基于步态的身份识别技术

随着信息社会对安全的要求不断提高，利用生物特征进行快速准确的身份识别成了当今的主流。与传统的身份鉴定手段相比，生物特征识别具有无可比拟的优势，特别是步态识别技术，由于其对系统分辨率要求低、远距离识别、非侵犯性和难以隐藏等特点而倍受计算机视觉研究者的关注。对步态识别所涉及的运动检测与跟踪、特征提取、特征处理以及模式识别分别进行了详细论述。     

基于步态特征的身份识别算法研究

步态识别根据人走路的姿势进行身份识别,由于人在行走时在空间呈现出的不同几何模式,单一几何特征难以全面描述步态特征,导致身份识别正确率不高。为提高身份识别的正确率,提出一种空间和频率特征模式相融合的身份识别算法。首先利用摄像机采集步态图像序列,然后分别采用极坐系和傅里叶变换提取步态空间特征和频率特征,并对两种特征进行融合,最后采用支持向量机对融合特征进行学习和分类,进行身份识别。结果表明,相对于单一步态特征为参数的身份识别算法,融合算法的身份识别正确率有了明显提高,且具有更好的稳定性。     

图像预处理技术在步态识别中的应用研究

步态识别是生物特征识别领域一个新的研究方向,旨在根据人们走路的姿势进行身份识别。对步态识别的运动检测进行了论述,同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验。     

基于惯性传感器的步态身份识别

基于步态的身份识别作为一种新的生物特征识别技术，以其非接触、无打扰、远距离、不易伪装等优点成为了生物特征识别技术领域的研究热点。此外，近年来，由于MEMS惯性传感器技术发展成熟及其在便携式设备中的广泛应用，基于惯性传感器的步态身份识别越来越受到科研人员的关注。文中收集整理了国内外有关惯性传感器步态身份识别的研究方法和现状，并对该领域的相关技术进行了回顾；根据识别过程处理的先后顺序，依次回顾了数据采集、数据预处理、数据分割、特征选择与组合、智能识别各个阶段的相关技术以及研究现状，并给出了目前主要的公共步态数据库，以方便感兴趣的读者进行实验分析。最后，在此基础上讨论了基于惯性传感器的步态身份识别的技术难点，并对未来发展方向进行了展望。     

基于步态特征的快速身份识别方法

步态是远距离情况下人的身份识别的一个重要的特征,论文提出了一种基于步态特征的快速身份识别方法。用人体的宽度特征来分析步态运动,提取关键帧,对关键帧进行人体轮廓的提取,运用傅立叶描述子提取模板。最后用最近邻法进行匹配,实现人的身份识别。     

远距离人体步态识别算法的研究

步态识别是一种新的生物特征识别技术,它旨在根据人们走路的姿势进行身份识别。本文就远距离人体识别算法以及步态识别所涉及到的运动分割,特征提取,模式识别进行了研究,给出了实验图像。特别对基于模型的步态特征识别和基于人体行走的步态序列特征进行识别两种方法进行了比较和分析。     

基于步态的人体身份识别技术分析与研究

步态识别是利用人体步行的方式来区分人体身份.近年来,步态作为一种生物特征识别技术已引起了越来越多人们的兴趣.本文从步态识别技术的起源进行讨论,对国际上步态识别技术进行了研究,对主流的识别方法进行分析,对研究步态识别具有指导意义.     

基于双特征匹配层融合的步态识别方法

步态识别是根据人类走路的姿态来进行远距离的身份识别。针对轮廓不完整的图 像和关键帧容易造成部分信息丢失而引起的识别率下降问题,提出一种基于双特征匹配层融合 的步态识别方法。步态既有静态图像特征,又有动态速度变化特征,因此本文提出用匹配层融 合方法将静态的 Hu 矩 6 个不变矩特征和动态的帧差百分比特征融合后进行步态身份识别。首 先对一个周期内的归一化步态图像进行 Hu 矩特征以及帧差百分比的特征提取,将 Hu 矩 6 个不 变矩特征描述成一个特征向量,然后运用匹配层融合算法对 2 个特征进行融合;最后使用 K 近 邻分类器进行身份识别。实验表明,该方法较单一方法能够有效地提高步态识别正确率。     

基于HMM的步态身份识别

随着生物识别悄然兴起,生物识别技术逐渐成为新的身份识别技术。步态识别是生物特征识别技术的一个新兴子领域。文章就是将隐马尔可夫模型(HMM,HiddenMarkovModel)方法运用在步态身份识别中,并进行了其识别性能的研究。该文给出了一个基于HMM的步态身份识别方案,并进行了图像预处理,HMM参数训练和识别的研究,得出了一些有意义的结论。同时在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验,实验结果表明:在侧面视角下采用此方法,具有较好的识别率。     

远距离人体步态识别算法

步态识别是一种新的生物特征识别技术，旨在根据人们走路的姿势进行身份识别。该文就远距离人体识别算法及步态识别所涉及的运动分割、特征提取、模式识别进行了研究，给出了实验图像，并比较和分析了基于模型的步态特征识别和基于人体行走的步态序列特征识别这2种方法。     

Automatic gait recognition via statistical approaches for extendedtemplate features

A gait recognition system using extended template features is presented. A proposed statistical approach is applied for feature extraction from spatial and temporal templates. This method can be used to reduce data dimensionality and to optimize the class separability of different gait sequences simultaneously. Dimensionality reduction is achieved by template extraction followed by principal component analysis. Gait recognition is achieved in the canonical space using a measure of accumulated distance as the metric. By incorporating spatial and temporal information into an extended feature, gait recognition becomes more robust and accurate than using spatial or temporal features alone.     

Improved gait recognition through gait energy image partitioning

Recently, human gait pattern has turned into an essential biometric feature to recognize an individual remotely. Gait as a feature becomes challenging owing to variation in appearance under different covariate conditions (eg, shoe, surface, haul, viewpoint and attire). The covariates may alter few fragment of gait while other fragment stay unaltered, leading to lower the probability of correct identification. To overcome such variation, an improved gait recognition strategy is proposed in this article by gait energy image partitioning and selection processing. Our method involves pre-processing of raw video for silhouette extraction, gait cycle detection, segmentation into different regions, and histogram of gradients feature extraction from selected segments. In this way, the specific features across complete gait cycles are extracted precisely. Finally, recognition is done by using K-NN. The proposed strategy has been assessed using the CASIA B gait database. Our outcomes shows a particular proposed strategy accomplishes high recognition rate and outperforms the advanced gait recognition mechanism.     

结构化步态特征表征和快速步态识别方法

对于只有单一步态信息的特征数据库,在人数众多时,遍历识别算法识别时间长、识别率低。针对这个缺点,提出一种结构化步态特征表征和快速步态识别方法,将人的步态信息与身高、性别、年龄等一起构成结构化的步态特征,用不同传感器采集数据,不同的方法提取各个特征分量并独立加以利用。结构化的步态特征便于识别算法对步态识别问题进行分级处理,缩小识别范围。实验表明,文中方法不仅能够提高识别速度,而且能获得更高的识别率。     

对步态空时数据的连续特征子空间分析

提出一种基于空时特征提取的人体步态识别算法。连续的特征子空间学习依次提取出步态的时间与空间特征：第一次特征子空间学习对步态的频域数据进行主成分分析,步态数据被转化为周期特征矢量;第二次特征子空间学习对步态数据的周期特征矢量形式进行主成分分析加线性判别分析的联合分析,步态数据被进一步转化为步态特征矢量。步态特征矢量同时包含运动的周期特征以及人体的形态特征,具有很强的识别能力。在USF步态数据库上的实验结果显示,该算法识别率较其他同类算法有明显提升。     

基于多尺度特征迁移学习的步态识别研究

为了解决行人步态数据集样本量较少、单特征或多特征融合的步态识别算法特征描述不足的问题,提出了一种基于多尺度特征深度迁移学习的行人步态识别方法。该算法步骤包括：改进VGG-16网络,去除网络中最后一个最大池化层（Maxpool Layer）,融合空间金字塔池化网络结构（SPP）获取行人步态能量图（GEI）的多尺度信息,利用Imagenet数据集预训练此网络模型,将提取特征能力迁移至行人步态识别网络模型中,采用行人步态样本集微调网络,修改网络中的全连接层参数,应用于行人步态识别研究。该方法在中科院自动化研究所的CASIA-B步态数据集上的识别精度达到了95.7%,与单一步态特征的步态识别方法以及融合多种步态特征的识别方法相比,步态识别率有了明显提升,表明该方法有更好的识别性能。     

线性插值框架下矩阵步态识别的性能分析

针对现有的步态周期检测方法检测效果不佳以及行走速度变化对步态识别性能有很大影响的问题,提出的基于矩的步态周期检测方法中,Zernike矩需要人体居中、尺度归一的前期预处理过程,而伪Zernike矩具有能描述运动图像的特点,它可以避免人体居中、尺度归一等处理,以便直接测试步态的周期性.根据行走时的两帧之间的特征取决于前一帧和后一帧的特征,提出了基于线性插值的矩阵步态识别算法框架,并且将投影特征、Hough变换特征、Trace变换特征和Fan-Beam映射特征应用在CASIA(B)步态库上,验证了框架的有效性,为解决步态识别问题带来新的方法与思路.这种基于线性插值的矩阵步态识别特征本质上是一种权值不同的能量形式.     

基于足底压力与支持向量机的步态相位识别研究

随着两足机器人、人工假肢技术以及为行走困难病人康复设计的康复训练机器人的发展,在线的步态相位识别方法越来越重要。本文提出的基于足底压力与支持向量机(SVM)的步态相位识别算法主要由五部分组成,即数据采集、数据预处理、特征提取、训练分类器和分类识别。实验表明：该方法能够对运动中的步态相位进行准确的判断。     

基于角度特征分量特征的步态识别

目前,在步态识别技术中多数描述步态特征的方法在非侧面视角下识别效果一般都不够理想,通常会明显低于侧面视角,针对这一问题,文章提出一种以角度特征分量特征作为步态特征的识别方法,提高步态特征的分类能力从而提高识别率。在步态检测部分文章采用基于色度坐标的混合高斯来抑制阴影和消除噪声,步态识别部分使用支持向量机对所提取的角度特征分量特征进行训练和分类,最终在保证侧面视角识别率的情况下同时提高在非侧面视角下的识别效果。     

基于步态的人体身份检测与识别

步态识别是利用人体步行的方式来区分人体身份,近年来,步态作为一种生物特征识别技术引起了越来越多人们的兴趣,其主要有三大优势:远距离识别,非侵犯性和难于隐藏性。国外对步态进行动态特征提取做了大量的工作,但还处于研究阶段,国内外还没有成熟的产品出现。该文提出了一种有效的步态检测方法,采用步态序列相似性进行人体身份识别。     

基于特征融合的步态识别算法研究

根据人体步态变化特点,提出一种基于特征融合和神经网络的步态识别算法。首先采用时域差分法对运动人体轮廓进行分割,然后分别提取空间特征和频率特征,将两步态特征融合在一起,从而实现步态的分类和识别。在CASIA步态数据库上进行仿真实验,仿真结果表明,该方法不仅克服了单一特征提取方法存在的缺陷,同时提高了步态识别正确率。