改进的步态光流图与视角相结合的身份识别

提出将改进的步态光流图(LK-GFI)与视角相结合的方法来解决步态识别易受视角影响的问题。该方法采用La-cus-Kanade(LK)光流法获得连续两帧侧影图像间的光流场,并构造步态特征图像LK-GFI,利用成像原理计算人的行走方向以确定视角。首先,离线建立目标在各视角下的LK-GFI数据库;然后,提取待识别人的当前视角和LK-GFI;最后,用欧式距离度量同一视角下待识别人与目标的LK-GFI之间的相似性。分别采用CASIA数据库和实际室内获得的步态序列对该方法进行了验证。结果显示,错误拒绝率分别为7.95%和9.12%,与采用传统的步态能量图(GEI)相比分别降低了12.5%和14.45%;与采用步态光流图(GFI)相比分别降低了7.77%和6.74%。该方法识别准确性高,实时性强,对多视角有较强的鲁棒性。

局部约束组稀疏表示的步态识别方法

提出一种局部约束组稀疏表示的步态识别方法。通过预处理提取人体二值化侧影图,计算步态周期并利用HS(Horn-Schunck)算法生成步态光流图,经降维后利用局部约束组稀疏表示的方法进行分类识别。在标准稀疏表示分类方法的基础上,引入了组稀疏约束和局部平滑稀疏约束,使其最小重构误差的非零重构系数分散在与测试样本相邻的同一训练类别组内。在CASIA Dataset B数据库上的实验结果表明,该方法有较高的识别率。

多特征提取的双目机器人目标跟踪

为了解决复杂环境下双目机器人的目标跟踪问题,提出多特征提取的方法.在机器人静止-目标运动模式下根据改进的步态光流图和视角识别目标并构造颜色直方图模板;在机器人运动-目标运动模式下利用扩展卡尔曼滤波器、基于自适应核函数的CamShift算法、基于Hu矩的头肩模型匹配算法提取目标的运动特征、颜色特征和头肩特征以实现目标跟踪.实验分析表明,所提出方法能够避免启动时手动框选目标,可以实现遮挡和背景与目标相似度高等复杂环境下的目标跟踪.