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噪的方法去除较大空洞和缺口噪声；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。

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。

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。

基于Procrustes均值形状和Fan-Beam变换的步态识别

针对单一特征进行步态识别的局限性,为了得到更准确的识别结果,利用动静态信息的互补性,将两者结合起来进行身份识别。首先用Procrustes均值形状提取步态轮廓形状静态特征,然后计算步态能量图(GEI),再对GEI进行Fan-Beam变换,使用二维主成分分析进行特征空间降维,得到运动目标的频率动态特征,最后将两个特征欧氏距离融合起来获得最后的识别结果。在中科院的Dataset B数据库上进行实验,达到了预期的识别效果。

基于卷积神经网络和不完整步态周期的步态识别方法

基于完整步态周期的步态能量图(GEI)已经成为一种常用的反映不同个体步态特征的方法,但在有些场景下,由于环境的重叠现象,难以得到由完整步态周期组成的GEI。使用几帧不完整的步态数据,只能获得较低的步态识别率。因此,提出了一种基于全卷积神经网络(FCN)的方法来重构GEI。该网络使用由较少帧组成的GEI作为输入,得到对应于由更多帧组成的GEI。通过逐步重构,该网络可将不完整GEI转化为完整GEI。实验结果显示,在重构和步态识别上,该方法还原出的完整GEI接近于目标GEI,特别是在还原由较多帧组成的GEI时,效果更好。

基于双通道循环一致性GAN的跨视角步态识别研究

步态识别系统在生物识别领域显示出巨大的潜力,然而步态识别的准确性很容易受到视角的影响。为解决这一问题,提出的方法基于循环生成对抗网络(cycle generative adversarial network,Cycle-GAN)的网络结构,结合新的特征提取模块以及多重损失函数,提出了一种用于跨视角步态识别的网络模型双通道循环一致性生成对抗网络(two-channel cycle consistency generative adversarial network,TCC-GAN)。该网络首先将步态能量图像从任意视角转换为目标视角图像,然后进行比对从而实现身份识别。TCC-GAN分别引入了重建损失、视角分类和身份保持损失来指导生成器生成具有目标视角的步态图像并同时保留身份信息。为了避免可能存在的模式崩塌问题,并保证各个输入和输出以有意义的方式进行映射,模型中还利用了循环一致性损失。数据集CASIA-B和OU-MVLP上的实验结果表明:所提TCC-GAN模型的跨视角识别率高于目前大多数其他基于GAN的跨视角步态识别模型。

基于子模式的完全二维主成分分析的步态识别算法

提出一种基于子模式的完全二维主成分分析的步态识别算法.首先对步态能量图进行子块划分,自适应地去掉对分类无用的子块.然后分别对每个子图像采用完全二维主成分分析方法进行特征抽取.最后将各个子块的特征合为整体采用最近邻分类器来测试识别.应用上述方法在CASIA步态数据库上进行实验,通过实验确定分块数目.实验结果表明本文算法明显好于完全二维主成分分析方法,不但有利于提取局部特征,而且对外套变化、背包,行走方向变化的步态识别也较有效.