步态识别论文..doc

课程论文 步态识别 学号班级：通信122 姓名：楚舒琦 目录 摘要 3 一 4 二 4 三 5 3.1基于线图模型的动态特征提取 6 3.2基于整体的静态特征提取 8 3.3识别 8 四 9 五 11 六 12 七 12 八 13 8.1技术难点 14 8.2解决途径 15 九 15 摘要 步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的风格上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。 人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。 图1特征级融合算法一般流程 决策级融合是一种高层次融合。先将多源传感信息对目标属性进行独立决策。再对各自得到的决策结果进行融合以获得整体一致的决策。其优点是具有很强的容错性和很好的开放性。并且处理时间较短)难点在于分类特征组合与表达的机理难以量化和统一图2给出了决策级融合算法的一般流程。决策级融合必须从具体决策的实际需求出发。充分利用特征级融合所提取的测量对象的各类特征信息。采用适当的融合技术来实现。常用的方法包括k/n准则、Bayes准则和Dempster-Shafer理论等。 图2决策级融合算法一般流程 主题（算法） 信息融合在其他生物特征识别领域已经取得了很好的效果。也为步态识别性能的进一步提高提供了可能的方法。在步态识别领域中。常采用特征级融合和决策级融合两类方法。融合的特征包括不同类的步态特征(多特征融合)、步态特征和其他生物特征(多模态特征融合)以及不同角度摄像机拍摄的步态特征(多视角融合)等。在决策级融合中。通常假设各个特征之间具备统计独立性。则各个分类器得到的匹配分值可用Bayes理论D-S证据理论、表决法、聚类分析、模板法、模糊集合论、神经网络、熵法等进行合并。通常使用的合并规则有加法规则、乘法规则、最大规则、最小规则、中值规则和多数投票规则等。 为了进一步研究融合理论在步态识别中的应用。我们提出一种基于线图模型和静态特征的步态识别算法、静态特征主要用于反映人体目标的全貌。例如形体高度胖瘦等。线图模型主要用于反映人体目标的运动特点。如行走过程中主要关节点位置的变化(肢体间角度的变化等、本文分别研究了使用特征级和决策级融合’加法规则和乘法规则理论进行步态识别的方法、算法流程如图3图4所示。 在视频序列分析中。首先要将运动目标从背景图像中分割出来、通过背景减除二值化及阴影消除后。可以得到步态序列中每帧图像的单连通人体运动区域、为了去除图像中存在的大量冗余信息并减小计算量。进一步使用图像模板化技术将目标缩放到固定大小的图像模板中（见图6（a））步态的静态和动态特征都是从二值化侧影的目标模板中提取的。 图3特征级融合策略流程图 图4决策级融合策略流程图 3.1基于线图模型的动态特征提取 首先抽取出二值侧影图像的骨架信息。然后根据该骨架信息和解剖学知识共同得到各个关节点的位置及相互间形成的角度。最后使用这些位置和角度信息形成步态的动态特征、算法的具体步骤如下: 步骤1利用图像处理技术中的中轴变换方法提取二值侧影图像的骨架图、它是一种可逆变换。既能压缩图像信息。又能由中轴及其数值恢复原图像、提取方法如下: D表示原图区域中像素点的集合(D)表示其内边界(D)表示其外边界,S(D)表示区域D及其8连通区域内的所有像素点、令. 一步细化之后得到的结果区域如下: （1） 如果，终止迭代，跳转