步态识别使用基和AFDEI

文摘

步态能量图像(GEI)保留一个步态序列的动态和静态信息。常见的静态信息包括人体的外观和形状和动态信息包括频率和相位的变化。然而,没有考虑的时间,使基中的每个轮廓规范化。至于这个问题,本文提出了能量累积帧差图像(AFDEI),它可以反映时间特征。矩不变量的融合提取基和AFDEI被选为步态特征。然后,步态识别是实现使用基于欧氏距离的最近邻分类器。最后,验证性能,比较了该算法基+ 2 d-pca SFDEI +嗯CASIA-B步态数据库上。实验结果表明,该算法执行比基+ 2 d-pca SFDEI +嗯,满足实时要求。

1。介绍

步态识别的生物识别技术,通常用于识别个人使用图像序列,它捕捉一个人的行走。步态识别有其优势与传统的生物识别技术相比,如互不侵犯,非接触,容易收集,和难以隐藏和伪装,使步态识别具有广泛的应用,智能监控和医疗诊断。越来越多的研究人员关注吸收步态识别。

目前,一般的步态识别的技术可以分为两类:基于模型(1- - - - - -3]和silhouette-based [4- - - - - -8)方法。基于模型的方法通常建立之前的静态或动态模型,然后计算出的模型参数可以匹配的运动序列,用于识别个人。曾庆红et al。(1)提出了一种新的基于模型的人体步态识别方法在矢状面通过确定性学习(DL)理论。侧面轮廓下肢关节角选择的步态特征,从相图中提取的关节角和角速度。获得的近似步态系统动力学的知识存储在恒定的RBF网络。最后,银行估计构造使用常数RBF网络完成步态识别。Kovač和同行(2)提出了一个框架基于模型的步态识别系统关注建模步态动力学的影响和消除识别主题的外观。然后,他们解决问题的步行速度变化,提出空间转换和功能融合,降低对识别性能的影响。Zhang et al。3)提出了一种基于模型的步态识别方法采用对象两足动物运动人体模型。首先,他们从图像序列中提取步态特征使用Metropolis-Hasting方法,然后训练隐马尔可夫模型是基于这些特性的频率轨迹,识别执行。Silhouette-based方法主要是提取的静态或动态特征步态轮廓识别个人通过移动信息的图像序列没有建立之前的模型。李等人。4)计算每个像素在一个步态周期的二项分布和组织步态图像中的所有像素的二项分布;因此,步态图像(GPI)可以形成概率。然后,对称Kullback-Leibler散度是用来测量理论距离步态特征的信息。这个方法是健壮的轻微的步行速度的变化。宋和赵5)提出了一种基于多重线性张量分析的步态识别方法。首先,他们形成了累积从步态轮廓图像序列,然后将这些描述为张量。其次,治理的方法计算核心的张量之间的交互因素组织最初的张量使用多重线性张量分析。最后,基于欧氏距离的相似度的计算是选择认识到个人。李等人。6帧间差的)把线质量向量能源形象特征的步态识别。连续隐马尔可夫模型(CHMM)被用来识别个人。李、吴(7)统一胡锦涛时刻从步态序列中提取步态特征,然后使用支持向量机进行训练和识别。刘(8提出了一个新颖的特征融合方法。首先,静态特征得到普罗克汝斯忒斯的意思是形状,然后,进行扇形波束的变换基,和步态序列的动态特性是通过使用二维主成分分析,以降低特征空间的维数。最后,这两个特征融合来实现最终的识别结果。方面,没有考虑的时间,实现基中的每个轮廓规范化,本文提出了一个新类能量图像表示的能量累积帧差图像(AFDEI),然后从基提取的矩不变量的融合和AFDEI被选为步态特征。然后,我们认识到个人使用基于欧氏距离的最近邻分类器。

2。步态特征提取和识别

本文结合步态能量图像(基)和能量累积帧差图像(AFDEI)。此外,不变矩提取基和AFDEI然后特征融合步态特征。最后,最近邻分类器被用来评估步态识别。

2.1。步态能量图像(基)

步态能量图像是用来反映步态序列的周期在一个简单的能量图像采用加权平均法。步态序列在一个步态周期处理二进制轮廓一致。如果步态周期的图像序列、步态能量图可由以下公式计算: 在哪里步态周期图像序列,帧的数量在一个步态周期序列,然后呢是步态帧的数量。图1(一)显示了步态周期和人物的形象1 (b)显示相应的基。

(一)步态图像的周期

(b)步态能量图像(基)

颜色或亮度的像素大小的图可以显示身体的部分当人行走。的白色像素点代表了部分稍微移动,如头部和躯干。灰色像素点代表显著移动的部分,比如腿和手臂。所以,步态能量图像保留了人类行走的静态和动态特征,它大大减少了图像处理的计算量。

2.2。能量累积帧差图像(AFDEI)

通过步态能量形象的描述,没有考虑基内的时间。为了改善步态识别的准确性,本文提出了能量累积帧差图像(AFDEI)。

首先,必须计算帧差分能量的图像。帧差图像能量计算结合向前与向后差分图像帧差图像。公式(2)展示了如何计算帧差图像,公式(3向后)展示了如何计算帧差图像,和公式(4)展示了如何计算帧差图像。考虑在哪里是转发帧差图像。考虑在哪里是落后的帧差图像。考虑在哪里是帧差图像。

通过加权平均的方法,得到了能量累积帧差图像,可以反映时间的特点。公式(5)展示了如何计算累积帧差图像:

因为能量累积帧差图像的目的是反映人类步行的时间特性,为了减少计算量,本文选择一个步态周期的前六帧的帧获取帧差分能量图像的信息。由于步态模式的反映了时间信息,二进制轮廓没有必要为了对齐储备步态轮廓的动态变化。图2(一个)显示的信息帧,图2 (b)显示帧差分能量图像,图2 (c)显示了能量累积帧差图像。

(一)

(b)

(c)

如图2 (c)选择,因为6帧步态序列的信息帧,每个AFDEI包含同一时间。人体的范围和图像中像素的亮度可以反映时间等特征速度、步循环,步幅和手臂运动。

2.3。特征提取和融合

2.3.1。不变的时刻

m . k .胡锦涛提出的1962年不变的定义时刻,根据中央的时刻;他提出基于不变矩的7具有旋转不变性,翻译,和规模。二维灰度图像,它的起源时间中心时刻下列公式所示: 在哪里是起源的时刻,是中央的时刻,图像的质心坐标,,。

归一化中心矩下列公式所示: 在哪里。

不变矩的7基于归一化二阶中心矩和三阶中心矩如下:

表1和2列表10步态能量图像不变矩和累积帧差图像能量。


	1	2	3	4	5	6	7

人1	5.6978	12.1752	19.2912	21.4845	42.0029	27.5867	42.9403
人2	5.6737	12.0661	19.0844	21.2725	41.5830	27.3200	42.5932
人3	5.6831	12.1756	19.1241	21.3183	41.6719	27.4184	42.6749
人4	5.7001	12.1525	19.1837	21.3632	41.7604	27.4494	42.9425
人5	5.4612	11.6566	18.4638	20.6589	40.3637	26.5031	41.2689
人6	5.5771	11.8401	18.8310	21.0200	41.0658	26.9412	43.1517
人7	5.5253	11.7031	18.7145	20.9205	40.8594	26.7729	42.7540
8人	5.7285	12.2278	19.1922	21.3840	41.7933	27.5037	43.1992
人9	5.7400	12.2895	19.3175	21.5112	42.0498	27.6624	43.2840
人十	5.4819	11.6552	18.4758	20.6750	40.3744	26.5043	42.1441


	1	2	3	4	5	6	7

人1	5.2087	11.3558	17.7099	19.8934	38.9438	25.6156	39.1890
人2	5.1354	11.1477	17.6732	19.8781	38.8320	25.4711	39.4322
人3	5.0948	11.1671	17.4012	19.5974	38.3150	25.2106	38.6742
人4	5.4593	11.8511	18.8485	21.0651	41.2348	27.0347	41.5007
人5	5.1118	11.1024	17.5218	19.7356	38.5254	25.2955	39.3415
人6	5.2337	11.2428	18.0426	20.2363	39.6024	25.9055	39.9232
人7	5.0243	10.8038	17.6149	19.8094	38.7565	25.2518	39.0545
8人	5.2980	11.5294	18.1738	20.3654	39.8461	26.1669	40.2077
人9	5.1388	11.3557	17.3186	19.5129	38.1326	25.2105	38.6015
人十	4.9771	10.7559	17.2560	19.4504	37.9787	24.8398	38.7457

2.3.2。特征融合

通过步态模式的分析、步态序列的静态和动态特征可表现为基,和时间特征可以由AFDEI特征。这样我们就能获得更好的识别结果结合两种能源的形象。然而,尽管一些动态特性也可以表达AFDEI,静态特性是完全忽视,这将不可避免地影响识别的准确性。为了充分反映multifeature融合的优点,根据试验和错误的概念,本文取得的最佳体重AFDEI基特征融合的过程中,大量的实验。与此同时,一些无用的信息可以避免的干扰时,获得有用的信息。

3所示。实验和分析

本文提供的CASIA_B数据库使用中国科学院自动化。数据库包含124人:每个人都有11个角度来看和三种步态在同一视角。三种步态包括6个正常人,穿2人,包装和2人。在本文中,我们选择观点分为三组实验:设置一个是正常的顺序走,B组穿着行走序列,并设置C包装走序列。步态识别的原理图所示3。

本文实验于2012年完成了matlab在电脑上2.5 GHz和4 GB的内存。与此同时,该方法与基+ 2 d-pca [9和SFDEI +嗯10]。表3显示了实验的结果。实验结果表明,该算法比其他算法性能更好,满足实时要求。实验结果表明,识别结果大大提高了该步态识别算法相比,算法只考虑静态或动态特性。特别是在穿着和包装的情况下,时间因素的优势时可以更好地反映人体的形状的影响。由于步行速度的微小变化,会影响识别效果。在未来的研究中,最重要的工作是解决问题速度变异可影响识别性能。


方法	正常的	穿	包装

基+ 2 d-pca [9]	80.6%	86.7%	85.9%
SFDEI +嗯(10]	87.4%	90.7%	89.1%
这篇论文	88.7%	91.9%	89.9%

4所示。结论

步态能量图像(GEI)保留一个步态序列的动态和静态信息;然而,并没有考虑的时间。关于这个问题,本文提出了能量累积帧差图像(AFDEI)来反映时间特征。此外,不变矩提取基和AFDEI然后特征进行融合,获得更好的识别结果比单一功能。最后,最近邻分类器被用来评估步态识别。证明该算法,CASIA_B中国科学院自动化所提供的数据库被选为实验。实验结果表明,该算法具有很高的识别率,具有一定的参考价值,对步态识别的研究。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢匿名评论者作出了建设性的评论。这项工作是由中国国家自然科学基金(没有。61203302也没有。61403277),天津研究项目的应用基础和先进的技术(14 jcybjc18900)。

引用

w .曾庆红,c . Wang和y,“通过确定性学习、基于模型的人体步态识别”认知计算》第六卷,没有。2、218 - 229年,2014页。视图:出版商的网站|谷歌学术搜索
j . Kovač和p .对等”,基于人类骨骼模型的动态特性步行速度不变的步态识别,”数学问题在工程484320卷,2014篇文章ID, 15页,2014年。视图:出版商的网站|谷歌学术搜索
r·张c Vogler d·迈塔克瑟白兰地,“人类在矢状平面步态识别,”图像和视觉计算,25卷,不。3、321 - 330年,2007页。视图:出版商的网站|谷歌学术搜索
c·p·李,a . w . c . Tan和s . c . Tan“步态概率形象:一个信息理论模型的步态表示,“杂志的视觉传达和图像表示,25卷,不。6,1489 - 1492年,2014页。视图:出版商的网站|谷歌学术搜索
宋和j·曹”,一个在线步态识别框架基于多重线性张量分析,“《超级计算,卷65,不。1,第121 - 106页,2013。视图:出版商的网站|谷歌学术搜索
和l . y . r . Li Cheng Yu”步态识别算法基于线质量向量FDEI,”计算机应用,34卷,不。5,1364 - 1368年,2014页。视图:谷歌学术搜索
m·李、吴问:“步态识别基于统一的胡锦涛和运动型多功能车(SUV)。”微计算机信息13卷,第198 - 196页,2010年。视图:谷歌学术搜索
f·刘,研究多视图基于特征融合的步态识别方法东北电力大学,2014。
w . l . k . Wang Liu翟,w . Cheng”步态识别基于基,2 d-pca。”中国图象图形学报,14卷,不。12日,第2509 - 2503页,2009年。视图:谷歌学术搜索
问:杨和d .雪”,步态识别基于稀疏表示和分段帧差分能量图像,”信息和控制,42卷,不。1,新,2013页。视图:出版商的网站|谷歌学术搜索

国际期刊的光学

文摘