基于步态特征的身份识别研究.docVIP

基于步态特征的身份识别研究 　　摘 要 随着信息化发展进程日益加快，信息技术的应用领域和范围也在不断拓展。出于安全因素的考虑，身份识别在社会的多个领域起到了非常重要的作用。伴随着科技的发展和进步，生物识别技术得以开发和应用，通过判断人的动作行为，进而区分其个体身份。作为一种新型的生物识别技术，步态识别技术将身份识别技术水平提升到一个新的高度，成为当前身份识别领域重点研究的方向。文章基于步态特征的身份识别进行研究。 　　【关键词】步态特征 身份识别 特征融合 　　步态特征身份识别是通过对个体动作行为的变化特征进行分析判断，进而了解和掌握该个体身份。步态特征识别技术能够远距离、非接触进行操作，检测和识别的准确性高，在公众场所的安保方面有着广泛的应用。基于步态特征的身份识别，在实践应用当中不断的改进和完善，逐渐成为更加成熟的身份识别技术。 　　1 基于步态特征的身份识别要点 　　1.1 运动目标检测 　　在步态特征身份识别检测当中，运动目标检测是十分关键的环节，是了解和掌握运动目标步态特征的基础。基于图像序列，经过背景建模、减除，将获得的前景图像进行形态学处理；然后进行连通性分析，并进行图像剪裁；最后经过边缘提取，提取出运动目标，进行特征提取。 　　1.1.1 图像提取 　　基于步态特征的身份识别当中，应用帧差法或背景差法对视频序列进行图像提取，确定变化的人体区域，简单直接的提取运动目标。根据人体轮廓序列，分别确定前景目标和背景区域。 　　1.1.2 形态学处理 　　为了避免出现背景噪声和前景空洞，需要对所提取的运动目标进行形态学处理，以符合人体的轮廓要求。经过形态学处理的图像更加平滑，以邻域运算的方式，在二维矩阵当中，基于结构元素，扫描二值图像的各点像素。寻找结构元素与二值图像的重合区域，进而进行逻辑运算，利用膨胀、腐蚀或者组合运算，有效消除背景噪声的干扰，弥补运动目标提取当中存在的不足，进而获得更加清晰的步态特征图像。 　　1.1.3 连通性分析 　　将相互连通的区域进行套标记，计算像素点，根据像素点的多少来确定人体区域和背景区域，人体步态特征能够充分呈现出来，并有效消除噪声区域的干扰。 　　1.1.4 图像裁剪 　　图像裁剪的主要作用是有效去除背景信息冗余，在保证图像完整性的情况下进行裁剪，保证尽量小的尺寸。 　　1.1.5 边缘提取 　　前景目标的边缘是识别人体步态特征的关键区域，在图像区域的边界，利用边界跟踪算法对经过裁剪的图像进行轮廓线的提取，进而获得更加清晰、准确的步态特征。 　　1.2 步态特征提取 　　步态特征提取是在运动目标检测的基础上，对图像序列进行周期性监测，提取关键帧，进而了解人体轮廓特征、肢体角度特征以及反射对称特征，联合特征矢量，在分类器当中进行步态特征的识别。 　　1.2.1 步态周期监测 　　人体行走运动过程中，步态呈现出周期性。一般来说，两步即为一个步态周期。但是由于步态的复杂性，周期并不完全准确，只是大概的数值。经过步态周期检测，利用简单、便捷的方法，能够有效估算步态周期，并根据人体的运动特征，进行综合分析，获得更加精准的步态周期。 　　1.2.2 关键帧提取 　　由于步态周期的差异性，所以在进行运动目标图像帧的提取时，无法做到均匀，会存在一定的冗余。因此，需要从中提出关键帧，以更好的反映出准确的步态特征。 　　1.2.3 步态特征提取 　　步态特征提取包括人体轮廓特征、肢体角度特征以及反射对称特征等几个方面。利用傅里叶描述子来提取人体轮廓特征，而肢体角度特征是综合了人体各部位、关节的特征进行综合描述，能够充分反映步态特征。反射对称特征则是根据人体的行走运动习惯，将反射对称特征作为步态识别判断的参考。根据步态特征的融合，进行综合分析，进而实现基于步态特征的身份识别。 　　2 基于步态特征的身份识别实验分析 　　在步态特征身份识别实验当中，基于CASIA步态数据库，以此作为仿真数据，进而验证步态身份识算法性能。本文从CASIA 子库DatasetA步态数据库当中选取5组步态图像，这5组图像代表着不同的人的步态。在5组图像当中，分别选取90°的行走方向，相同方向选2个图像序列，1组作训练样本，1组作测试样本。按照正确分类率和累计匹配值进行判断，准确进行步态特征识别验证，对其性能予以正确评价。根据步态特征算法流程，进行步态特征的身份识别实验。 　　基于DatasetA步态数据库，对三个图像当中的步态特征，即人体轮廓特征、肢体角度特征以及反射对称特征分别经过分类器处理，进而获得联合矢量，进一步分类识别。应用三种不同的算法实验，以验证本文算法的识别性能。 　　（1）分类识别，改进肢体角度特征，再与人体轮廓特征相互融合； 　　（2）在不引入权值的情况下