signature=2bc1b4487fc317577fec021c818a220c,基于支持向量机的步态识别

摘要：

步态是指人们行走的姿势,是一种远距离情况下唯一可感知的生物行为特征。与传统的指纹、虹膜、脸像等生物生理特征相比,步态具有难于隐藏和伪装、便于采集和远距离低分辨率识别等优点。但也存在明显的缺陷:当二维平面轮廓成为步态信息的完全表述时,它的唯一性还值得商榷。这也是步态识别率相对较低的关键因素。尽管如此,步态识别作为生物特征识别技术中的一个新兴领域,目前引起了视觉研究者的浓厚兴趣,成为近年来计算机视觉领域中备受关注的前沿方向,是人运动视觉分析的重要内容。对步态识别及其关键技术的研究具有重要的学术价值和实用价值。 步态识别主要是针对含有人的运动图像序列进行分析处理,通常包括目标分割、特征提取与处理和识别分类三个阶段。它在虚拟现实,视觉监控,感知接口中均有广泛的应用前景,本文主要探讨了视觉分析中步态图像序列的检测,特征提取和分类识别等相关问题,并总结了当前步态识别国内外的研究现状和常用的处理方法。 在此基础上,本文提出了把外轮廓沿人体中线投影向量(Midline Projection Vector)作为步态特征和主成份分析PCA(Principal Component Analysis)与支持向量机SVM (Support Vector Machine)相结合的步态目标特征提取与识别方法。 首先,从步态序列图像中检测步态,本文采用的是静止背景下的单人步态数据库,研究了RGB空间和灰度背景建模方法,经过性能比较我们选取了前者。 其次,利用背景差分法提取运动人体轮廓。将外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量(Midline Projection Vector,中线投影向量)作为步态特征。 然后,应用主成分分析(PCA)进行特征提取和压缩。该方法在非线性空间内利用线性PCA(Principal Component Analysis)准则提取目标特征。主元数分别选取10, 20, 40, 60作对比分析,最后采用20作为主元数。 最后,由SVM分类器完成目标识别。支持向量机是目前针对小样本统计估计和预测学习的最佳理论和识别方法。最后采用了径向基函数作为核函数。 该方法抓住了步态的静态轮廓和时域上的内在特性,实验结果表明该算法不仅获得了令人鼓舞的识别性能,而且拥有相对较低的计算代价,是一种有效的步态目标特征提取与识别方法。

展开