基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别，针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点，提出了一种基于步态能量图像和2维主成分分析的步态识别方法。该方法首先应用背景减除法分割出人体轮廓；然后通过人体宽高比的相关信号确定运动周期，再对二值周期序列进行步态能量图像（GEI）合成；最后运用行列相结合的2维主成分分析（（2D）2PCA）方法与加权的2维主成分分析（W（2D）2PCA）方法提取特征主向量，并采用最近邻分类器进行分类。实验结果表明，该步态识别方法可以有效降低前期处理对分类识别的影响，而且对于3种不同行走状态的CASIA数据库中多个视角下拍摄的步态图像可取得很好的识别效果。

步态能量图的局部纹理特征分析方法

基于步态能量图表示方法,采用纹理特征分析方法对其亮度值的局部空间分布特性进行分析,得到局部变化幅度、局部标准差、局部熵三种纹理特征。采用经典的欧氏距离和最近邻分类器完成分类识别。CASIA步态数据库上的实验结果验证了算法的有效性。

基于HOG特征的步态能量图身份识别算法

由于步态能量图像(GEI)是对二值轮廓图像序列相加求平均,然而,二值轮廓图像只能捕获人体轮廓的边界信息,人体的内部边界信息会被完全的丢弃掉,基于GEI算法的缺陷,提出了一种基于人体目标图像的方向梯度直方图(HOG)特征的GEI识别算法,此算法不仅能捕获人体轮廓的边界信息,而且还能提取人体重合的边界信息。获取人体目标图像的HOG特征的步态能量图,首先使用视频前景分割算法提取人体目标图像,然后提取图像序列中每帧人体目标图像的HOG特征;最后对图像序列中的每帧HOG特征图像相加求平均。在此基础上,依据GEI和HOG的思想,又实现了对传统步态能量图、二值轮廓图像序列、人体目标图像步态能量图进行HOG特征提取及直接构建人体目标图像步态能量图特征的表示,从而提出了4种拓展的能量图构建方法,并针对这5种算法与经典的GEI算法利用CASIA步态数据库进行了实验分析对比,实验结果表明算法效果良好。

基于步态能量图与VGG结合的步态识别方法

基于深度学习端到端和多层特征提取的思想,给出一种基于步态能量图和VGG卷积神经网络结合的步态识别方法。首先,使用背景减除法分割出人体轮廓;然后,通过身体轮廓宽度变化计算出步态周期;其次,根据步态周期图像计算出步态能量图;最后使用VGG网络对步态能量图进行特征学习及分类。实验结果表明:所提出的方法可以准确识别行人身份,在CASIA-B步态数据中平均准确率可达92.5%,且对视角有较好的鲁棒性,对深度学习在步态识别领域的进一步应用有借鉴意义。

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USF和CASIA步态数据库上对所提出的算法进行实验。实验表明该方法具有较好的识别性能,是一种有效的步态识别方法。

步态能量图和KFDA的步态识别研究

为了有效地获取步态连续性的动态特征,快速准确地进行身份识别.特提出了一个基于步态能量图(Gait Energy Image,GEI)和核Fisher判别分析(Kernel-based Fisher Discrimination Analysis,KFDA)的分类识别算法.算法首先以步态能量图(GEI)按列向量作为输入,求得最优子空间W_(opt)和α_(opt).利用提取步态能量图(GEI)的步态信息向量计算在α_(opt)上的投影,并计算其投影轨迹.在分类阶段,采用最近邻分类器(Nearest neighbor classifier).最终在中科院自动化研究所CASIA B步态数据库上进行实验,对比多项式、高斯径向基核函数和其他四种算法的结果显示,本文算法取得了较高的识别率.

基于步态能量图的隐马尔可夫模型身份识别

提出一种基于步态能量图的隐马尔可夫模型身份识别算法.首先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计算出步态周期,得到平均步态能量图.对能量图用K-均值聚类的方法生成观察向量,进行一维离散隐马尔可夫模型训练,用训练好的模型参数进行身份识别.最后在CASIA步态数据库上对所提出的算法进行实验.实验表明该方法具有较好的识别性能.

基于步态能量图和不变矩的身份识别算法

分析步态能量图即具有作为静态的外观特征,又包含了识别的动力学有用信息,同时证明了步态能量图对噪声的不敏感性。文章提出了一种基于步态能量图和不变矩的身份识别算法,介绍了不变矩的基本理论以及Hu提出的七个不变矩,利用图像不变矩的平移、尺度和旋转不变特性,从原始的步态能量图中提取不变矩特征作为步态能量图的输入特征向量,运用不变矩的最小距离分类器的模式匹配进行步态特征分类。最后在CASIA步态数据库上对所提出的算法和其他新的步态识别方法相比较。实验结果表明,提出的算法是一种有效的步态识别方法。

基于步态能量图的特征提取新方法

为了更好地提取步态特征，实现更好的分类识别效果，提出了基于带关节点的步态能量图（PGEI），以便表达完整的步态特征，再运用LBP局部二值模式特征提取方法提取图像的特征，最后使用SVM支持向量机进行最后的步态识别。使用中科院自动化所CASIAB步态数据库进行实验，以SVM支持向量机的算法进行识别，分别识别步态能量图GEI和带有关节点的步态能量图PGEI图像，正确率分别为52.17%～56.52%和83.33%～95.83%.这说明，这种特征提取方法具有较好的识别性。

基于步态能量图的KPCA和SVM的步态识别方法

采用了一种基于步态能量图(GEI)的步态特征提取方法,主要是通过得到的步态侧影图像进行规格化并进行周期分析,然后提取其步态能量图。同时针对传统主成分分析(PCA)方法只能处理线性和服从指数型分布的情况,提出了采用基于核方法的主成分分析(KPCA)来对数据进行特征降维,然后采用泛化能力较强的分类器SVM来对特征进行识别。应用上述方法在CASIA数据库上进行了实验,结果表明采用上述方法取得了较理想的效果。

基于修正步态能量图和视角检测的步态识别方法

针对步态识别性能易受视角、着装和携带物品等变化影响的问题,提出了一种基于修正步态能量图和视角检测的步态识别方法。首先,对步态能量图进行修正,降低着装和携带物品的变化对步态识别的影响;接着,基于修正的步态能量图提取熵特征,并依据最近邻准则检测步态序列的视角;最后,在相同视角的数据库下,采用二维主成分分析和二维线性判别分析相结合的方法提取步态特征,并采用最近邻准则进行分类,以降低视角变化对步态识别的影响。通过在CASIA B数据集上进行对比实验,证实所提方法对视角、着装和携带物品等变化的鲁棒性强,平均识别率高。

基于增强步态能量图和Gabor特征的辨别共同向量身份识别

提出了一种通过统计行走模式的动态信息进行步态识别方法.对代表每一类的步态能量图像(GEI)进行方差分析,以求得动态权值掩模(DWM).通过DWM对原始GEI进行动态和形状信息的增强,以获得新的步态表征EGEI.为增加可辨识信息,使用一组Gabor小波对EGEI进行卷积,然后采用辨别共同向量分析(DCV)将高维卷积结果在低维空间表示.通过使用简单的分类策略在USF步态数据库上的对比实验,证明了本方法对识别性能提高的有效性.

基于步态能量图的特征提取

本文提出了采用步态能量图作为检测的特征,由于直接提取到的特征序列维数较高,需要对特征序列进行降维处理。本文采用保局映射投影(LPP)方法对特征序列进行降维,得到了较好的效果。

基于加强步态能量图在非规范视角的步态识别研究

提出了一种基于加强步态能量图的非规范视角步态识别方法,解决了非规范视角下步态识别难题。视角转换方法将视角统一,采用背景减除法提取人体轮廓,引入步态周期检测方法确定步态周期,根据人体骨架参数模型得到加强步态能量图(E-GEI),最后运用2DPCA方法提取特征向量,并采用最近邻域法分类。实验结果表明:E-GEI在各个视角下比普通的GEI在识别效果要更好。

基于步态能量图特征与稀疏编码的步态识别

为了准确地进行身份识别,提出一种基于步态能量图特征和稀疏编码的步态识别方法。该方法先使用训练数据生成识别字典及其原子标签信息,再将待识别视频中提取的步态能量图SIFT特征使用识别字典进行稀疏表示,最后通过投票的方式得到识别结果。实验数据选用中科院步态数据库CASIA,实验结果表明,所提算法识别率高,计算速度快。

基于耦合神经网络的步态识别方法

主流步态识别过程中识别率易受到视角变化的影响,使用耦合网络模型解决最小类间距离大于最大类内距离的问题,利用步态样本比对解决识别问题。用二值图像序列合成步态能量图,联合使用逻辑回归与对比损失函数对模型进行训练优化,实验验证耦合神经网络的步态识别性能,并与普通卷积神经网络模型(CNNs)的识别结果进行对比。在背包与大衣遮挡情况下的识别率达到73.7%和60.5%,高于CNNs的识别率,并提高了遮挡情况下步态识别精确度。

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。

基于改进MobileNetV2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题,在MobileNet V2网络的基础上,提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图,通过调整网络中深度可分离卷积模块,使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks),对行人步态进行分组实验。实验结果表明,改进后的网络模型能有效进行数据集的分类识别,模型大小为12.55 M,在测试集上的平均识别准确率达到94.27%,比原始网络提高了2.29%。同时,在精度和复杂度上获得了较好的平衡,为步态识别方法在移动端等资源受限的设备上提供思路和参考。

能量图和典型相关分析相结合的特征融合步态识别

为了弥补单特征步态识别算法特征描述的不足并改善识别效果,本文引入典型相关分析法从融合特征的角度研究了步态特征经过融合后用于分类识别的实验性能.选择步态轮廓序列的步态能量图作为基本特征,分别提取出它的梯度直方图描述子和小波描述子以及局部信息熵图像特征,通过典型的主成分分析法降低特征维数后,再由典型相关分析分别得到各自的典型相关特征,采用融合策略将其融合最终完成步态识别任务.实验在美国南佛罗里达大学的户外步态数据库上进行,取得了令人满意的识别效果,其中梯度直方图和小波特征的融合效果最好,与单一步态特征的步态识别方法相比,步态识别率有了明显提高.

基于能量的多特征融合步态识别

基于Radon变换在一定意义上具有能量特征,结合增强的步态能量图(EGEI),将两种形式的能量特征相融合来进行步态识别。对经过预处理后的周期图像合成EGEI,运用行列相结合的二维主成分分析((2D)2PCA)方法降低特征向量维数。同样,对步态序列图像进行Radon变换,构造周期模板后用主成分分析(PCA)方法降维。识别时将两种特征使用决策层融合的方法获得最终结果。通过在CASIA步态数据库上进行实验,证明以上方法具有较高的识别性能。