基于协同表示的步态识别方法研究

摘要

随着监控系统的普遍应用，如何有效地对不明身份的人进行身份识别已经成为所有人关心的话题。步态识别，即根据人行走时的姿态进行身份识别，因具有远距离、非侵犯、难以模仿和伪装等优点，受到了众多研究者的青睐。近年来提出的协同表示分类方法在模式识别领域取得了较好的识别效果，因此本文对协同表示的步态识别进行了深入研究。
　　本文首先针对单帧步态图像对噪声敏感且不能反映人体运动特性的问题，采用反映步态时空特性的步态能量图作为步态特征。在图像预处理、周期检测及图像标准化的基础上计算步态能量图，然后，结合主成分分析法进一步提取有效特征，从而降低特征维度，减少计算量。其次，每类对象的步态能量图样本不够充足，用稀疏表示的方法会产生误差且计算比较耗时，针对这些问题，提出基于协同表示的步态识别方法。该方法用所有类来协同表示测试样本，并采用正则化的最小二乘方法求解，根据测试样本的最小重构残差进行分类。实验结果表明，该方法能以较低的识别时间获得较好的识别率。最后，针对特征提取过程中仅利用了步态的线性特征可能导致识别错误的问题，提出基于核协同表示的步态识别方法。利用核方法的非线性数据处理能力，将步态能量图投影到高维的特征空间来提取有效的步态特征，并采用协同表示的方法得到分类结果。实验结果表明，该方法能提高角度变化时的步态识别率，对角度变化具有一定的鲁棒性。

目录

声明

中文摘要

英文摘要

目录

1 绪论

1.1 选题背景及研究意义

1.2 国内外研究现状

1.3 本文的研究内容及章节安排

2 基于步态能量图的步态特征提取

2.1 步态识别基本方法

2.2 步态能量图特征提取

2.3 特征降维

2.4 本章小结

3 基于协同表示的步态识别

3.1 稀疏表示与协同表示

3.2 基于协同表示的步态识别方法

3.3 实验结果及分析

3.4 本章小结

4 基于核协同表示的步态识别

4.1 核方法简介

4.2 核主成分分析（KPCA）

4.3 基于核协同表示的步态识别方法

4.4 实验结果与分析

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附录