论文部分内容阅读
步态识别是生物特征识别技术中的一个新兴领域,它旨在根据人们走路的方式进行身份识别。步态识别尤其适合于远距离情况下的身份识别,目前引起了视觉研究者的浓厚兴趣,成为近年来计算机视觉领域中备受关注的前沿方向。本文研究了基于计算机视觉的步态特征提取与身份识别技术,主要探讨了复杂背景下的人体检测、步态特征提取以及身份识别等相关问题。本文的主要创新点如下:(1)提出一种新的基于背景差的运动目标分割方法。首先,为了解决背景中光照亮度渐变和背景物体移动等问题,提出了基于动态信息窗口(DIW)的自适应背景更新算法。其次,本文提出一种新的计算颜色模型,使用该模型能够有效地计算色度差,从而解决运动物体的阴影消除问题。利用该方案实现了实时人体检测系统,并且在室内和室外进行了实验。实验结果表明所提出的方法不仅能自适应地更新背景模型,而且较其它方法能更有效地消除阴影。(2)提出基于隐马尔可夫模型(HMMs)和傅立叶描述子(FD)的步态特征提取与身份识别方法。提出基于傅立叶描述子的运动人体轮廓描述方法,用K—均值聚类方法对步态周期图象序列进行聚类分析,得出可以用关键姿态描述步态周期的结论。针对步态周期内状态变化的特点,分析了应用隐马尔可夫模型的可行性,提出应用关键姿态作为隐马尔可夫模型的隐状态,每一帧与关键姿态的距离作为观察值的步态建模方案。在步态数据库上的对比实验结果表明,由于采用隐马尔可夫模型较好地刻画了步态状态变化,所提出的步态识别方法取得了比较高的识别性能。(3)提出基于支持向量机(SVM)和线性判别分析(LDA)的步态特征提取与身份识别方法。采用投影的方法提取人体形状特征,将垂直和水平投影向量结合为一维特征向量。提出了基于线性判别分析的步态特征压缩和提取方法。支持向量机是目前针对小样本统计估计和预测学习的最佳理论和识别方法,对得到的识别量应用支持向量机进行步态的分类和识别。通过对比实验表明,由于采用线性判别分析特征提取和支持向量机识别,所提出的步态识别方法较其它全局分布方法具有更高的识别性能。