基于最外輪廓的步態(tài)識(shí)別研究.pdf

1、隨著人們對(duì)安全問題的重視，監(jiān)控系統(tǒng)變得無所不在。利用監(jiān)控系統(tǒng)信息進(jìn)行人的身份識(shí)別變得非常迫切。步態(tài)識(shí)別，即利用人走路的姿勢(shì)進(jìn)行身份識(shí)別，是一種新興的生物特征識(shí)別技術(shù)，具有遠(yuǎn)距離非接觸、非侵犯和難于隱藏的特點(diǎn)。其特點(diǎn)非常適合智能監(jiān)控領(lǐng)域的應(yīng)用需求，因此，步態(tài)識(shí)別成為當(dāng)今的研究熱點(diǎn)。
　　 目前，步態(tài)識(shí)別的大部分方法是非模型的方法。其中基于實(shí)心輪廓的方法存在大量的冗余數(shù)據(jù)，而基于輪廓線的方法則對(duì)噪聲非常敏感。為了盡量消除輪廓噪聲對(duì)特

2、征提取的影響，本文提出了一種基于最外輪廓的步態(tài)識(shí)別方法。然而步態(tài)作為一種行為特征，與其他生物特征相比，具有識(shí)別率低、魯棒性差的缺陷。為了有效利用監(jiān)控系統(tǒng)采集的多生物特征信息，提高系統(tǒng)識(shí)別性能，本文提出了一種基于人臉和步態(tài)的混合融合身份識(shí)別方法。
　　 本文的研究?jī)?nèi)容包含兩個(gè)部分:基于最外輪廓的步態(tài)識(shí)別方法、基于人臉和步態(tài)的混合融合身份識(shí)別方法。
　　 針對(duì)基于輪廓線的步態(tài)識(shí)別方法特征提取復(fù)雜、對(duì)噪聲敏感等問題，本文提出了

3、基于最外輪廓的步態(tài)識(shí)別方法。該方法利用人體輪廓最外側(cè)的點(diǎn)提取特征，可以有效避開人體輪廓上的噪聲集中區(qū)域，提取到更加準(zhǔn)確的輪廓特征。首先對(duì)分割后的人體輪廓進(jìn)行歸一化處理，保證所有的人體輪廓具有的高度。然后利用最外輪廓（在人體輪廓圖像的每一行中，人體輪廓上最左邊和最右邊的像素點(diǎn)屬于最外輪廓）提取輪廓特征，并利用PCA訓(xùn)練降低輪廓特征的維度，在新的特征空間計(jì)算步態(tài)特征。為了對(duì)步態(tài)特征進(jìn)行有效識(shí)別，識(shí)別階段采用了MDA，BPNN和SVM三種方法

4、。在100人規(guī)模的步態(tài)數(shù)據(jù)庫(kù)上驗(yàn)證了本文算法的有效性。
　　 步態(tài)識(shí)別具有識(shí)別率低、魯棒性差的缺點(diǎn)，單純依靠步態(tài)進(jìn)行身份識(shí)別難以滿足識(shí)別系統(tǒng)的性能需求?？紤]到人臉和步態(tài)信息都可以通過監(jiān)控系統(tǒng)獲取，融合人臉和步態(tài)進(jìn)行身份識(shí)別可以提高系統(tǒng)的識(shí)別性能，從而促進(jìn)智能監(jiān)控領(lǐng)域的發(fā)展，具有重要的理論意義和應(yīng)用價(jià)值?；谝陨显?，本文提出了基于人臉和步態(tài)的混合融合身份識(shí)別方法。該融合方法包括兩個(gè)部分——串行部分和并行部分，兩部分有條件的依次執(zhí)

5、行。在串行部分，依次使用人臉識(shí)別算法和步態(tài)識(shí)別算法對(duì)待識(shí)別對(duì)象進(jìn)行識(shí)別。為了避免誤識(shí)，本文對(duì)該部分的人臉識(shí)別算法和步態(tài)識(shí)別算法設(shè)置了非常嚴(yán)格的閾值。如果兩個(gè)識(shí)別算法中的某一個(gè)能夠滿足閾值要求，則給出識(shí)別結(jié)果，混合融合算法終止。否則，進(jìn)入并行部分，利用rank-level融合策略，對(duì)待識(shí)別對(duì)象進(jìn)行識(shí)別。在100人的交叉數(shù)據(jù)庫(kù)中，該混合融合方法取得了正確識(shí)別率100％的識(shí)別結(jié)果。該融合方法同時(shí)兼顧了識(shí)別精度和識(shí)別速度，為多模態(tài)生物特征識(shí)別的