側面視角下基于一維運動曲線的人體步態(tài)識別.pdf

1、隨著科技、經濟的快速發(fā)展，信息安全領域受到了極大的關注，身份識別認證的地位越來越重要，而傳統(tǒng)的認證方式安全系數越來越低。體態(tài)特征即人體本身存在的、具有個體差異性的特征顯得尤為重要，其中人體運動中的步態(tài)特征以它能夠遠距離觀測、非接觸識別并具有難以偽裝的特點，有著極大的應用前景。本文分析側面視角下人體的一維運動曲線來進行步態(tài)識別，綜合考慮前景和背景顏色對比度較低的情況，對人體檢測、特征提?。òú綉B(tài)曲線）及分類方法展開了研究。本文所做的研究

2、工作包括:
　　1.人體檢測。分析所選數據庫圖像的特點，采用中值法對背景建模。由于圖像存在人體和背景顏色對比度較低的情況，導致更新的背景上殘留有大量前景像素，使背景差分得到的前景圖像存在大量的空洞。因此，在混合顏色空間的基礎上，提出了一種改進的背景模型更新方法，使更新的背景更接近真實背景。進而，為削弱光照突變對人體檢測的影響，提出了自適應亮度調整的算法，能夠有效地處理由于光照變化引起的噪聲干擾。此外，在對人體圖像進行二值化處理時，

3、采用最大類間方差算法獲得閾值，提高了算法的效率。
　　2.步態(tài)曲線提取。由于人體行走的步態(tài)循環(huán)變化，呈現(xiàn)周期性的特征，因此對其周期性進行了分析，并對圖像做了歸一化處理。為了分析人體的步態(tài)特征，將檢測得到的二值化人體區(qū)域骨架化，并標注出人體運動關鍵節(jié)點。對不同的骨架化算法進行了比較分析，給出一種改進的ZS(Zhang and Suen)細化算法，使得到的骨架信息更接近于人體區(qū)域的中軸線。提取出關鍵節(jié)點的軌跡，根據軌跡特征采用不同的方

4、法進行曲線擬合，得到更接近步態(tài)軌跡的模型。
　　3.特征提取及分類。分析了曲線特征，構建了步態(tài)分類的特征向量。利用k-近鄰(k-Nearest Neighbor, kNN)分類器比較了不同人和同一人不同序列的特征向量的相似性，驗證了該特征向量能夠有效地用于步態(tài)識別，通過比較k取不同值時的正確識別率來選取合適的k值。
　　論文選取CASIA-Dataset-A側面視角下的圖像序列進行步態(tài)識別，實驗結果表明本文所使用算法均能取得