
• 2.3.1 基于结构（模型）的方法
• 2.3.2 基于非结构（运动）的方法
• 2.4 主要步态数据库简介
• 第三章 HMM基本理论及算法
• 3.1 引言
• 3.2 HMM基本原理
• 3.2.1 马尔可夫模型
• 3.2.2 HMM模型
• 3.3 HMM基本算法
• 3.3.1 HMM的三个基本问题
• 3.3.2 HMM的三个基本算法
• 3.4 HMM的类型及算法在实现中的问题
• 3.4.1 HMM的基本类型
• 3.4.2 HMM算法实现中的问题
• 3.5 HMM在步态识别中的可行性
• 3.6 小结
• 第四章 步态图像的预处理
• 4.1 步态图像色彩转化
• 4.2 运动检测
• 4.2.1 背景建模
• 4.2.2 背景减除
• 4.2.3 图像二值化
• 4.3 形态学滤波处理
• 4.4 感兴趣区域提取与处理
• 4.4.1 人体矩形框提取
• 4.4.2 矩形框归一化处理
• 4.4.3 矩形框中心化处理
• 4.5 步态周期检测
• 4.6 小结
• 第五章 步态特征提取与识别
• 5.1 引言
• 5.2 步态特征提取与表示
• 5.2.1 步态能量图
• 5.2.2 步态能量图的抗噪声性能分析
• 5.2.3 利用步态能量图提取步态特征
• 5.3 基于HMM的步态识别
• 5.3.1 模型训练
• 5.3.2 特征识别及实验结果分析
• 5.4 小结
• 第六章 结论与展望
• 6.1 本文成果与不足
• 6.2 未来工作的展望
• 参考文献
• 致谢
• 攻读硕士期间发表论文
• 学位论文评阅及答辩情况表