基于人體運動分析的步態(tài)識別算法研究.pdf

1、步態(tài)是在遠(yuǎn)距離下,在人沒有覺察的情況下就可以捕捉到動態(tài)以及靜態(tài)信息,步態(tài)識別是最有潛力的生物特征識別技術(shù)之一,是智能監(jiān)控系統(tǒng)中不可或缺的組成部分。本文首先分析了步態(tài)識別相關(guān)技術(shù)的研究現(xiàn)狀,指出任意行走方向的步態(tài)周期檢測尚未存在有效方法;背包的步態(tài)識別問題有待于解決;尋找有效的步態(tài)特征,提高步態(tài)識別性能是步態(tài)識別永遠(yuǎn)不變的主題。本文主要對基于人體運動分析的步態(tài)識別算法展開深入地研究,重點研究步態(tài)的周期檢測、步態(tài)的特征表達(dá)以及提取。

2、　　 將步態(tài)的周期問題轉(zhuǎn)化為序列中單幀圖像的區(qū)域特征分析問題,即根據(jù)每幀中圖形區(qū)域的特征變化情況來分析步態(tài)的周期,提出了一類基于區(qū)域特征分析的步態(tài)周期檢測方法。首先對視頻序列正面和非正面步態(tài)粗分類,針對于正面步態(tài)采用下臂搖擺區(qū)域作為判定周期的依據(jù);針對于非正面步態(tài),采用面積、質(zhì)心、矩、極點和邊界框等區(qū)域特征作為判定依據(jù)。所提出的方法不但計算量小,而且已經(jīng)達(dá)到人主觀判斷的精度。特別是基于擬合橢圓的方法,對噪聲的魯棒性較強(qiáng),而且具有尺度、

3、平移不變性,所以它可以在預(yù)處理的標(biāo)準(zhǔn)中心化之前進(jìn)行,這樣大大地縮短了步態(tài)識別工作前期處理的時間。
　　 由于行走過程中兩幀之間的特征只與它前一幀的特征和后一幀的特征有關(guān)系,提出基于線性插值的矩陣步態(tài)識別算法框架,并以投影特征、Hough變換特征、Trace變換特征和Fan-Beam映射特征加以實例化來驗證該框架的有效性,提出的框架給步態(tài)識別問題帶來了新的解決思路。這種基于線性插值的矩陣步態(tài)識別特征本質(zhì)上是有別于步態(tài)能量圖像的另一

4、種權(quán)值不同的能量形式。
　　 由于背包對步態(tài)識別的性能影響很大,它只改變局部步態(tài)的形狀,提出分塊矩陣的步態(tài)識別算法,自適應(yīng)地去掉對分類無用的子塊,對有效子塊分別采用所提出的基于子模式的完全二維主成分分析、基于子模式的完全二維線性判別主成分分析、基于子模式的完全二維局部保留主成分分析算法提取局部特征,實驗表明基于子模式的完全二維局部保留主成分分析算法對攜帶物品變化的步態(tài)識別具有最好的識別性能。
　　 提出基于線性插值的張量

5、步態(tài)識別,首先將一個周期的步態(tài)的幀數(shù)歸一到一定數(shù)目,那么單個的步態(tài)樣本表現(xiàn)成張量的形式,采用多重線性主成分分析來提取特征,對于所提取的特征采用兩種張量向量化方法,分別基于方差信息和基于類判別信息。提出多重線性主成分分析結(jié)合正交線性判別分析的步態(tài)識別算法,為了進(jìn)一步減小計算量,采用分塊多重線性主成分分析結(jié)合正交線性判別分析策略,對來自于不同的子塊賦予一個權(quán)值,這個權(quán)值體現(xiàn)了各個子塊具有類判別信息的重要程度。在CASIA(B)步態(tài)數(shù)據(jù)庫上獲