分数阶离散余弦变换下的步态特征挖掘与情绪识别深度剖析.docxVIP

分数阶离散余弦变换下的步态特征挖掘与情绪识别深度剖析

一、引言

1.1研究背景与意义

在生物特征识别领域，步态识别作为一种新兴的行为特征识别技术，凭借其远距离、非接触、难以伪装等独特优势，受到了广泛关注。它不仅能够实现个体身份识别，还蕴含着丰富的生理和心理信息，为情绪识别研究开辟了新的途径。情绪作为人类心理状态的外在表现，对个体的行为、决策和社交互动有着深远影响。准确识别情绪状态，在医疗、安防、人机交互等诸多领域具有重要的实际应用价值。

传统的情绪识别方法主要依赖于面部表情、语音语调等特征，但这些方法存在一定的局限性。面部表情容易受到刻意伪装的干扰，语音语调则受环境噪音影响较大。相比之下，步态作为一种无意识的行为模式，更难以被人为控制，能够提供更真实、稳定的情绪线索。

分数阶离散余弦变换（FractionalDiscreteCosineTransform，FDCT）是离散余弦变换（DCT）的推广，它在信号处理领域展现出独特的优势。FDCT能够更好地捕捉信号的局部特征和细节信息，对于非平稳信号具有更强的适应性。将FDCT应用于步态特征提取，有望挖掘出更具代表性和区分性的步态特征，从而提高情绪识别的准确率和可靠性。

本研究基于分数阶离散余弦变换步态特征的情绪识别，旨在探索一种新的情绪识别方法，为情绪识别领域提供新的技术手段和理论支持。通过深入研究步态特征与情绪之间的内在联系，能够更全面地理解人类行为与心理状态的关系，为智能安防、心理健康监测、人机交互等领域的发展提供有力支持。在智能安防领域，情绪识别技术可以帮助监控系统及时发现异常情绪行为，提前预警潜在的安全威胁；在心理健康监测方面，能够实时监测个体的情绪变化，为心理疾病的早期诊断和干预提供依据；在人机交互领域，使计算机能够更好地理解用户的情绪状态，实现更加自然、智能的交互体验。

1.2国内外研究现状

1.2.1步态特征提取研究现状

步态特征提取是步态识别的关键环节，目前国内外学者已提出多种方法。在基于视频的步态特征提取方面，国内学者Weng等人提出结合多特征的步态识别方法，通过选择人体的关键帧并应用SIFT和HOG特征提取来识别个体身份，但该方法存在识别率低和对光照等环境因素敏感的问题。吕等人提出基于矩形规范化的卷积神经网络（CNN）模型，能够识别不同的步态。Zhang等人提出基于深度卷积神经网络（DCNN）的步态识别算法，使用数据增强技术增加训练数据数量，并采用多任务学习方式同时考虑髋关节和膝关节信息，提高了识别率。

国外研究中，松本等人提出基于人体末端点信息的步态识别算法，通过对上下肢末端点的距离、相对方向以及对称回归来提高步态识别准确度。Kodus等人提出基于C3D网络的深度学习方法，通过同时考虑foot-ankle、shin-knee和thigh-hip三个部位中的空间和时间信息来识别步态。Liu等人提出基于时空三维卷积神经网络（3D-CNN）的步态识别方法，通过融合时间和空间信息，提高了识别率。

1.2.2分数阶离散余弦变换研究现状

分数阶离散余弦变换在信号处理和图像压缩等领域得到了广泛研究。离散余弦变换（DCT）的变换核为余弦函数，除具有一般正交变换性质外，其变换阵的基向量能很好地描述人类语音信号和图像信号的相关特征，在对语音信号、图像信号的变换中，DCT变换被认为是一种准最佳变换，一系列视频压缩编码的国际标准建议中，都把DCT作为其中一个基本处理模块。FDCT作为DCT的推广，在处理非平稳信号时表现出更好的性能。有研究将FDCT应用于图像边缘检测，能够更准确地提取图像的边缘信息；在语音信号处理中，FDCT也能有效提取语音的特征参数，提高语音识别的准确率。

1.2.3情绪识别研究现状

在情绪识别方面，国内外研究主要集中在基于面部表情、语音、生理信号等特征的识别方法。国内学者在基于深度学习的情感分析研究中取得了一定成果，采用卷积神经网络（CNN）、长短时记忆网络（LSTM）和双向LSTM等方法进行情感分类。中文情感分析研究主要集中在中文文本情感分类、情感词典构建和情感识别等方面，虽然中文语言具有特殊性与复杂性，但在社交网络、电子商务等领域有着广泛应用。情感识别在医学领域的应用研究也逐渐增多，通过分析患者的情感状态来辅助医生进行诊断和治疗，如辅助抑郁症或焦虑症的诊断和治疗。

国外研究中，基于深度学习的情感分析研究同样采用卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等方法。情感分析在社交媒体上的应用研究通过分析用户的评论、推文、博客等来了解他们的情感状态，并将这些信息应用于广告、营销、舆情监测等领域。在心理学领域，情感识别用于辅助