基于决策层融合的动态视频人体步态识别

摘要

随着中国的经济快速发展，人们对社会的安全和稳定有着更高的需求，尤其是在公安和社会安全方面，对人的身份识别的精确要求越来越高，普通的身份识别以及人眼的识别有着很多的不足与缺陷，因此，基于计算机视觉的身份识别应运而生。步态识别是众多身份识别中的一种比较先进的方法，因为步态识别具有不容易隐藏、不容易伪装等特点，并且在远距离条件下，是人们进行身份识别的一种常用的方法，因此受到了大家更多的关注以及青睐。 步态识别主要包括三个部分:步态序列图像预处理、特征提取和分类识别。本论文是基于动态视频的人体步态识别，主要完成的步态识别理论的研究工作大致分为以下几个方面:对于连续的步态视频进行按帧的前期处理，通过背景减除法对动态前景进行提取。在特征提取的工作中，本论文论述并采用了两种方法，一种是HU不变矩的使用，另一种是Radon的变换，对每一帧进行HU不变矩提取同时对每一帧进行Radon变换，将提取值作为两组步态特征数据，同时对GEI图像进行HU不变矩提取，并与Radon的变换进行融合以作为第三组的特征数据。在决策融合的识别过程中，将每一种识别结果作为一票，对投票结果进行统计，得到票数最多的结果作为最终的识别结果。 为了验证本试验的方法的可行性以及识别结果得精确性，对识别结果进行对比分析，将HU不变矩、Radon变换的识别以及融合后的识别结果进行对比，同时统计投票最终决策的识别精度，将四种方法进行对比，验证本方法的精确性，同时将该方法与其他传统算法进行精度对比，验证本方法的先进性，为了确定本实验处理数据的统一性，试验中统一采用中科院自动化研究所提出的步态数据库CASIA，将实验进行测试与评估，通过上述的实验步骤和对比结果可知，本论文提出的方法能过提高识别的精确性并且具有着先进性，达到了预期的识别效果。

目录

声明

摘要

第1章绪论

1．1课题背景及意义

1．2国内外研究现状综述

1．3步态研究难点

1．4本文主要研究内容

1．5本文组织结构

第2章步态识别理论

2．1步态视频动态前景检测

2．1．1帧间差分法

2．1．2背景减除法

2．1．3光流法

2．2步态特征提取

2．2．1基于模型的方法

2．2．2基于整体的方法

2．3步态模式分类器

2．3．1支持向量机(SVM)

2．3．2人工神经网络(ANN)

2．3．3最近邻法(NN)和k邻分类法(KNN)

2．4步态数据库

2．5本章小结

第3章步态二值图像的预处理

3．1运动目标的检测

3．2形态学处理

3．2．1膨胀和腐蚀

3．2．2开运算和闭运算

3．3连通区域的分析

3．4步态周期检测

3．5本章小结

第4章步态特征提取

4．1 Radon变换

4．1．1 Radon原理

4．1．2 Radon变换的结果

4．2 HU不变矩

4．2．1 HU不变矩原理

4．2．2步态能量图

4．3 PCA降维

4．4本章小结

第5章决策融合及分类识别

5．1融合概述

5．1．1数据层融合

5．1．2特征层融合

5．1．3决策层融合

5．2 SVM分类器

5．2．1统计学习理论

5．2．2 SVM分类器原理

5．2．3线性支持向量机

5．2．4非线性支持向量机

5．3识别结果与分析

5．3．1实验流程

5．3．2实验结果分析

5．4本章小结

第6章工作总结与展望

6．1全文工作总结

6．2未来的研究方向

参考文献

致谢