傳統(tǒng)身份識(shí)別方法存在圖像分辨率要求高、識(shí)別精度低下等問(wèn)題。人體行走特征把先天生理特征和后天行為特征相結(jié)合,具有個(gè)體差異性高、不易偽裝隱藏等特點(diǎn)。因此,使用人體行走特征進(jìn)行身份識(shí)別具有更高的識(shí)別率。針對(duì)傳統(tǒng)邊緣檢測(cè)算子無(wú)法提取連續(xù)清晰輪廓邊緣的問(wèn)題,本文在對(duì)圖像進(jìn)行平滑處理、高斯背景建模、背景減除二值化以及形態(tài)學(xué)閉運(yùn)算后,利用串行分割算法提取人體輪廓邊緣。實(shí)驗(yàn)證明該方法提取的人體輪廓圖像完整清晰,為人體行走特征提取奠定基礎(chǔ)。為提取準(zhǔn)確的人體行走特征參數(shù),本文提取了人體輪廓質(zhì)心關(guān)鍵點(diǎn)以及下肢運(yùn)動(dòng)特征。在步行周期內(nèi)提取出輪廓質(zhì)心高度、質(zhì)心到關(guān)鍵點(diǎn)的距離向量、下肢關(guān)節(jié)角度以及腳擺角,為身份識(shí)別提供了可靠的特征參數(shù)。為了提高身份識(shí)別率,設(shè)計(jì)一種基于BP神經(jīng)網(wǎng)絡(luò)的身份識(shí)別模型,并進(jìn)行特征分類(lèi)識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,基于輪廓質(zhì)心關(guān)鍵點(diǎn)和基于下肢關(guān)節(jié)運(yùn)動(dòng)特征的方法識(shí)別率分別為88.00%、88.83%,特征融合后識(shí)別率達(dá)到95.30%,本文提取的人體行走特征能夠準(zhǔn)確有效地對(duì)不同身份進(jìn)行分類(lèi)識(shí)別。 

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與結(jié)構(gòu)安排
第2章 特征識(shí)別關(guān)鍵技術(shù)
    2.1 數(shù)據(jù)庫(kù)的介紹
    2.2 人體運(yùn)動(dòng)目標(biāo)檢測(cè)
        2.2.1 光流法
        2.2.2 幀間差法
        2.2.3 背景減除法
    2.3 人體行走特征提取方法
        2.3.1 基于模型的特征提取方法
        2.3.2 基于統(tǒng)計(jì)的特征提取方法
    2.4 特征分類(lèi)識(shí)別算法
        2.4.1 支持向量機(jī)算法
        2.4.2 BP神經(jīng)網(wǎng)絡(luò)算法
        2.4.3 貝葉斯網(wǎng)絡(luò)
        2.4.4 隱馬爾可夫模型
        2.4.5 K近鄰分類(lèi)算法
    2.5 本章小結(jié)
第3章 圖像預(yù)處理
    3.1 圖像的平滑處理
    3.2 目標(biāo)檢測(cè)
        3.2.1 基于高斯模型的背景建模
        3.2.2 背景減除法
    3.3 人體區(qū)域的形態(tài)學(xué)處理
    3.4 人體輪廓邊緣提取
    3.5 本章小結(jié)
第4章 人體質(zhì)心關(guān)鍵點(diǎn)和下肢運(yùn)動(dòng)特征提取
    4.1 人體步行周期
        4.1.1 步行周期定義
        4.1.2 人體運(yùn)動(dòng)周期檢測(cè)
    4.2 人體質(zhì)心和關(guān)鍵點(diǎn)特征參數(shù)提取
        4.2.1 人體質(zhì)心及關(guān)鍵點(diǎn)特征描述
        4.2.2 質(zhì)心及質(zhì)心至關(guān)鍵點(diǎn)距離向量的提取
    4.3 骨架的細(xì)化及獲取
        4.3.1 人體骨骼化
        4.3.2 人體骨架的提取
    4.4 下肢運(yùn)動(dòng)分析及特征提取
        4.4.1 人體關(guān)節(jié)點(diǎn)分析
        4.4.2 下肢關(guān)節(jié)角度提取
        4.4.3 人體腳擺角特征提取
    4.5 本章小結(jié)
第5章 基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別及實(shí)驗(yàn)分析
    5.1 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的設(shè)計(jì)
        5.1.1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)
        5.1.2 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)模型
    5.2 實(shí)驗(yàn)結(jié)果分析
        5.2.1 基于質(zhì)心關(guān)鍵點(diǎn)特征的實(shí)驗(yàn)數(shù)據(jù)分析
        5.2.2 基于下肢運(yùn)動(dòng)特征的實(shí)驗(yàn)數(shù)據(jù)分析
        5.2.3 基于特征融合的實(shí)驗(yàn)數(shù)據(jù)分析
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間所發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于明亮區(qū)域和天空識(shí)別的圖像去霧算法[J]. 于平平,徐建格,劉學(xué)孔,秦亞龍,常宇峰.  河北工業(yè)科技. 2019(03)
[2]基于中值濾波和小波變換的紅外圖像去噪方法[J]. 代少升,崔俊杰,張德洲,張綃綃.  半導(dǎo)體光電. 2017(02)
[3]結(jié)合Canny算法和Hough變換的軸類(lèi)零件邊緣提取[J]. 王會(huì)江.  機(jī)電工程技術(shù). 2016(09)
[4]不受服飾攜帶物影響的步態(tài)識(shí)別方法[J]. 陳欣,楊天奇.  計(jì)算機(jī)工程與應(yīng)用. 2016(05)
[5]一種改進(jìn)的均值濾波算法[J]. 朱士虎,游春霞.  計(jì)算機(jī)應(yīng)用與軟件. 2013(12)
[6]數(shù)學(xué)形態(tài)學(xué)與Canny算法結(jié)合的禽蛋檢測(cè)邊緣提取[J]. 姜普澤田,張興國(guó),倪遠(yuǎn)征,王浩.  機(jī)電技術(shù). 2013(02)
[7]基于人體動(dòng)靜態(tài)特征融合的步態(tài)識(shí)別算法研究[J]. 任勝兵,李興超,陸赤彰,汪藝輝.  計(jì)算機(jī)應(yīng)用與軟件. 2012(12)
[8]動(dòng)靜態(tài)信息融合及動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的步態(tài)識(shí)別[J]. 楊旗,薛定宇.  中國(guó)圖象圖形學(xué)報(bào). 2012(07)
[9]加權(quán)DTW距離的自動(dòng)步態(tài)識(shí)別[J]. 張浩,劉志鏡.  中國(guó)圖象圖形學(xué)報(bào). 2010(05)
[10]基于PCA的實(shí)時(shí)人臉識(shí)別[J]. 張寧,劉立.  中國(guó)科技信息. 2009(05)

碩士論文
[1]基于多特征融合的人臉表情識(shí)別方法研究[D]. 蘭蘭.吉林大學(xué) 2018
[2]基于小波變換和中值濾波的圖像去噪方法研究[D]. 胡娟.成都理工大學(xué) 2017
[3]基于高斯濾波和小波變換的脈搏信號(hào)特征的提取分析[D]. 劉淼.北京郵電大學(xué) 2017
[4]圖像高斯噪聲及椒鹽噪聲去噪算法研究[D]. 孫海英.復(fù)旦大學(xué) 2012
[5]運(yùn)用下肢關(guān)節(jié)角度信息的步態(tài)識(shí)別[D]. 何衛(wèi)華.重慶大學(xué) 2007



本文編號(hào)：3698116