步态识别中的目标轮廓提取和特征维数约减研究

《步态识别中的目标轮廓提取和特征维数约减研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、重庆大学硕士学位论文StudyonObjectSilhouetteExtractionandFeatureDimensionalityReductioninGait†RecognitionAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheDegreeofMasterofEngineeringbyFuChun-yanSupervisor:Prof.LiPingMajor:InstrumentScienceandTech

2、nologyCollegeofOpto-electronicEngineeringofChongqingUniversity,Chongqing,China.May,2008†SopportedbyNaturalScienceFoundationProjectofChongqing(No.CSTC2006BB2155)中文摘要摘要步态识别根据人走路的姿态进行身份识别，是一种生物特征识别方法。与其它生物特征识别技术相比，步态具有非接触和难以隐藏等独特优势，而且它是在远距离情况下可感知的生物特征。随着安全敏感场合对智能监控系统

3、要求的提高，步态识别技术已经引起了广泛的研究兴趣。步态识别主要由步态轮廓分割、特征提取和分类识别三部分组成，本文的研究内容包括以下几方面：①针对步态图像序列的特点，提出了一种根据背景象素点灰度值的概率分布的步态轮廓分割算法。对每个序列而言，步态轮廓是随时间变化的。分别建立每个象素点灰度值在时间轴上变化的统计模型，采用假设检验来获取运动目标轮廓。实验表明，本文算法不仅能够提取出完整的人体轮廓，并且能有效地去除噪声，对阴影抑制也有一定效果，能够提高步态识别率。算法直接在RGB空间或灰度空间进行，无需进行颜色空间转换，也无需建立

4、单独的背景图像，计算量小，处理实时性高。②在步态特征提取方面，将时变的二维轮廓形状转化为对应的一维宽度向量，将人体宽度向量作为步态特征。直接以原始宽度向量作为特征向量进行识别数据量庞大，维数很高，处理复杂。分别采用主成分分析（PCA）方法和有监督的局部流形嵌入（SLLE）方法将特征向量维数由201维约减到14维和19维。两种特征维数约减方法互为补充，在低维空间较好地保持了高维步态特征的内在结构，并且提高了算法运行效率。③采用k-近邻分类器进行分类识别，并采用贝叶斯多分类器融合规则融合主成分分析（PCA）方法和有监督的局部流

5、形嵌入（SLLE）方法约减后的特征信息。实验证明，融合多分类器信息比采用单一分类器信息获得了更高的识别率。关键词：步态识别，轮廓分割，特征提取，多分类器融合I重庆大学硕士学位论文II英文摘要ABSTRACTGaitrecognitionisatechnologyofbiometricrecognition,whichrecognizespeoplebythewaytheywalk.Comparedwithothertechnologiesofbiometricrecognition,gaithasitsownuniquea

6、dvantages,suchasrecognizingpeoplewithoutcontact.Thegaitfeatureisnoteasytodisguiseanditcanbeperceivedfromfaraway.Withtheincreasingdemandforintelligentvisualsurveillanceandmonitoringsystemsinsecurity-sensitiveenvironment,gaitrecognitionhasattractedawiderangeofresear

7、chinterests.Gaitrecognitionismainlycomposedofgaitsilhouetteextraction,featureextractionandclassification.Thispapermainlyincludesthefollowingaspects:①Basedonthecharacteristicsofgaitsequences,agaitsilhouetteextractionalgorithmbasedontheprobabilitydistributionofthein

8、tensityvalueofbackgroundpixelisproposed.Thegaitsilhouettesofeachsequencechangeovertime.Themethodconstructsbackgroundpixeldistributionmodelsforeachpixelw