基于帧间变化向量的步态识别

论文摘要

生物特征识别是一种利用人的生理或行为特征进行身份识别的技术。不同于脸像、指纹及虹膜等生物特征对于近距离等条件的苛刻要求,步态可以在远距离低分辨率下检测并度量,且难于伪装和隐藏,没有侵犯性,使其成为视觉监控领域中最有潜力的生物特征。随着机场、银行、商场、军事基地等安全敏感型场所对大范围视觉监控系统的迫切需求,远距离的身份识别研究近年来引起了计算机视觉研究者们的浓厚兴趣。当前步态识别的研究正处于起步阶段,它主要是利用人的走路方式来识别人的身份。本文的主要目的是将视频序列中的步态信息发掘出来,并利用它进行身份识别。围绕这个主题,展开了如下几个方面的研究:1)综述了国内外步态识别研究的现状;针对当前主流的步态识别算法,分析了其优缺点;同时将影响步态的因素进行了分类和总结,并探讨了步态识别的发展趋势。2)归纳总结了当前主流的运动检测算法,并实现了基于混合高斯模型的运动检测算法和基于Bayes模型的运动检测算法,并对二者进行了性能比较以及实验结果的分析。针对Bayes算法的更新局限性,将种子区域增长引入到运动检测中,极大地改善了Bayes检测算法的性能,为下一步的步态特征提取奠定了坚实的基础。3)提出了步态识别的框架,并采用第三章提出的改进算法进行人体特征的提取。通过将一个周期内的人体步态的外轮廓按顺时针展开,把人体表示成一维距离信号。并采用PCA(Principal Component Analysis)技术将人体外轮廓由300维降低到10维,通过进一步提取IVV(Interframe Variation Vector)特征,进行身份识别。实验结果表明,算法达到了较高的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 生物特征识别
• 1.2 新兴的步态识别
• 1.3 人的步态分析在生物特征识别中的应用
• 1.3.1 步态的可靠性
• 1.3.2 步态识别的典型应用
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 第二章 步态识别技术
• 2.1 步态识别的问题描述
• 2.2 假设条件
• 2.3 早期的步态识别算法
• 2.3.1 基于模型的步态识别算法
• 2.3.2 免于模型的步态识别算法
• 2.4 步态识别中的难点问题
• 2.5 步态识别的发展趋势
• 2.6 本章小结
• 第三章 改进的基于贝叶斯模型的运动人体检测算法
• 3.1 引言
• 3.2 几种经典的运动目标检测算法
• 3.2.1 光流法
• 3.2.3 背景减除法
• 3.3 改进的基于贝叶斯模型和SRG的运动目标检测算法
• 3.3.1 基于贝叶斯模型的运动目标检测
• 3.3.2 融合了SRG的Bayes模型的运动目标检测
• 3.4 实验结果及分析
• 3.5 本章小结
• 第四章 基于帧间变化向量的步态识别
• 4.1 引言
• 4.2 算法原理
• 4.3 步态检测
• 4.4 步态周期性分析
• 4.5 IVV特征提取
• 4.5.1 1D距离描述
• 4.5.2 特征空间投影
• 4.5.3 IVV特征提取
• 4.6 分类和识别
• 4.6.1 相似性度量
• 4.6.2 分类器
• 4.7 实验结果及分析
• 4.7.1 步态数据库
• 4.7.2 训练和投影
• 4.7.3 结果与分析
• 4.8 本章小结
• 第五章 总结和展望
• 5.1 研究工作总结
• 5.2 未来展望
• 参考文献
• 致谢
• 硕士期间发表的论文
• 学位论文评阅及答辩情况表