随着各类生物特征识别技术的发展,远距离非接触式的步态识.PDFVIP

结论 结 论 当今，随着各类生物特征识别技术的发展，远距离非接触式的步态识别越来 越受到人们的关注。近些年来，涌现出了大量对步态识别算法的研究，它们的工 作主要集中于对步态特征的分析和提取。本文在对大量文献调查研究的基础上， 着重于提取可靠的步态特征和设计良好的分类器。 文中对步态周期做了深入分析，通过抽取步态周期中具有标志性姿态的关键 参考帧，用于确定步态的起始和终止。本文所采用的方法是，测量人行走过程中 身体宽度的动态变化，变化曲线的波峰和波谷分别对应双腿分开到最大和最小的 状态。通过这一方法，可以有效地确定图像序列中的步态循环，并进一步做到对 步态序列的规范化。在规范化时，统一了人行走的起始位置和初始相位，经过规 范化处理之后，分类率有了明显提高。 在特征提取部分，采用多种不同的方法提取多种不同的步态特征，其中效果 较好的是一种基于模型的特征提取方法。本文使用关键点和肢体角度构建人体的 骨骼化模型，并对模型的各项参数提取做了改进。首先，根据人体的各部分肢体 占整体身高的比例关系，自动标定躯体的八个关键点，然后，连结这些关键点得 到人体的骨骼化模型，从模型中提取身高、步幅、关键点位置、运动轨迹、肢体 角度以及行走速度等静态与动态信息，来描述人的行走变化。最后，用基于PCA 的方法提取有用信息，降低数据维数。使用规范化后的数据，得到的最高分类率 为83.3%。在非基于模型的方法中，一种是从光流中提取运动信息，一种采用了 人体行走过程中宽度向量的变化特征。非基于模型的方法，从全局运动出发，信 息冗余量大，分类效果比基于模型的方法相对偏低。但这些特征的提取较为简单， 而且包含了较为丰富的分类信息。 将隐马尔可夫模型应用到步态识别中是本文的重要内容之一。文中用HMM 模型对整个的步态序列进行建模，对输出观察符号序列的矢量量化部分提出了改 进，采用自组织竞争人工神经网络 ((SOCN)进行无监督的聚类，并对SOCN的 学习规则进行了优化，将充分训练后的网络代替码本的功能，用作聚类和矢量量 化。HMM与SOCN的结合，既提高了算法的效率，又提高了正确分类率。在 HMM中，由于用Baum-Welch算法求最大后验概率的方法进行识别，会出现前 北京工业人学工学硕士学位论文 后向概率过小以致下溢的现象。为了避免这一问题的发生，对HMM在识别方面 的处理作了改进，采用径向基函数 (RBF)网络分类器用于识别。HMM与RBF 的结合，将HMM 良好的时间建模能力和RBF良好的分类效果结合了起来，得 到了较好的识别效果。 在分类器设计部分，重点研究了RBF网络分类器的应用，对于RBF网络三 个重要参数的选择以及网络的学习过程，采用了改进的方法。本文采用了改进的 减聚类算法确定RBF径向基函数的中心参数，并利用自动终止聚类判据确定径 向基函数的数目;用梯度下降法对输出权值wr.，进行调节·该算法既能合理地对 学习样本进行聚类，又可提高网络的映射能力。RBF网络克服了BP网络中收敛 速度慢，陷入局部极小等问题，通过与最近邻分类器的比较，可以证明RBF网 络分类器具有功能强大，收敛速度快的特点。只要选取的特征合适，它的识别率 能够达到95%以上。 在HMM与RBF网络分类器的结合中，在使用RBF网络进行分类之前，由 于步态信号的时间不一致性，需要对步态信号进行动态时间规整，本文采用鲁棒 性的训练方法进行模板的训练。由Viterbi算法得到步态信号的最佳状态序列， 然后对最佳状态序列进行动态时间规整，生成维数统一的信号向量，输入到RBF 网络中进行分类。本文还将PCA与RBF结合进行了实验，用RBF网络进行分 类器的设计，有效弥补了PCA方法的不足，提高了分类效果。 本文提出的步态识别算法，提取较少的信息量，较为贴切地描述了人的步态 变化，算法简单，易于实现。在HMM的方法中，对于模型的训练需要同一人的 几十个步态序列，由于条件所限本文对模型的训练不够充分，未来的工作，应注 重于建立更大规模的、更为标准的数据库，以验证算法的有效性。另外，寻求更 为可靠的步态特征和更为详尽的步态识别算法也是一个值得努力的方向，步态作 为一种行为特征，形成于后天的行为习惯，采用何种特征、何种方法才能更为可 靠地描述人的步态，是一个有待于深入研究的问题。还有，如果将步态识别推向 实用，应将