基于序列統(tǒng)計(jì)特性的步態(tài)識(shí)別算法研究.pdf

1、步態(tài)是指人的行走方式,由于其遠(yuǎn)距離、非接觸性、難于隱藏和偽裝等特點(diǎn),被認(rèn)為是遠(yuǎn)距離情況下進(jìn)行智能視覺監(jiān)控的最具潛力的生物特征。步態(tài)識(shí)別是指根據(jù)人的行走方式來識(shí)別其身份,近年來引起了計(jì)算機(jī)視覺研究者們的濃厚興趣。步態(tài)識(shí)別技術(shù)的研究可以促進(jìn)計(jì)算機(jī)視覺和模式識(shí)別理論的發(fā)展,具有重要的理論意義；步態(tài)識(shí)別技術(shù)在安全敏感場(chǎng)所的視頻監(jiān)控、特殊場(chǎng)合的訪問控制、輔助破案等方面也有著廣泛的應(yīng)用價(jià)值。
　　 基于視頻的步態(tài)識(shí)別技術(shù)的研究對(duì)象是包含人體

2、運(yùn)動(dòng)的步態(tài)側(cè)影圖像。由于相機(jī)抖動(dòng)、光線變化、遮擋等噪聲的存在,使得檢測(cè)到的步態(tài)側(cè)影質(zhì)量較低。因此,本文不考慮從單幀側(cè)影中進(jìn)行特征提取或匹配,而是對(duì)一定時(shí)間間隔內(nèi)的所有步態(tài)圖像進(jìn)行統(tǒng)計(jì)分析和處理,將人體姿態(tài)的時(shí)空變化特性用某種統(tǒng)計(jì)值來代替,本質(zhì)上屬于統(tǒng)計(jì)步態(tài)識(shí)別方法。本文的研究目的在于提高步態(tài)識(shí)別算法的識(shí)別性能和校驗(yàn)性能,促進(jìn)步態(tài)識(shí)別技術(shù)朝著實(shí)用化的方法發(fā)展。本課題的研究得到了國家自然科學(xué)基金(編號(hào)60675024)的支持。
　　

3、 本文的研究成果與創(chuàng)新點(diǎn)主要包括:
　　 1)為了解決步態(tài)側(cè)影圖像質(zhì)量低劣的問題,提出了一種基于概率模型的步態(tài)側(cè)影修復(fù)算法,專門用于修復(fù)殘缺的步態(tài)側(cè)影圖像。首先對(duì)所有步態(tài)側(cè)影圖像進(jìn)行質(zhì)量評(píng)估,自動(dòng)檢測(cè)出質(zhì)量不高的圖像；然后利用訓(xùn)練好的個(gè)體模型對(duì)需要修復(fù)的側(cè)影進(jìn)行序列內(nèi)的模型修復(fù)；若依然存在質(zhì)量較差的側(cè)影,再利用群體模型對(duì)其進(jìn)行修復(fù)。實(shí)驗(yàn)證明經(jīng)修復(fù)后的側(cè)影不僅質(zhì)量更高且能提高算法的識(shí)別率。該算法的特點(diǎn)在于僅對(duì)需要修復(fù)的側(cè)影進(jìn)行更新

4、,而且更大程度上進(jìn)行的是一種自我修復(fù),因增強(qiáng)了類內(nèi)相似度而更利于分類。
　　 2)以序列的均值形狀為基礎(chǔ),本文提出了一種基于形狀上下文的統(tǒng)計(jì)步態(tài)識(shí)別新方法。引入形狀上下文描述子來表征均值形狀上采樣點(diǎn)的分布情況,得到的歸一化直方圖分布是一種信息量豐富的步態(tài)特征,稱為形狀上下文矩陣。為了減少點(diǎn)匹配帶來的計(jì)算負(fù)擔(dān),本文通過設(shè)置統(tǒng)一的初始采樣點(diǎn)及循環(huán)移位操作來實(shí)現(xiàn)采樣點(diǎn)間的快速匹配。實(shí)驗(yàn)結(jié)果證明,引入這種新的形狀描述方法可以帶來算法識(shí)別

5、性能上的收益。
　　 3)以步態(tài)序列的均值形狀為基礎(chǔ),本文還從形狀在參考點(diǎn)處的局部走向和發(fā)展趨勢(shì)著手,提出了一種基于切向角特征的統(tǒng)計(jì)步態(tài)識(shí)別新方法。計(jì)算均值形狀上所有采樣點(diǎn)的切向量在向量空間中所對(duì)應(yīng)的角度值,即可得到切向角步態(tài)特征TAF。利用局部切向差距離來計(jì)算任意兩個(gè)TAF之間的相似性,并用最簡單的標(biāo)準(zhǔn)分類器實(shí)現(xiàn)步態(tài)識(shí)別。實(shí)驗(yàn)結(jié)果表明該方法能獲得較好的識(shí)別準(zhǔn)確率。
　　 4)以步態(tài)序列的均值側(cè)影為基礎(chǔ),提出了一種基于虛

6、擬GEI的步態(tài)識(shí)別算法。對(duì)GEI進(jìn)行位平面分解,并將所有位平面按某種權(quán)值進(jìn)行加權(quán)組合可得到GEI的結(jié)構(gòu)圖像和細(xì)節(jié)圖像,分別代表GEI的結(jié)構(gòu)信息和細(xì)節(jié)信息。在復(fù)數(shù)空間中表示結(jié)構(gòu)圖像和細(xì)節(jié)圖像,便得到虛擬步態(tài)能量圖VGEI。結(jié)合復(fù)空間中的廣義PCA變換對(duì)VGEI進(jìn)行降維處理,得到低維的步態(tài)特征表達(dá)。經(jīng)典的歐氏距離被用來計(jì)算不同步態(tài)特征之間的相似性,NN分類器被用來完成目標(biāo)分類。實(shí)驗(yàn)結(jié)果驗(yàn)證了基于VGEI的步態(tài)識(shí)別算法的有效性。
　　

7、 5)以均值側(cè)影為基礎(chǔ),提出了一種基于紋理分析的步態(tài)識(shí)別算法,從紋理分析的角度提取GEI的紋理特征來實(shí)現(xiàn)步態(tài)識(shí)別。提取的紋理特征包括局部變化幅度、局部標(biāo)準(zhǔn)差和局部熵等。采用相應(yīng)的局部變化幅度圖像、局部標(biāo)準(zhǔn)差圖像和局部熵圖像進(jìn)行步態(tài)識(shí)別,在CASIA數(shù)據(jù)集上均表現(xiàn)出較好的識(shí)別性能和校驗(yàn)性能。實(shí)驗(yàn)結(jié)果說明紋理特征比原始的GEI特征具有更強(qiáng)的鑒別能力。
　　 6)為了獲得更優(yōu)的識(shí)別性能和校驗(yàn)性能,本文還對(duì)基于特征融合的步態(tài)識(shí)別算法進(jìn)行