基于特征融合的步态识别算法研究

摘要

生物特征识别技术作为保证信息安全的重要手段，在不同场合发挥着重要的作用。步态识别技术作为唯一适用于远距离下的生物特征识别技术，在智能视频监控领域具有广泛的应用前景，在近年来被越来越多的研究者所关注，越来越多的步态识别算法不断被提出和完善。本文研究了基于特征融合的步态识别算法，对步态识别算法从以下几个方面展开研究： (1)步态视频序列图像预处理：针对人体目标特性开展了目标检测方法研究，对不同的背景建模方法进行分析，通过高斯混合方法建立了背景模型，用背景减除法对步态视频序列进行处理；将人体目标从背景环境中分离出来并提取二值化的目标前景图；依据图像中人体区域的宽高比变化提取步态周期序列并通过形态学处理去除噪声，将步态图进行了归一化处理。 (2)步态特征的提取：利用细化算法从步态图中提取骨架，针对轮廓与骨架定位关键点，提取骨架角度特征，作为肢体运动特征；将一个周期的步态图统计平均得到步态能量图并降维，反映步态的时空分布；构造离散情况下具有平移、旋转、尺度不变性的Hu矩，描述步态图的形状；综合骨架特征、步态能量图、Hu矩三个方面进行特征提取。 (3)步态特征的分类识别：对三种单一步态特征分别在近邻法、支持向量机两种分类器下进行分类识别对比，确定一种最优分类器及分类器的参数，获得最优分类器下三种单一特征的识别率。 (4)特征融合的步态识别：将三种步态特征在特征层融合进行步态识别，分析特征融合算法在正常行走、穿大衣行走、背包行走状态下的步态识别性能。

目录

声明

1绪论

1.1研究背景和意义

1.2步态识别的发展与现状

1.2.1国内外研究发展与现状

1.2.2研究难点与发展趋势

1.3步态数据库

1.4论文的内容安排

1.5 本章小结

2步态视频序列图像预处理

2.1目标检测

2.1.1帧差法

2.1.2光流法

2.1.3背景减除法

2.1.4背景建模

2.2形态学处理

2.3步态周期检测

2.4 图像归一化

2.5本章小结

3步态特征提取算法

3.1骨架特征

3.1.1骨架提取

3.1.2改进的ZS细化算法

3.1.3基于轮廓与骨架的特征提取

3.2 步态能量图

3.2.1 降维

3.2.2 步态能量图特征提取

3.3 Hu矩

3.3.1离散Hu矩

3.3.2 Hu矩特征提取

3.4本章小结

4步态特征的分类识别

4.1分类器

4.1.1近邻法

4.1.2支持向量机

4.2分类识别实验

4.2.1数据集与性能评估方法

4.2.2 不同步态特征的分类识别

4.3实验结果分析

4.4本章小结

5特征融合的步态识别

5.1信息融合

5.2特征融合

5.3加权特征融合实验

5.4本章小结

6总结与展望

6.1总结

6.2展望

参考文献

学位期间发表的论文及所取得的研究成果

致谢