基于角度及轮廓特征的步态识别方法研究

论文摘要

随着现代社会对安全的迫切需求,生物特征识别作为对安全敏感场合进行访问控制的一种身份鉴别技术,得到大力的研究和发展。人脸、指纹等生物特征通常要求近距离或接触性的感知,在远距离的情况下将无法使用,而步态则是此种情况下唯一可感知的生物特征,因此,步态识别——利用人行走的姿势鉴别人体身份,在视觉监控领域具有显著的优势。首先对步态进行预处理。通过分析和比较常用的运动检测方法,针对文中使用的步态序列具有背景简单的特点,采用背景减除法实现步态检测;对步态运动的周期性进行分析,并利用人体侧影的高宽信息计算步态周期。然后,基于“行走运动的关节角度变化包含着丰富的个体识别信息”的观点,提出了基于下肢运动分析及DTW的步态识别方法。对每个步态序列,依据人体解剖学的先验知识,通过对下肢运动的分析来定位关节点,进而提取一个步态周期的下肢角度变化轨迹作为特征矢量;采用动态时间规整(DTW)算法计算不同步态序列间的相似度,使用最近邻分类器及K近邻分类器实现步态的分类决策。最后,针对基于单一特征的步态识别方法一般不能得到令人满意的识别效果,利用特征融合的思想,提出了在匹配层上融合下肢角度及人体轮廓特征的步态识别方法。融合过程中,权重的赋予使两种步态特征按较优的比例进行组合,以充分发挥其互补性。GASIA数据库上的仿真结果表明,本方法的识别率达到95%,明显高于基于单一特征的步态识别方法。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 步态识别技术综述
• 1.2.1 步态识别技术简介
• 1.2.2 步态识别的研究内容
• 1.2.3 步态识别的研究难点
• 1.2.4 步态识别的研究现状
• 1.3 本文的内容组织
• 第二章 步态的预处理
• 2.1 运动检测方法概述
• 2.1.1 背景减除法
• 2.1.2 时间差分法
• 2.1.3 光流法
• 2.2 基于背景减除法的步态检测
• 2.2.1 背景建模
• 2.2.2 图像差分
• 2.2.3 阈值分割
• 2.2.4 阈值的选择
• 2.2.5 形态学后处理
• 2.2.6 人体轮廓边界的检测
• 2.3 步态周期分析
• 2.3.1 周期定义
• 2.3.2 周期检测
• 2.4 本章小结
• 第三章 基于下肢运动分析及 DTW的步态识别方法
• 3.1 引言
• 3.2 特征提取
• 3.2.1 关节点的定位
• 3.2.2 下肢角度计算
• 3.3 分类识别
• 3.3.1 动态时间规整（DTW）算法的基本原理
• 3.3.2 基于DTW算法的步态特征度量
• 3.3.3 分类决策
• 3.4 实验
• 3.4.1 步态数据集
• 3.4.2 实验结果的评价指标
• 3.4.3 实验过程
• 3.4.4 实验结果及其分析
• 3.4.5 方法比较
• 3.5 本章小结
• 第四章 融合下肢角度及人体轮廓特征的步态识别方法
• 4.1 引言
• 4.2 基于傅立叶描述子的人体轮廓特征提取
• 4.3 信息融合技术
• 4.3.1 信息融合概述
• 4.3.2 信息融合在生物特征识别中的应用
• 4.4 步态特征融合及分类识别
• 4.4.1 匹配层上融合角度及轮廓特征
• 4.4.2 分类识别
• 4.5 实验
• 4.5.1 实验过程
• 4.5.2 实验结果及其分析
• 4.5.3 方法比较
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果目录