步态识别

摘要： 背景:下肢外骨骼机器人用于恢复患者的基本行走能力,要实现人-机的高度协同和制定机器人控制策略,就要对包括步态在内的人体下肢运动意图进行识别.目的:提出一种新式分类器,利用人体表面肌电信号进行步态识别.方法:首先,采集人体5种步态模式的下肢表面肌电信号;其次,对采集的信号进行降噪和特征提取以获得5种步态模式的数据集,并将其两两结合形成10组数据集;再次,将每组数据集的训练集按照AdaBoost算法规则输入至概率神经网络进行训练;从次,将已训练概率神经网络集成获得10个强分类器;最后,将测试集样本输入到10个强分类器并采取投票机制判断其所述类别.结果 与结论:实验使用改进AdaBoost算法对5种步态模式进行识别,取得了90.2％的平均识别率;将其与仅使用一个概率神经网络进行对比,单独使用概率神经网络时的平均识别率为68.2％,低于改进AdaBoost分类器的平均识别率;将弱分类器更换为支持向量机、BP神经网络、决策树构建强分类器进行对比,当仅使用一个弱分类器时,支持向量机的平均识别率高于概率神经网络,然而将弱分类器使用改进AdaBoost算法集成以后,以概率神经网络为弱分类器时的识别率相较于以支持向量机为弱分类器时84.3％的识别率更高.

摘要： 为减少背包负重、衣着和环境等因素对步态识别率的影响,提出一种融合视觉和触觉特征的全身步态模型.首先,以支撑脚为起点,根据运动传递过程,建立身体各个部分质量与地面支持力的动力学关系,并且通过加速度引入视觉特征;然后,对模型进行参数分离,得到代表不同步态运动特征的特征矩阵,利用Kinect和步道式足底压力仪获得的视觉图像序列和足底压力图像提取视觉和触觉特征,建立包含正常、背包负重和穿大衣3种步态运动状态下的数据库;最后,选择支持向量机中的多分类方法完成步态识别,在识别过程中通过K-CV法对分类器参数进行了寻优.实验结果表明:足底压力分区方式增加了特征识别点,提高了模型识别率;在正常步态运动条件下模型平均识别率为97.31％,在背包和穿大衣的情况下模型识别性能下降比较少.融合视觉和触觉特征建立包含上肢摆动的全身步态模型可以有效提高模型在复杂步态运动条件下的鲁棒性和步态识别准确率.

摘要： 为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。

摘要： 针对现有的步态识别模型识别准确率不够高、提取特征层次较浅等问题,在步态识别网络GaitSet的基础上,提出一种新的基于改进残差网络的联合损失步态特征识别模型Res-GaitSet。步态作为一种独特而有效的远距离识别生物特征,可以在老年医学评估、社会秩序保障等方面被广泛应用。新网络在特征提取模块中引入残差单元,并采用多个损失函数联合使用的方式,此方法可有效提高步态识别模型的准确性和鲁棒性。实验结果表明,改进后的网络Res-GaitSet在CASIA-B数据集的多个场景和不同识别角度下的准确率均有提升。同时,将改进后的网络用于自建步态数据集,对比于原网络,改进后的网络识别效果在不同角度下也均有提升,充分验证了改进模型的有效性。

摘要： 为了提高步态识别应用的广泛性,寻找稳定的人体动态特征,提出一种基于Kinect骨骼信息的步态特征提取方法,以验证骨骼点三维轨迹特征在步态识别中的稳定性。在分析深度相机Kinect工作原理的基础上,对Kinect有效范围进行测量并对其深度数据进行校准,通过18组实验对同一个体在不同行走模式、不同相机位姿下的人体骨骼点三维轨迹进行数据提取,并在固定相机位姿和行走模式的条件下对10组不同个体的行走数据进行提取,最后将同组骨骼点轨迹曲线在同一空间坐标系中进行绘制,同时使用动态时间规整算法(DTW)对实验个体骨骼点轨迹曲线相似度进行评价。实验结果表明,该特征在同一个体中表现出较好的稳定性,可用于步态识别的同一认定。

摘要： 为避免过多传感器的配置在行人导航状态分类时引入冗余信息,提出了一种传感器配置优化方法。根据采集的惯性传感器三轴加速度和角速度信息,基于K均值聚类算法(K-means)、自组织映射算法(SOM)和混合高斯聚类算法(EM-GMM)对行人运动状态进行识别;选取轮廓系数、戴维森堡丁指数、卡林斯基-哈拉巴斯指数3个内部评价指标及执行时间对聚类效果进行综合对比,得出在行人状态识别中K-means聚类方法较优;基于K-means聚类最优模型,对二维、三维、六维不同传感器配置下的轮廓系数进行综合对比,得出二维和三维行人惯性导航系统即可有效实现行人运动状态识别,有效解决了六维特征空间中因多变量复杂相关导致的难以准确建模的难题,为多传感器的行人导航状态识别提供了新途径。

摘要： 步态作为一种人体躯干、关节、上下肢及各肌群的周期性行为模式,是可用于身份识别过程的一种重要生物特征。针对现有的步态识别方法大都是基于步态轮廓图或者步态能量图提取的全局特征,而忽视了对细粒度步态信息的有效利用的问题,提出了一种包括全局通路和局部通路的非对称双路识别网络。其中全局通路采用三元组损失函数,用于提取步态的全局时空特征;局部通路采用交叉熵损失函数,用于识别步态中显著不同的局部特征。此外,在局部通路中加入了一个显著性特征检测器模块,用于实现有效的细粒度步态信息识别。在公开数据集CASIAB和OU-ISIR-LP上进行了对比实验,结果表明,在跨视角和跨场景的环境下,该方法相对现有方法在步态识别的准确率方面都有显著提升。

摘要： 目前深度学习算法已经广泛应用于步态识别领域,但是大多数现有方法通过卷积神经网络提取步态全局特征时,忽略了许多包含关键步态信息的局部特征,在一定程度上削弱了步态识别的精度和提升潜力。针对上述问题,提出了一种结合注意力卷积神经网络与分块特征的跨视角步态识别方法,该方法以步态轮廓图序列为输入,每帧图片分别经过相同结构的注意力卷积神经网络融合成整体特征,在网络中加入有效的注意力机制CBAM能显式地建模各空间及通道的重要程度,增大显著区域特征的权重;整体特征被水平分成两块进行训练和步态识别,提取的步态局部特征更适合精细的步态分类。在步态数据集CASIA-B和OU-ISIR-MVLP上进行跨视角步态识别实验,结果证明在训练数据集充足与不足的条件下,该方法在识别精度上均优于现有方法。

摘要： 针对目前的室内人员步态识别方法存在计算量大、设备成本高、鲁棒性低等问题,提出一种基于信道状态信息的高鲁棒性室内人员步态识别方法WiKown。通过快速傅里叶变换设置能量指示器监测人员行走行为,将采集的CSI步态数据经滤波与降噪处理后以滑动窗口的方式提取特征值,得到人员步态的CSI信息后建立观测序列,最后通过高斯分布叠加拟合后引入隐马尔科夫模型计算观测序列概率,生成步态参数模型。在走廊、实验室和大厅真实多人环境中,WiKown方法对单人步态的平均识别率达到92.71%。实验结果表明,与决策树、动态时间规整和长短时记忆网络方法相比较,该方法能有效地识别出人员的步态信息,提升了识别精度和鲁棒性。

摘要： 选取多个视角、不同行走状态,制定数据采集方案进行人体红外步态数据采集;设计数据处理框架对原始步态数据进行处理得到适用于深度学习训练的红外步态数据集;接着进行定量分析,得出处理所得步态数据集相比CASIADatasetC人体轮廓更加清晰与完整;使用AlexNet网络对CASIAData-setC与本文步态数据集进行对比实验,结果表明本文的步态数据集具有更好的识别效果.

摘要： 步态识别是一项很重要的生物识别技术.步态特征分为静态与运动两类.一些工作发现,尽管步态的本质特性在于运动,但运动特征的识别能力较为有限.究竟是运动本身的区分能力有限,还是现有特征未能充分捕获运动特性目前尚不清楚.基于Kinect骨骼模型,相对运动特征被提出,特定关节点之间的距离及其变化被用来刻画步态.相对运动特征的获取无需计算步态周期,鲁棒性好.实验结果显示,相对运动特征的识别精度达84％,与静态特征相当;与已有运动特征相比,精度提高10％以上.

摘要： 步态能反映人体机能的健康状况和病态特征,在医疗上可应用于特定疾病的辅助诊断与评价.本文基于行走中的足底压力数据,并结合双峰分布统计模型对压力中心轨迹的分布规律进行建模,提出了一种针对帕金森疾病的步态识别新方法.实验结果证明,该方法可为临床诊断帕金森患者提供有效手段.

摘要： 利用步态对个人身份进行认定是当前生物识别领域的研究热点,为克服不同服饰、携带物对步态识别的影响,提出了一种基于泊松方程和Gabor小波的步态特征表达方法.首先对提取的运动人体二值图像采用泊松方程计算轮廓内每个点的平均随机行走时间,并构造阈值函数提取运动人体的动态部位图像Udynamic;然后将一个步态周期序列内的Udynamic累加平均,得到一种新的步态特征图(Gait Feature Image,GFI);采用Gabor小波提取GFI不同方向、不同尺度的信息,利用2D-PCA构造降维后的特征矢量.利用SVM在中科院自动化所的CASIAB数据库上进行实验,取得了较高的正确识别率.

摘要： 利用聚合物材料，开发研制了一种新型点阵式的光纤压强传感器，将作用在传感器上力的变化，转变为输出光纤的能量变化。将传感器获得列阵数据进行细化，提取脚印的质心，进而建立隐马尔可夫链模型的观察序列值，从而实现步态识别研究。通过单体辨向、统计实验测试，50人次的测试正确率高于95％。

摘要： 步态识别主要是以人走路的姿势来识别其身份。为了能准确快速地识别，本文依据步态的周期性,以一个步态序列中的6帧特殊图像来描述步态的变化，再提取步态髋关节以下部分作为研究对象，确定髋关节以下部分的质心，以质心为原点，建立坐标系。将髋关节以下的部分划分成36个小区域，以周期变化的区域面积作为特征，描述步态的周期变化。这样既可以较全面地描述一个步态的信息，又降低了维数，减小计算量。同时引入最近邻分类器进行分类。实验证明，该算法不仅能得到较好的识别率，并且计算速率快。

摘要： 为了提高步态识别问题的识别性能,将“核技巧”应用到步态识别上,对核二维线性判别分析提出新的解决方案,在自建的HEU(B)步态数据库上,应用核主成分分析、核线性判别分析、核二维主成分分析与核二维线性判别分析进行特征提取作对比实验研究,实验结果显示,“核技巧”用于矩阵特征比向量更有效;核二维主成分分析对于单训练样本较核主成分分析更为有效;核二维线性判别分析在测试识别时间上有优势.

摘要： 提出了一种基于隐马尔可夫模型(HMM)的分类方法，利用下肢表面肌电信号(SEMG)进行人体步态状态的识别。对每通道的SEMG信号按时间分段后，对每段数据提取4个时域特征来描述信号特点。根据对步态周期中状态的划分确定了HMM的结构，将HMM的状态与步态状态一一对应，并利用改进的BaumWelch算法估计HMM参数,然后通过使用Viterbi算法寻找最佳状态序列来将给定时刻的数据段对应到相应的步态状态，最终实现步态状态识别。实验结果表明HMM在时序变化信号的分类方面具有独特优势。

摘要： 为了将步态识别应用于自动检票闸机的乘客识别系统中，本文从特定场景下的人体行走视频中提取出人体步态特征，并将其应用在乘客识别系统的传感器布置研究上．在VC++6．0和OpenCV平台上，解压人体行走视频的每一帧图像并保存，运用帧差法减除背景后二值化前景图，获得人体轮廓二值图，对人体轮廓二值图进行剖切，将剖切面的人体轮廓线记录下来组合成人体步态x-t剖面图，并对人体步态特征进行了总结．最后，对自动检票闸机乘客识别系统的传感器布置作了仿真实验，成功地将提取出的人体步态特征应用于传感器布置的研究上．

摘要： 针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题，提出了一种基于时-频分析的步态模式自动分类方案。利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号，利用五阶Daubeclhies小波基对其进行特征提取，并采用线性判别式分析进行降维。最后利用决策树和支持向量机对得到的精简步态特征进行模式分类。实验结果显示两种分类器的总体分类准确率均达到90％以上，个别步态分类可达到100％，验证了特征提取和降维方法的合理性和有效性。

摘要： 针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题，提出了一种基于时-频分析的步态模式自动分类方案。利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号，利用五阶Daubeclhies小波基对其进行特征提取，并采用线性判别式分析进行降维。最后利用决策树和支持向量机对得到的精简步态特征进行模式分类。实验结果显示两种分类器的总体分类准确率均达到90％以上，个别步态分类可达到100％，验证了特征提取和降维方法的合理性和有效性。

摘要： 本发明公开了一种联合多步态特征协同字典的步态识别方法，包括以下步骤：步态周期检测、深度图像的预处理、深度图像的特征提取、骨骼特征的提取、联合多特征协同字典的步态识别。该发明实现了一种新的联合步态骨骼特征和稀疏深度能量图的协同识别方法，不仅能够有效地提取具有显著差异性的步态特征，又能联合和互补多类型的步态特征，发挥每种类型特征的优势，提高了步态识别过程中的准确性和鲁棒性，为身份识别提供了一个有效和科学的解决方案。本发明充分考虑到了实际环境中摄像机与运动目标之间距离远近对深度图像成像产生的影响，并给出了具体的解决方案，使得深度图像不仅有效地与背景分割，还有效地消除了噪声的影响。

摘要： 本发明公开了一种基于最适宜步态流型空间的步态识别方法，采用多因子距离度量策略，计算各已知个体的最适宜步态流型空间，并选择相应的基步态样本集。然后将待识别的步态样本转换到各已知个体的最适宜步态流型空间，并计算未知步态到每个基步态样本的距离。最后经过统计分析，将待识别步态判定为具有较小差异的占多数的基步态样本所属的个体。该方法通过多因子距离度量来确定各已知个体的最适宜步态流型空间，并选择相应的基步态样本构造参考集，能够在采集视角变化和存在其它干扰因素的情况下取得较好的步态识别效果。

摘要： 本申请涉及一种步态识别网络的训练方法、系统及步态识别方法；步态识别网络的训练方法包括：获取M组训练数据，一组训练数据包括两张步态能量图；将步态能量图水平分割为N个部分；将步态能量图的N个部分同时经过基础卷积层提取分块特征；将分块特征送入第二卷积层进行处理；基于各卷积层的输出结果构建损失函数，通过损失函数对步态识别网络进行监督训练。对每个图像水平分割后进行分块卷积，这样即使腿被遮挡，其他部分的特征仍然具有可区分性，因此能够提升行人步态识别准确度；对每一组中的两张图像进行拼接，针对拼接后的特征再进行分块卷积，这样构建损失函数能够使得特征更具有判别性，从而提升模型的识别准确率。

摘要： 本申请提出一种用于步态识别的模型训练方法、步态识别方法及装置，涉及深度学习、计算机视觉等人工智能技术领域，用于步态识别的模型训练方法包括：获取多个对象分别对应的训练样本；将每个训练样本中的各步态样本序列中多帧步态样本图像的二维步态轮廓信息和三维步态模型信息输入步态特征提取模型，以获取对应步态样本序列的预测三维步态特征；根据多个对象分别对应的训练样本中，属于同一对象的步态样本序列生成正样本序列对、属于不同对象的步态样本序列生成负样本序列对；根据正样本序列对与负样本序列对中的各步态样本序列的预测三维步态特征，确定第一损失值；根据第一损失值调整步态特征提取模型的模型参数。提高了步态识别的识别准确性。

摘要： 本发明公开了一种步态识别模型训练方法、步态识别方法及相关装置，该步态识别模型训练方法包括：获取样本图像集，样本图像集包括第一样本图像集和第二样本图像集，第一样本图像集与第二样本图像集中具有相似的取向角度的样本图像的数量相同；将第一样本图像集中的第一样本图像输入初始步态识别模型，得到第一特征信息；将第二样本图像集中的第二样本图像输入对比步态识别模型，得到第二特征信息；初始步态识别模型和对比步态识别模型具有相同结构；计算第一特征信息和第二特征信息之间的相似角度损失，以调整初始步态识别模型的参数，得到步态识别模型。通过上述方式，本发明能够提升模型跨角度步态识别的鲁棒性。

摘要： 本发明公开了一种视频中行人步态识别训练方法、步态识别方法及存储装置。该行人步态识别训练方法包括：检测出视频中的行人图片并提取行人轮廓图；将行人轮廓图输入神经卷积网络中，依次采用空间注意力机制和帧注意力机制对行人轮廓图进行处理，获得特征图；对特征图在帧维度上进行分块处理，并计算每一分块特征图的三元组损失；优化三元组损失直至收敛得到行人步态识别结果。通过上述方式，本发明能够对行人轮廓图的不同空间和不同时序进行不同权重的关注，针对行人的不同部位进行细粒度学习且兼顾全局特征学习，提高步态识别的准确性和鲁棒性。

摘要： 本申请公开了一种步态特征提取方法、步态特征提取模型的训练方法、步态识别方法、电子设备及计算机可读存储介质。该步态特征提取方法包括：获取目标对象的待处理视频；对待处理视频进行特征提取，得到目标对象的第一步态特征图和目标对象的关节点热力图；关节点热力图是针对目标对象的至少一个目标部位提取的；将第一步态特征图和关节点热力图融合，得到至少一个目标部位中各个目标部位的第一部位特征图；将各个目标部位的第一部位特征子图融合，得到目标对象的第二步态特征图。通过上述方式，能够提高第二步态特征对目标对象的步态信息的表达能力。

摘要： 本公开提供了一种步态视角检测方法和装置以及一种步态识别方法和装置。所述步态视角检测方法包括：获取包括待检测目标的步态图像；基于步态图像生成步态剪影；将步态剪影输入到基于卷积神经网络的视角特征提取网络以生成特征向量；以及将特征向量送入预先训练的视角分类器以将多个视角标签之中类别概率置信度最高的视角标签对应的角度确定为步态视角，其中，步态视角表示待检测目标的行走方向与步态图像的拍摄方向之间的夹角，视角分类器中包括预置的多个视角标签，与多个视角标签对应的角度为等差数列。

摘要： 本发明公开了一种基于步态关系网络的步态识别方法，通过构建步态关系网络，步态关系网络包括1个空间特征提取网络、16个时间特征提取网络和16个空间特征选择模块；空间特征提取网络包括1个全局编码网络、1个图像切割网络、4个局部编码网络、1个融合编码网络和1个空间特征切割网络，在采用步态关系网络来获取行人的步态特征图时，能充分利用各种步态条件的步态图像数据，增加识别精度，对待识别步态图像序列中的步态图像的数量，顺序无要求；优点是在步态数据缺失的情况下，识别精度仍然较高，鲁棒性强，具有优异的性能。

摘要： 本申请公开了一种步态数据的处理方法、步态识别方法及相关设备，该方法包括：获取待处理视频数据；对待处理视频数据进行步态跟踪处理，得到跟踪结果，跟踪结果包括第一图像序列，第一图像序列包括同一采集目标的待检测图像；对第一图像序列中的所有待检测图像进行特征提取处理，得到第一特征数据，第一特征数据的数据量小于第一图像序列中的所有待检测图像的数据量；将第一特征数据存储至步态参考数据库。通过上述方式，本申请能够缩小存储空间，且提升安全性。