论文部分内容阅读
在政府部门、军队的涉密场所等重要场所,必须严格掌握人员进出的情况,大多数时间还需要识别远处活动人员的身份。此时,人脸、虹膜、指纹等生物特征,以及证件、密码等信息特征不再适用,而步态作为有效的生物特征能够用低分辨率设备从远距离进行身份识别具有非接触、不唐突的明显优势,因此,步态识别必将成为重要场所进行安全监控的重要技术手段。适于重要场所个人身份的步态识别技术研究内容包括步态数据获取、步态检测、步态特征提取和分类识别四大部分。其中步态特征提取是本文研究的重点。步态数据获取部分我们摒弃采用现有的数据库,在实验室模拟视频监控场景,建立了20个人的步态数据库。将获取的步态视频进行了图像预处理,主要包括步态视频的帧提取、目标检测、形态学处理和去除冗余帧等工作。由于俯角的步态图像周期分割效果欠佳,本文选用步态能量图像(GEI)表征步态特征,通过步态能量图像进行个体的识别。步态能量图像把人类的运动序列用单帧图像来表征,同时保留了时间信息,轮廓信息,频率信息以及相位信息等。在特征提取部分,本文研究了两大类特征提取方法。第一类是基于步态能量图像向量的步态特征提取方法。主成分分析(PCA)、核主成分分析(KPCA)、线性判别分析(LDA)和核线性判别分析(KLDA)是四种基于一维向量的特征降维方法,步态能量图像分别与这四种特征提取方法结合进行步态特征提取。第二类是基于步态能量图像矩阵的步态特征提取。二维主成分分析(2DPCA)和二维线性判别分析(2DLDA)是两种基于二维矩阵分析特征提取方法,步态能量图像分别与二维主成分分析(2DPCA)、行列方向结合的二维主成分分析((2D)~2PCA)、加权二维主成分分析(W2DPCA)、核二维主成分分析(K2DPCA)、二维线性判别分析(2DLDA)、双向二维线性判别分析(B2DLDA)、2DPCA+2DLDA结合、K2DPCA+2DLDA结合方法进行步态特征提取,抽取对步态识别贡献最大的特征向量。在我们自己建立的包含了20个个体的步态数据库中进行了单一视角和混合视角的实验,从方法的识别性能和匹配速度上测试评估。实验结果表明,本文提出的方法对重要场所的视频监控系统实现个人的身份识别提供了可能,特别是基于步态能量图像矩阵的步态特征提取方法,在识别率和匹配速度上都有很好的效果,初步解决了智能监控系统对身份识别的准确性和实时性的要求。