基于蚁群算法和遗传算法的步态识别研究

摘要

在计算机视觉和智能视频监控领域，步态识别是一个新兴的研究方向， 它是根据人们走路的方式来进行人的身份识别。步态的分析与识别在安全领域、人机交互、动画、虚拟现实和医学等诸多领域有着重要的应用前景和巨大的经济价值。随着计算机信息技术的飞速发展，步态自动识别研究已经取得了很大的进展。为了提高识别的准确性，大多数研究都对步态特征的提取给予了较大的关注，而忽视了对识别算法的研究。本文结合国家自然科学基金资助项目，主要针对多种识别算法对步态特征识别性能的影响进行了探索性的研究。 论文首先简要综述了步态识别技术，评述了在步态识别领域的一些主流方法和途径，讨论了步态识别应用的理论和方法，并对现有的识别技术进行了概括和总结。其次从运动检测、感兴趣区域提取与处理、步态周期分割和步态能量图几个方面介绍了步态特征的提取过程。针对动态背景下的运动检测，使用混合高斯模型进行背景建模，大大提高了检测出来的步态特征的精度。在感兴趣区域提取与处理部分，采用全局搜索方法寻找最小人体矩形框，并对其进行归一化和中心化处理。在检测步态周期时，转化为求取步态序列信号自相关函数的周期。根据得到的步态序列构建步态能量图作为识别特征。 本文的核心内容在于对多种识别技术的比较研究：提出一种基于HMM的步态识别算法，使用HMM中的Baum-Welch算法对每个人体步态建模，然后使用前向，后向算法进行识别，用这种方法的识别率可以达到75％以上；首次把蚁群算法应用到步态识别中，该算法模拟了蚂蚁寻找食物的自适应过程，能够对输入的样本自动训练出聚类中心，这样就省去人工干预训练样本的过程，并且该方法的识别率较HMM识别算法提高了五个百分点；用遗传算法对蚁群算法进行优化，把每个蚂蚁编码成一个染色体，通过染色体适应度的大小进行选择淘汰操作，并且通过交叉概率和变异概率进行杂交和变异运算，实验结果表明该方法的正确识别率在90％以上。 最后，在CASIA数据库对三种不同识别算法进行了大量的实验，并对实验结果进行了比较和分析，总结了多种识别技术在识别的有效性和计算复杂度等方面的优缺点，并形成结论：选择合适的识别算法可以大大提高步态特征的正确识别率。另外，本文提出的基于蚁群的识别算法还具有很强的抗干扰能力，解决了一般步态识别系统在这一方面的缺陷。本论文提出的新算法在很大程度上提高了图像的处理效果、分类结果和运行速度，实验结果是令人满意的。本文的工作为如何选择合适的识别技术以达到最佳识别效果提供了重要的参考依据。

目录

文摘

英文文摘

论文说明：缩略词说明

声明

第一章绪论

1.1步态分析的研究背景及意义

1.2步态识别的研究现状

1.2.1国外研究现状

1.2.2国内研究现状

1.3主要步态识别方法概述

1.3.1基于模型的方法

1.3.2基于运动的方法

1.4本文的创新和内容安排

1.4.1本文的研究工作和创新

1.4.2本文内容的安排组织

第二章步态特征提取

2.1引言

2.2运动检测

2.2.1高斯混合建模

2.2.2形态学滤波处理

2.3感兴趣区域提取与处理

2.3.1矩形框提取

2.3.2矩形框归一化处理

2.3.3矩形框中心化处理

2.4步态周期分割

2.5计算步态能量图

2.5.1步态能量图

2.5.2利用步态能量图提取步态特征

2.6小结

第三章基于HMM算法的步态识别

3.1引言

3.2 HMM算法模型

3.3 HMM基本算法

3.3.1 HMM的三个基本问题

3.3.2 HMM的三个基本算法

3.4 HMM算法用于步态识别

3.5实验结果

3.6小结

第四章基于蚁群算法的步态识别

4.1引言

4.2蚁群算法模型

4.3标准蚁群算法

4.4蚁群算法用于步态识别

4.4.1训练过程

4.4.2识别过程

4.5实验结果

4.6小结

第五章基于遗传-蚁群算法的步态识别

5.1引言

5.2遗传算法模型

5.2.1遗传算法

5.2.2遗传算子

5.3遗传-蚁群步态识别算法

5.3.1参数初始化

5.3.2粗略估计聚类中心

5.3.3利用遗传算法优化聚类中心

5.3.4识别

5.4实验结果

5.5三种识别算法比较

5.6小结

第六章结论与展望

6.1本文的成果与不足

6.2研究方向展望

参考文献

致 谢

攻读硕士期间发表的论文