基于Kinect骨骼关节信息的视角不变步态识别方法

摘要

步态识别是一种利用人走路姿势进行人物身份识别的新兴生物特征识别技术。步态识别不同于一般生物识别的最大特点在于它可以在远距离且不需要测试者配合的情况下完成识别过程。同时，步态识别作为一种行为生物特征识别方法，就如同人们的书写方式一样，自然流畅且难以模仿。基于这些传统生物特征所不具有的优势，步态识别在门禁系统、安全监控、人机交互、医疗诊断等领域具有广泛的应用前景和经济价值。随着近些年视频影像技术越来越发达，模式识别算法越来越智能，以及计算机硬件处理能力越来越强大，这些都让步态识别换发出更新鲜的活力，受到越来越多研究人员的关注。
　　在现如今的步态识别领域，基本可以分为基于2D视频的方法和基于3D信息的方法。基于2D视频的方法配置简单，但易受光照，视角变化的影响。基于3D信息的方法虽然可以很大程度上减少视角变化所引起的影响，但使用多相机重构3D信息的方法需进行相机标定，步骤繁杂，应用效果较差，而使用深度传感器的方法虽可避免相机标定，但深度相机价格昂贵，市场推广性较差。
　　近年来，随着Kinect的问世，深度传感器趋于商业化、廉价化。这种深度传感器不仅不易受光线影响，而且易于利用深度信息分割运动人体与背景信息，同时可以便捷高效的获取人体关节3D信息，从而为步态识别的应用开启了一扇新的大门。
　　本文的主要创新和贡献主要在以下两个方面:
　　(1)本文以第二代Kinect为工具，利用其易于提取人体骨骼关节3D位置信息和基于深度信息易于分割人体与背景的特点，建立了一个全新的基于Kinect的步态数据库。该数据库采集了52个个体在6个固定视角和4个自定义视角下的1040条行走片段。每条行走片段中包含该个体每帧21个骨骼关节的3D位置信息和每帧对应的二值化人体剪影轮廓图。
　　(2)本文利用Kinect所采集到的关节位置信息，提取了大腿长度等8个骨骼长度作为静态特征，同时提取了大腿关节等8个随时间变化的关节摆动角度作为动态特征，并且分别验证了这两种特征对视角变化的鲁棒性。针对动态特征，本文同时也讨论了周期提取，模板匹配时相似性度量等关键性问题。在此基础上，本文对这两种特征在匹配层进行了特征融合，并利用最近邻分类器进行分类识别。最后，本文分别对静态特征，动态特征以及融合特征在本数据库下考察了视角不变与视角变化时的识别效果，并将本文的方法与传统基于2D视频的方法，基于Kinect的方法做了对比，同时在另一个基于Kinect的数据库上验证了本文的算法。结果表明本文提出的方法对视角变化有较好的鲁棒性，识别效果较好，并且算法简单，实时性强。本文建立的步态数据库同时支持验证基于Kinect关节位置的算法以及基于2D剪影轮廓图的算法，并为两者相互对比提供了可能，展现了本数据库所具有的独特优势。

目录

声明

摘要

1．1 课题的研究背景及意义

1．2 课题的研究现状

1．3 本文的主要内容

1．4 本文的结构安排

第二章 相关工作与技术介绍

2．1 视角不变的步态识别

2．2 基于Kinect的步态识别研究

2．2．1 Kinect的简单介绍

2．2．2 基于Kinect的步态识别方法

2．3 本章小结

第三章 步态数据库

3．1 常见步态数据库介绍

3．2 数据库的采集环境与步骤

3．3 本章总结

第四章 基于Kinect骨骼关节信息的视角不变步态识别方法

4．1 静态特征的选取与视角变化的关系

4．1．1 静态特征的选取

4．1．2 静态特征与视角变化的关系

4．2 动态特征的选取与视角变化的关系

4．2．1 动态特征的选取

4．2．2 动态特征与视角变化的关系

4．3 周期提取

4．4 曲线拟合

4．5 相似性度量与分类器

4．6 特征融合

4．7 遮挡问题的解决方案

4．8 本章小结

第五章 实验结果与分析

5．1 静态特征的识别效果

5．1．1 静态特征在无视角变化时的识别结果

5．1．2 静态特征在视角变化时的识别结果

5．2 动态特征的识别效果

5．2．1 动态特征在无视角变化时的识别结果

5．2．2 动态特征在视角变化时的识别结果

5．3 特征融合之后的识别效果

5．3．1 特征融合后无视角变化时的识别结果

5．3．2 特征融合后视角变化时的识别结果

5．4 对比实验

5．4．1 与基于2D视频方法的对比

5．4．2 与基于Kinect方法的对比

5．4．3 在其他步态数据库上的实验结果

6．1 工作总结

6．2 工作展望

参考文献

致谢

攻读硕士期间的研究成果