基于人體運(yùn)動(dòng)分析的步態(tài)識(shí)別算法研究.pdf

1、步態(tài)是在遠(yuǎn)距離下,在人沒(méi)有覺(jué)察的情況下就可以捕捉到動(dòng)態(tài)以及靜態(tài)信息,步態(tài)識(shí)別是最有潛力的生物特征識(shí)別技術(shù)之一,是智能監(jiān)控系統(tǒng)中不可或缺的組成部分。本文首先分析了步態(tài)識(shí)別相關(guān)技術(shù)的研究現(xiàn)狀,指出任意行走方向的步態(tài)周期檢測(cè)尚未存在有效方法;背包的步態(tài)識(shí)別問(wèn)題有待于解決;尋找有效的步態(tài)特征,提高步態(tài)識(shí)別性能是步態(tài)識(shí)別永遠(yuǎn)不變的主題。本文主要對(duì)基于人體運(yùn)動(dòng)分析的步態(tài)識(shí)別算法展開深入地研究,重點(diǎn)研究步態(tài)的周期檢測(cè)、步態(tài)的特征表達(dá)以及提取。

2、　　 將步態(tài)的周期問(wèn)題轉(zhuǎn)化為序列中單幀圖像的區(qū)域特征分析問(wèn)題,即根據(jù)每幀中圖形區(qū)域的特征變化情況來(lái)分析步態(tài)的周期,提出了一類基于區(qū)域特征分析的步態(tài)周期檢測(cè)方法。首先對(duì)視頻序列正面和非正面步態(tài)粗分類,針對(duì)于正面步態(tài)采用下臂搖擺區(qū)域作為判定周期的依據(jù);針對(duì)于非正面步態(tài),采用面積、質(zhì)心、矩、極點(diǎn)和邊界框等區(qū)域特征作為判定依據(jù)。所提出的方法不但計(jì)算量小,而且已經(jīng)達(dá)到人主觀判斷的精度。特別是基于擬合橢圓的方法,對(duì)噪聲的魯棒性較強(qiáng),而且具有尺度、

3、平移不變性,所以它可以在預(yù)處理的標(biāo)準(zhǔn)中心化之前進(jìn)行,這樣大大地縮短了步態(tài)識(shí)別工作前期處理的時(shí)間。
　　 由于行走過(guò)程中兩幀之間的特征只與它前一幀的特征和后一幀的特征有關(guān)系,提出基于線性插值的矩陣步態(tài)識(shí)別算法框架,并以投影特征、Hough變換特征、Trace變換特征和Fan-Beam映射特征加以實(shí)例化來(lái)驗(yàn)證該框架的有效性,提出的框架給步態(tài)識(shí)別問(wèn)題帶來(lái)了新的解決思路。這種基于線性插值的矩陣步態(tài)識(shí)別特征本質(zhì)上是有別于步態(tài)能量圖像的另一

4、種權(quán)值不同的能量形式。
　　 由于背包對(duì)步態(tài)識(shí)別的性能影響很大,它只改變局部步態(tài)的形狀,提出分塊矩陣的步態(tài)識(shí)別算法,自適應(yīng)地去掉對(duì)分類無(wú)用的子塊,對(duì)有效子塊分別采用所提出的基于子模式的完全二維主成分分析、基于子模式的完全二維線性判別主成分分析、基于子模式的完全二維局部保留主成分分析算法提取局部特征,實(shí)驗(yàn)表明基于子模式的完全二維局部保留主成分分析算法對(duì)攜帶物品變化的步態(tài)識(shí)別具有最好的識(shí)別性能。
　　 提出基于線性插值的張量

5、步態(tài)識(shí)別,首先將一個(gè)周期的步態(tài)的幀數(shù)歸一到一定數(shù)目,那么單個(gè)的步態(tài)樣本表現(xiàn)成張量的形式,采用多重線性主成分分析來(lái)提取特征,對(duì)于所提取的特征采用兩種張量向量化方法,分別基于方差信息和基于類判別信息。提出多重線性主成分分析結(jié)合正交線性判別分析的步態(tài)識(shí)別算法,為了進(jìn)一步減小計(jì)算量,采用分塊多重線性主成分分析結(jié)合正交線性判別分析策略,對(duì)來(lái)自于不同的子塊賦予一個(gè)權(quán)值,這個(gè)權(quán)值體現(xiàn)了各個(gè)子塊具有類判別信息的重要程度。在CASIA(B)步態(tài)數(shù)據(jù)庫(kù)上獲