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。

基于图像空间金字塔SURF-BoW的步态识别

在步态识别中,衣着的变化易降低步态识别效果。为此,提出一种保留步态特征空间分布信息的步态识别方法。提取步态能量图像各级空间金字塔网格的加速鲁棒特征,采用偏最小二乘空间金字塔表示方法对各自级层的特征加权后进行聚类,构建词袋模型,用该模型统计直方图表征步态特征。使用直方图相交核支持向量机在CASIA步态数据库进行实验,结果表明,该方法具有较好的识别效果,平均识别率优于四元数小波变换、掩模能量图、局部二值模式和局部纹理分析步态识别方法。

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.

步态识别中的图像降维长度仿真研究

PCA降维算法没有给出降维长度的定量描述,降维长度的选取往往具有后验性,在应用中带来不便。为了确定图像降维的维长,即能提高图像识别的准确率,又能减少数据量,提出了图像线性相关的概念,并给出了基于PCA的图像降维长度确定的方法。针对步态能量图像进行降维和特征提取,对得到降维后的图像数据作为特征量,应用支持向量机的方法进行步态分类和识别。应用上述方法在CASIA(B)步态数据库上进行了仿真和K-means验证,仿真数据表明,依据图像的相关性,既可以事先确定图像的降维长度,又可以有效性的保证识别率。

基于步态识别的智能监控系统研究

针对现有的视频监控技术仅依赖人眼的检测,缺乏智能性,进行了基于步态识别的智能监控系统研究,应用背景减除法分割出人体轮廓。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。运用主成分分析或行列相结合的二维主成分分析((2D)2PCA)提取特征主向量,采用最近邻分类器分类。实验结果表明,该方法可以有效降低前期处理对分类识别的影响,而且在我们自己建立的摄像头摆放有一定俯角的步态数据库中3个视角下取得很好的识别效果。

融合腿部局部特征的步态识别方法

为提高步态识别的识别率,提出一种基于腿部轮廓区域与整体图像的特征相结合的步态识别算法。通过选取训练样本的整体散布矩阵的非负特征值对应的特征向量,组成一个维数较低的变换空间;在此空间中,为克服小样本问题,对每类样本的协方差矩阵增加一个正则项,构成新的准则函数,通过求解该优化问题,选择部分特征向量组成特征矩阵;基于此种方法,将获得的腿部轮廓区域特征和整体图像的特征进行组合,表示一个行人步态的特征。实验选取中科院步态数据库CASIA A、CASIA B和CASIA C,结合最小距离分类器进行步态识别。实验结果表明,当影响识别的因素发生改变时,例如背包、穿外套等,所提方法能够获得较高识别率。