本文關(guān)鍵詞：基于人體輪廓和腿部特征的步態(tài)識(shí)別方法

  更多相關(guān)文章： 步態(tài)識(shí)別 步態(tài)能量圖 腿部輪廓區(qū)域 特征融合 迭代法 模糊孿生支持向量機(jī)

【摘要】：隨著計(jì)算機(jī)視覺、模式識(shí)別等技術(shù)的不斷進(jìn)步以及人們對(duì)自身安全的重視,視頻監(jiān)控系統(tǒng)的應(yīng)用得到了快速發(fā)展,其中利用計(jì)算機(jī)視覺的圖像及視頻中人體行走的步態(tài)進(jìn)行身份識(shí)別是重要的研究內(nèi)容之一。步態(tài)識(shí)別作為一種生物識(shí)別方法,它主要根據(jù)人體行走的姿態(tài)來達(dá)到身份識(shí)別的目的,該方法具有遠(yuǎn)距離、非接觸性特點(diǎn),且可以在不干擾他人狀態(tài)下進(jìn)行,因此,步態(tài)識(shí)別成為當(dāng)前生物識(shí)別領(lǐng)域的研究熱點(diǎn),并且吸引了很多研究人員的廣泛關(guān)注。然而,由于步態(tài)認(rèn)知尚處于一個(gè)初級(jí)階段,再加上客觀環(huán)境與人的運(yùn)動(dòng)的復(fù)雜性,使得人的步態(tài)識(shí)別變得較為困難,所以,在步態(tài)識(shí)別中還有許多問題需要解決,例如步態(tài)特征提取,提高步態(tài)識(shí)別率和識(shí)別速度等問題。針對(duì)以上情況,本文基于人體輪廓和腿部特征對(duì)步態(tài)識(shí)別進(jìn)行了研究,主要完成了以下工作:(1)分析研究LDA及其擴(kuò)展方法,提出了變形PCA與RLDA相結(jié)合的特征提取方法vPCA+RLDA。通過選取訓(xùn)練樣本的總體散布矩陣的正特征值對(duì)應(yīng)的特征向量,以此組成一個(gè)維數(shù)較低的變換空間。在此空間中,為了調(diào)整特征值方差與偏差過大對(duì)識(shí)別率造成影響以及克服小樣本問題,對(duì)每類樣本的協(xié)方差矩陣增加一個(gè)正則項(xiàng),從而構(gòu)成新的準(zhǔn)則函數(shù),通過求解該優(yōu)化問題,并選擇部分特征向量組成特征矩陣。(2)針對(duì)步態(tài)識(shí)別易受背包、穿外衣等外界因素干擾,結(jié)合腿部輪廓區(qū)域,提出了一種基于腿部輪廓區(qū)域與整體特征相結(jié)合的步態(tài)識(shí)別算法。使用vPCA和RLDA方法對(duì)步態(tài)能量圖像(GEI)以及腿部輪廓區(qū)域(RBL)圖像分別進(jìn)行降維和特征提取,將提取的兩部分特征結(jié)合在一起共同表示一個(gè)行人的步態(tài)特征。(3)針對(duì)步態(tài)識(shí)別整體運(yùn)行時(shí)間較長的問題,結(jié)合兩類問題的迭代模糊孿生支持向量機(jī)方法對(duì)步態(tài)識(shí)別進(jìn)行了研究。針對(duì)步態(tài)識(shí)別多類問題,采用逐對(duì)分類的方式,將其轉(zhuǎn)換為多個(gè)兩類的迭代模糊孿生支持向量機(jī),并將分類結(jié)果通過投票方式確定步態(tài)所屬類別。(4)通過選取中科院的步態(tài)數(shù)據(jù)庫CASIA A、CASIA B和CASIA C以及識(shí)別率和運(yùn)行時(shí)間兩種評(píng)價(jià)標(biāo)準(zhǔn),并結(jié)合四種分類方法,即NN分類器、支持向量機(jī)分類器、k近鄰分類器和迭代模糊孿生支持向量機(jī),對(duì)提出的步態(tài)特征提取方法進(jìn)行了實(shí)驗(yàn)研究,驗(yàn)證了提出的特征提取方法的有效性。
【關(guān)鍵詞】：步態(tài)識(shí)別 步態(tài)能量圖 腿部輪廓區(qū)域 特征融合 迭代法 模糊孿生支持向量機(jī)
【學(xué)位授予單位】：河北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-12
• 第1章 緒論12-17
• 1.1 研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.2.1 基于模型的步態(tài)識(shí)別13
• 1.2.2 非模型的步態(tài)識(shí)別13-15
• 1.3 主要研究內(nèi)容與論文組織結(jié)構(gòu)15-16
• 1.3.1 主要研究內(nèi)容15
• 1.3.2 論文組織結(jié)構(gòu)15-16
• 1.4 本章小結(jié)16-17
• 第2章 步態(tài)識(shí)別涉及的相關(guān)知識(shí)17-24
• 2.1 視頻圖像的預(yù)處理17-19
• 2.1.1 行人檢測和分割提取17-18
• 2.1.2 行人的步態(tài)圖像歸一化18-19
• 2.1.3 步態(tài)的周期檢測19
• 2.2 特征提取與表示19-20
• 2.3 步態(tài)特征融合與識(shí)別分類20-21
• 2.3.1 特征融合技術(shù)20-21
• 2.3.2 步態(tài)識(shí)別的識(shí)別分類21
• 2.3.3 魯棒性分析21
• 2.4 步態(tài)識(shí)別數(shù)據(jù)庫21-23
• 2.4.1 UCSD步態(tài)數(shù)據(jù)庫21-22
• 2.4.2 SOTON步態(tài)數(shù)據(jù)庫22
• 2.4.3 CMU Mobo步態(tài)數(shù)據(jù)庫22
• 2.4.4 HID-UMD步態(tài)數(shù)據(jù)庫22
• 2.4.5 USF步態(tài)數(shù)據(jù)庫22
• 2.4.6 Gait Challenge步態(tài)數(shù)據(jù)庫22
• 2.4.7 CASIA步態(tài)數(shù)據(jù)庫22-23
• 2.5 本章小結(jié)23-24
• 第3章 基于vPCA與RLDA方法的步態(tài)特征提取與識(shí)別24-39
• 3.1 步態(tài)識(shí)別系統(tǒng)的基本框架24-25
• 3.2 散布矩陣的奇異值問題25-26
• 3.3 步態(tài)識(shí)別中常用的降維方法26-28
• 3.3.1 主成分分析法26-27
• 3.3.2 線性判別分析法27-28
• 3.4 LDA擴(kuò)展方法的步態(tài)特征提取28-31
• 3.4.1 PCA與LDA相結(jié)合的特征提取29
• 3.4.2 DLDA29-30
• 3.4.3 RLDA30-31
• 3.5 基于變形PCA和RLDA的步態(tài)特征提取31-33
• 3.6 LDA擴(kuò)展方法及vPCA+RLDA方法的識(shí)別實(shí)驗(yàn)33-38
• 3.6.1 視頻圖像預(yù)處理33-34
• 3.6.2 實(shí)驗(yàn)結(jié)果與分析34-38
• 3.7 本章小結(jié)38-39
• 第4章 融合腿部局部特征的步態(tài)特征提取與識(shí)別方法39-55
• 4.1 步態(tài)能量圖像與腿部輪廓區(qū)域圖像39-40
• 4.2 特征提取40-42
• 4.3 特征表示42-43
• 4.4 最小距離分類器43-44
• 4.5 k近鄰分類器44
• 4.6 支持向量機(jī)分類器44-45
• 4.7 迭代模糊孿生支持向量機(jī)分類器45-47
• 4.8 融合腿部局部特征的步態(tài)識(shí)別實(shí)驗(yàn)47-54
• 4.8.1 視頻圖像預(yù)處理48
• 4.8.2 實(shí)驗(yàn)結(jié)果與分析48-54
• 4.9 本章小結(jié)54-55
• 第5章 總結(jié)與展望55-57
• 5.1 本文總結(jié)55-56
• 5.2 工作展望56-57
• 參考文獻(xiàn)57-60
• 致謝60-61
• 攻讀學(xué)位期間取得的科研成果61

，

本文編號(hào)：987653