發(fā)布時(shí)間：2024-01-29 16:19

　　步態(tài)識(shí)別技術(shù)是近年來(lái)計(jì)算機(jī)視覺(jué)和生物識(shí)別領(lǐng)域的研究熱點(diǎn),旨在根據(jù)人類(lèi)走路的姿態(tài)對(duì)個(gè)體身份進(jìn)行識(shí)別。相比于其他的生物特征,步態(tài)是唯一遠(yuǎn)距離可感知的生物特征,具有難以偽裝、模仿或隱藏以及非侵犯性的特點(diǎn),在視頻監(jiān)控、安全認(rèn)證和醫(yī)學(xué)方面具有廣泛的應(yīng)用前景。經(jīng)過(guò)近十年的研究發(fā)展,步態(tài)識(shí)別領(lǐng)域涌現(xiàn)了許多有價(jià)值的工作。同時(shí),客觀環(huán)境的變化和動(dòng)態(tài)識(shí)別的復(fù)雜性也為步態(tài)識(shí)別的進(jìn)一步發(fā)展帶來(lái)了挑戰(zhàn)。鑒于步態(tài)識(shí)別技術(shù)具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值,本文對(duì)其進(jìn)行了深入的探究,重點(diǎn)研究了步態(tài)識(shí)別中計(jì)算復(fù)雜度與多視角變化問(wèn)題,在前人工作的基礎(chǔ)上研究了以下內(nèi)容:(1)提出一種基于超限學(xué)習(xí)機(jī)(ELM)與步態(tài)熵向量的人體步態(tài)識(shí)別方法。為了實(shí)現(xiàn)識(shí)別精度和計(jì)算復(fù)雜性之間的平衡,本文利用圖像熵特征和ELM的優(yōu)勢(shì)進(jìn)行步態(tài)識(shí)別。首先,引入了一種基于圖像熵的特征提取策略。對(duì)于周期性的步態(tài)二值圖像序列,提取其每一幀中行子圖像的圖像熵構(gòu)成步態(tài)熵向量。對(duì)一個(gè)步態(tài)周期的步態(tài)熵向量進(jìn)行平均處理,將處理后的結(jié)果作為步態(tài)特征。其次,通過(guò)監(jiān)督學(xué)習(xí)訓(xùn)練ELM網(wǎng)絡(luò),采用bagging算法對(duì)ELM進(jìn)行改進(jìn),提高ELM網(wǎng)絡(luò)的穩(wěn)定性和泛化性能。通過(guò)使用...

【文章頁(yè)數(shù)】：100 頁(yè)

【學(xué)位級(jí)別】：碩士

圖1.1:論文的章節(jié)結(jié)構(gòu)

圖2.1:步態(tài)識(shí)別系統(tǒng)的一般框架

圖2.2:步態(tài)圖像提取過(guò)程：（a）原始灰度圖像；（b）灰度背景圖像；（c）步態(tài)二值圖像；（d）

圖2.3:人體步態(tài)輪廓提取：（a)標(biāo)準(zhǔn)化的步態(tài)二值圖像；（b）人體步態(tài)輪廓

本文編號(hào)：3888474