基于SVM和DSW的列质量向量特征步态识别方法研究

摘要

步态识别是根据人行走的方式来识别其身份，以其特有的优势作为一种身份识别手段，在远距离识别中非常具有潜力。但是目前有关步态识别的研究尚处于理论探索阶段，没有达到实际应用的程度。本文在研究步态识别算法的基础上，提出列质量向量特征，对特征提取和分类识别这两部分做了详细研究。主要工作和成果如下:
　　提出列质量向量特征来表征人的步态特征信息，列质量向量通过对人体区域进行纵向分割，在保持行人结构的基础上降低了像素级运算的复杂度，使得在行走过程中各个部分的协调运动反映在列向量周期变化之中。通过对待识别目标与数据库样本目标的列质量向量特征采用动态空间规划（DSW）匹配方法，一方面解决了移动目标提取过程引起的目标平移问题，另一方面则通过动态规整的方法将服饰、携带物等影响因素带来的干扰区分出来，从而提高了对干扰因素尤其是服饰的识别能力。本文所用的DSW方法将动态时间规划理论扩展到空间领域，将基于时间周期的匹配具体化为空间匹配，充分利用了步态的周期性特点，解决了步态周期类特征易受相位偏移影响的难题。
　　此外，本文采用了活动能量图进行降维，将一周期的步态图像序列经过累加差分的方法生成一张图像，解决了步态识别中易产生的“维数灾难”问题，降低了特征提取复杂度。
　　本文采用基于小样本统计理论的支持向量机理论，原因是对于步态数据而言，个体样本训练数是有限的，而支持向量机本身具有能够处理高泛化、小样本、高维度模式问题的特性。并利用使用一对其余的原则来模式识别不同样本，在中科院的CASIA步态数据库中正常行走、穿大衣等情况下进行测试，SVM算法取得很好的识别率，DSW算法取得更好地识别率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1步态识别的背景及研究意义

1.2步态识别的研究现状

1.3本论文的研究内容及结构安排

第二章 步态识别方法概述

2.1轮廓提取

2.2特征提取

2.3特征处理

2.4模式分类

2.5 小结

第三章 列质量特征提取

3.1 预处理

3.2步态周期

3.3活动能量图

3.4列质量向量

3.5 列质量向量提取过程

3.6本章小结

第四章 SVM的列质量特征步态识别

4.1 支持向量机识别方法

4.2 步态识别实验

4.3小结

第五章 DSW的列质量特征步态识别

5.1 动态空间规划的识别方法

5.2 步态识别实验

5.3 实验对比

5.4 本章小结

第六章 总结与展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果