基于机器学习和多视角信息融合的步态识别系统的研究

基于机器学习和多视角信息融合的步态识别系统的研究

论文摘要

在对安全监控要求越来越高的今天,生物特征识别技术以其良好的安全性,有效性和不易取代性,受到人们的重视。而步态识别是利用人的走路姿势来进行生物识别的一种方法,可以在被监控对象毫无察觉的情况下对其进行检测。以其非接触、远距离识别的特点备受人们的青睐。本文研究了基于机器学习和多视角信息融合的步态识别技术,主要研究了人体步态特征描述,利用机器学习进行降维,单视角下步态识别和多视角下信息融合的步态识别以及搭建在线步态识别系统等相关问题。针对采用背景减除法进行背景提取时0度视角下人体部分区域被分割成背景的问题,在步态能量图像的基础上,提出了动态步态能量图像,较好的解决了这一问题。并且在90度和45度视角下,由于动态步态能量图像关注的是人体区域相对变化的部分,避免了相对不变化的部分带来的负面影响,从而也取得了较好的识别结果。对于背包情况,提出一种动态腿部能量图像,抛弃上半身的特征信息,只利用腿部动态变化信息进行识别,也取得了较好的结果。在特征描述阶段,采用机器学习的方法进行降维,利用流行学习中的局部保留投影法(LPP),采用PCA+LPP的方法利用很少的维数保留了很好的特征。针对不同视角下人体的步态序列,利用信息融合的方法,用投票法和D-S证据理论法对不同视角的识别信息进行融合,有效地解决了单个视角对特征描述不完全的问题,在中科院步态库NPLSR和CASIA库上进行了测试,取得了较理想的结果。在上述理论的基础上,尝试建立了在线步态识别系统,采用动态能量图像作为特征,利用局部保留投影进行降维,利用多视角融合的方法进行识别,在实际测试环境下,取得了较好的结果。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 引言
  • 1.2 步态识别的研究现状
  • 1.2.1 步态分割与分类
  • 1.2.2 特征表征
  • 1.2.3 步态特征识别
  • 1.3 课题的主要研究内容
  • 2 图像预处理及后处理
  • 2.1 图像预处理
  • 2.1.1 背景提取
  • 2.1.2 运动目标检测
  • 2.1.3 阴影消除
  • 2.1.4 灰度化
  • 2.2 图像后处理
  • 2.2.1 中值滤波
  • 2.2.2 连通性分析
  • 2.2.3 人体区域标准化
  • 2.2.4 步态周期的获取
  • 3 步态特征提取
  • 3.1 步态能量图像(GEI)
  • 3.2 动态步态能量图像(DGEI)
  • 3.3 不同视角下动态步态能量图像的提取
  • 3.3.1 侧面视角(90度)和斜侧视角(45度)下DGEI的获取
  • 3.3.2 正面视角(0度)下DGEI的获取
  • 3.4 背包情况下人体步态特征的提取
  • 3.5 特征空间的维数约简—机器学习
  • 3.5.1 主成分分析(PCA)
  • 3.5.2 流形学习----局部保留投影(LPP)
  • 3.5.3 利用局部保留投影进行特征降维
  • 3.6 单一视角下识别结果及分析
  • 4 多视角下的信息融合识别
  • 4.1 信息融合概述
  • 4.1.1 数据层融合
  • 4.1.2 特征层融合
  • 4.1.3 决策层融合
  • 4.2 Dempster-Shafer(D-S)证据理论
  • 4.3 Dempster-Shafer(D-S)证据理论在决策层融合中的应用
  • 4.4 多视角下信息融合的步态识别
  • 5 在线步态识别系统的搭建
  • 5.1 在线步态识别系统的设计及建立
  • 5.2 在线识别结果及分析
  • 6 总结与展望
  • 致谢
  • 参考文献
  • 在校期间发表的论文
  • 相关论文文献

    标签:;  ;  ;  ;  ;  

    基于机器学习和多视角信息融合的步态识别系统的研究
    下载Doc文档

    猜你喜欢