基于轻量级卷积网络的步态识别研究

针对目前深度学习网络参数量大、成本较高等问题,提出了一种将轻量级卷积网络应用在步态识别中的研究,实现对行人步态的准确识别。该方法对数据集图像进行背景减除和归一化等预处理操作,根据每个人的步态特征提取出相应的步态能量图,使用Mobilenet网络模型进行特征学习并完成分类任务。实验结果表明,Mobilenet网络在减少模型参数量的同时,可以提高模型的识别精度,平均准确率和召回率可以达到90.7%、89.99%,能够有效地实现步态的识别及分类。     

基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算 法．首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到 平均步态能量图．接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为 观测向量实现了步态识别．最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好 的识别性能．     

基于关键帧能量固定的步态识别

步态作为一个新兴的生物特征,具有广泛的应用前景。现阶段比较成熟的非模型化方法步态能量图,能将一个步态序列表示为单幅的灰度图像,对噪声有较好的鲁棒性和较好的识别效率,但是不能很好的适应人行走速度的改变。因此,本文提出了一种基于关键帧能量固定的步态识别方法。该方法在步态能量图的基础上,对步态序列的关键帧进行了能量固定,将步态能量图转变成为能量固定后的步态能量图再进行特征的提取和识别。实验结果表明,该方法相对传统的步态能量图,能更好的适应速度对识别的影响。     

基于时间保持能量图和Radon变换的步态识别

Radon变换把图像从坐标空间映射到Radon空间,因其可以保存频率信息而被应用在步态识别算法中。主要从频率角度入手,着力提高基于Radon变换的步态识别算法的识别正确率,提出了基于时间保持能量图的Radon变换步态识别算法。传统的步态能量图是对步态周期中经过归一化的人体轮廓图求算术平均而得到的步态特征表示,最近提出的时间保持能量图在保持步态能量图的优点的基础上,保留了步态序列的时间信息,在改进的步态周期检测算法的基础上,提出将时间保持能量图和Radon变换结合到一起的步态识别算法。也对结合不同数据空间的特征如频率、形状等做了初步探讨。     

基于协同表示的步态识别

将基于稀疏表示的分类算法应用于步态识别中,会遇到小样本及计算耗时的问题。针对这一问题,提出一种基于协同表示的步态识别方法。该方法首先通过背景重建、目标提取等处理获得人体侧影轮廓,根据步态轮廓的宽度变化统计步态周期,得到步态能量图GEI;其次,以GEI为基础对测试样本进行协同表示;最后,通过最小重构误差进行识别。实验结果表明,该方法具有较好的识别性能,并且识别时间明显降低。     

基于相邻帧差能量的步态识别研究

本文提出了一种利用相邻帧差能量图来进行步态识别方法.经过图像预处理,得到标准大小的步态图像,从标准图像序列中计算相邻帧差图序列,然后计算帧差能量图,以此作为步态特征进行分类识别,相邻帧差能量图能够较好的反映步态的动态信息.     

基于相邻帧差能量图的步态识别研究

在图像预处理阶段,本文提出了一种用步态能量图静态部分去嗓的方法去除较大空洞和缺口嗓声;在步态特征提取阶段,本文提出了一种用相邻帧差能量图来表征步态特征的特征提取方法.首先对步态序列经过标准化处理,得到标准大小的步态图像,然后从标准化的图像序列中计算相邻帧差图序列,最后计算相邻帧差能量图来表征步态特征,结果表明,相邻帧差能量图能够很好的表征步态的动态和静态信息.在分类识别中,本文采用NN分类器进行分类.实验结果表明,本文方法具有较高的识别率.     

傅里叶变换的多视角步态识别

步态识别作为一种全新的生物特征识别技术,通过人走路的姿势实现对个人身份的识别和认证。步态能量图将一个周期的步态组合在一起,增强了各帧的相关性,减少了噪声的干扰。对步态能量图进行傅里叶变换,利用傅里叶变换的低频分量对多个视角的步态进行识别。在CASIA数据库中进行实验,结果表明算法简单快速,取得了较好的识别效果。     

基于迭代切距离原型学习算法的步态识别

作为唯一远程生物认证技术,步态识别一方面越来越受到人们的重视,提出了很多相应的算法,另一方面,它又面临着很多挑战,其难点之一是如何从多帧步态中有效地提取步态特征,针对此问题,并基于步态能量图(GEI)在步态特征表示上的效果,提出了一种迭代切距离原型学习算法,假定各人的步态分布在不同流形上面,首先用切距离改进步态能量图的定义,进而用迭代的方法来解一个最优解问题,从而学习出步态原型图,再通过PCA对步态原形进行特征提取,最后进行识别,证明了该方法的收敛性,实验结果表明所提出的方法取得了比GEl更好的识别率,并证明了步态流形的假设的合理性.     

基于改进时空步态图的步态识别

基于图像步态识别因缺乏有效动态、时序特征,导致跨视角识别时准确率较低,而基于模型步态识别特征维度不足,容易造成步态识别平均准确率不高。故提出一种改进时空步态图(Improved Chrono-Gait Image,ICGI)及特征融合策略的解决方法,将时序信息与人体下肢关节间角度的规律变化相结合,突出步态运动时下肢的周期性变化。在引入时序信息的基础上,融合下肢关节点间动态特征,建立一个更加丰富、有效的特征集。结合最近邻算法(KNN)建立步态识别模型,在CASIA-B数据集上进行对比实验,证实所提方法能有效提高复杂环境下步态识别精度。     

一种基于隐马尔科夫模型的步态识别算法

步态是指人体走路时的姿态,步态识别是近年来生物特征识别领域一个备受关注的研究方向。步态阶段的区分是步态识别的重要内容。以隐马尔科夫模型(HMM)为基础,基于安装在膝关节的编码器和大腿部的加速度传感器,在外骨骼辅助行走中识别步态的不同阶段。首先进行数据预处理和特征提取;其次对隐马尔科夫步态识别算法进行设计,包括结构的建立、参数的训练和最终的识别;最后对性能进行评估,总体正确率达到91.06%,说明HMM用于步态阶段识别具有较好的性能。     

基于模糊主成分分析的步态识别

提出针对步态能量图的基于模糊主成分分析的步态识别算法。通过对原始步态序列进行预处理得到步态能量图,利用模糊主成分分析提取出特征值和对应的特征向量,获得模糊主成分后将其映射到低维空间,并使用最近邻法进行分类。在CASIA数据库上对算法进行验证,实验结果证明,该算法与同类算法相比具有更好的识别性能。     

一种基于平均步态能量图的身份识别算法

提出一种基于步态能量图(GEI)的嵌入式隐马尔可夫模型(e-HMM)身份识别方法.首先通过预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到平均步态能量图.对能量图的各区域进行分析,利用二维离散余弦变换(2D-DCT)将能量图观测块转化为观测向量,实现嵌入式隐马尔可夫模型的训练和身份识别.最后在...     

基于连续隐马尔可夫模型的步态识别

步态识别作为一种新的生物特征识别技术,通过人走路的姿势实现对个人身份的识别和认证.算法利用步态轮廓图像边界到重心的距离矢量对步态轮廓图像进行描述,采用步态图像的高宽比进行步态的准周期性分析.利用隐马尔可夫模型进行步态时变数据匹配识别.算法在CMU数据库上进行实验取得了较高的正确识别率.     

一种基于静态和动态特征的步态识别新方法

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(Gait EnergyImage,GEI)是一种有效的步态表征方法。把步态能量图分解为身体相关能量图(Body-Related GEI,BGEI)、步态相关能量图(Gait-Related GEI,GGEI)、身体步态相关能量图(Body-Gait-Related GEI,BGGEI)3部分,利用傅立叶描绘子对身体相关能量图(BGEI)、身体步态相关能量图(BGGEI)进行描述,利用Gabor小波提取步态相关能量图(GGEI)的幅值特征,分别研究了它们的识别能力,并在Rank层和Score层融合步态相关能量图(GGEI)、身体步态相关能量图(BGGEI)这两部分信息用于步态识别。该算法在CASIA数据库上进行的试验取得了较高的正确识别率。     

基于帧差能量图行质量向量的步态识别算法

为了有效地捕捉步态的连续性动态信息,快速进行身份认证和识别,提出一种以帧差能量图（FDEI）的行质量向量作为步态特征的步态识别方法。该算法通过目标检测、二值化、形态学处理、连通性分析等预处理后得到步态轮廓图像,并利用其序列的宽度进行准周期性分析,再用连续隐马尔可夫模型(CHMM)对所提取的步态帧差能量图行质量向量进行模型参数训练和识别。在CASIA数据库上进行了仿真实验,结果表明该算法具有特征提取简单、特征维数低、识别速度快和识别率高的优点,可以满足实时识别的需要。     

基于卷积神经网络与注意力模型的人体步态识别

步态识别是非接触式生物识别领域中一个比较前沿的课题,它主要是利用行走过程中个体步态之间的差异来识别人的身份。近年来,随着可穿戴传感器在人体信息采集中的广泛应用,利用惯性传感器采集步行过程中的线性加速度以及角速度进而实现步态特征提取是该领域中一个研究热点。为了提取更加有效的步态识别特征,利用基于注意力机制的卷积神经网络来进行步态特征的深度学习,其主要流程是先对原始数据进行预处理,接着利用卷积神经网络对处理后的数据提取步态特征,然后利用注意力机制对步态特征进行加强,最后再分类。实验结果证明了本文方法的优越性。     

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。     

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。     

基于双分支时空步态特征融合的深度学习步态识别

针对现有步态识别方法易受拍摄视角、着装变化影响的问题,提出一种融合二维无肩姿态拓扑能量图(shoulderless pose topological energy maps, SPTEM)和三维局部骨骼步态特征(local skeleton gait features, LSGF)的深度学习步态识别方法.首先,利用轻量级BlazePose姿态估计算法提取步态视频序列中的人体姿态拓扑图以生成SPTEM,在提高检测速度的同时减弱衣物变化带来的影响;然后,引入LSGF以弥补单一能量图特征在多变视角情况下识别准确率较低的不足;最后,提出结合注意力机制的时空特征提取网络模型,并在全连接层将双流特征进行一致融合.在CASIA-B数据集上对所提出方法进行验证,并与当前主流的步态识别方法进行比较,结果表明,所提出方法在跨视角和穿大衣/棉衣条件下的步态识别率都有明显提升.