学位论文 > 优秀研究生学位论文题录展示

基于立体视觉的步态识别研究

作　者: 刘海涛
导　师: 汪增福
学　校: 中国科学技术大学
专　业: 模式识别与智能系统
关键词: 生物特征识别步态识别立体视觉三维人体轮廓描述子立体步态特征主分量分析法流形学习拉普拉斯特征映射
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 449次
引　用: 2次
阅　读: 论文下载

内容摘要

随着智能监控系统的应用范围越来越广泛,人们已不满足于其具有的简单监控功能,如何对所观测场景中的事物和人进行监测,并进而对相关人的身份进行认证和识别是近来被广泛关注的一个重要问题。各种基于生物特征的非接触式识别技术应运而生。其中,基于步态的身份识别技术是一种独特的识别技术,它能够在远距离、非侵犯的情况下,依据行人的步态运动特征对其身份进行识别,是现代智能监控系统中最引人入胜的一项生物特征识别技术。论文首先对步态识别的研究现状进行了深入透彻的分析,然后从立体视觉的角度出发,对步态识别问题进行了系统的研究,提出了若干基于立体视觉的步态识别算法,并在此基础上,给出了用于求解步态识别的系统解决方案。论文的创新点和主要工作如下：(1)在国际上首次将立体视觉方法引入到步态识别问题的求解中,建立了基于立体视觉的步态识别系统框架,并给出了相关的系统解决方案。(2)针对目前尚无立体步态数据库可资利用的现状,创建了立体步态数据库PRLABⅠ与PRLABⅡ,为后续研究奠定了基础。上述立体步态数据库可用于对步态特征的有效性和步态识别算法的可行性以及鲁棒性的评估。(3)在步态特征提取方面,提出了一种能够反映人体步态时空变化的步态特征表示方法。首先以图像帧为单位利用立体视觉技术从同步拍摄的立体图对中恢复出运动人体轮廓的三维信息,接着据此构造以三维人体轮廓的质心为参考中心的三维人体轮廓描述子(3D Body Contour Descriptor,3D-BCD),进而用所得到的三维人体轮廓描述子各组成单元的L2范数构造用于分类识别目的的一维步态特征表示(1D Gait Feature Representation,1D-GFR)。考虑到步态运动是一个准周期运动,论文探讨了步态运动周期的检测问题。此外,论文还利用立体视觉技术对被测人体的身高进行了测量,并将实测的身高参数作为步态识别算法中的辅助鉴别特征来使用。(4)在特征降维方面,论文将主分量分析法和流形学习降维法用于步态特征的降维处理以去除步态特征间存在的冗余信息。为了尽可能完整地保留步态特征的内在结构,在流形学习降维中采用了拉普拉斯特征映射。(5)在步态识别算法方面,基于欧氏距离度量,定义了样本序列均值与样本序列模板均值两个参量,并据此构造了用于步态识别目的的最近邻分类器与最近模板分类器。为了验证所提出的步态识别算法的有效性,在PRLABⅠ与PRLABⅡ以及所构建的不规则测试数据集ExN上进行了大量实验。实验结果表明,论文所提出的步态识别算法具有较高的识别率和鲁棒性。

全文目录

摘要  5-7
ABSTRACT  7-9
目录  9-12
图目录  12-15
表目录  15-16
第1章绪论  16-44
  1.1 研究背景与意义  16-23
    1.1.1 研究背景  16-18
    1.1.2 研究意义与应用领域  18-23
  1.2 步态识别研究综述  23-26
    1.2.1 步态识别研究的起源与介绍  23-25
    1.2.2 步态识别研究方法分类  25-26
  1.3 步态识别的研究现状  26-39
    1.3.1 基于单目视觉的步态识别研究方法  26-34
    1.3.2 基于多视角的步态识别研究方法  34-36
    1.3.3 步态识别研究的其他方法  36-39
  1.4 论文的研究目的  39-40
  1.5 论文的创新之处  40-41
  1.6 论文的主要工作及组织结构  41-44
第2章人体运动的目标检测  44-62
  2.1 引言  44
  2.2 运动目标提取  44-54
    2.2.1 背景建模  44-47
    2.2.2 运动人体检测  47-50
    2.2.3 后处理  50-52
    2.2.4 人体轮廓提取  52-54
  2.3 立体视觉标定  54-59
  2.4 立体匹配技术  59-60
    2.4.1 立体匹配技术介绍  59
    2.4.2 轮廓匹配  59-60
  2.5 三维立体轮廓  60-61
    2.5.1 三维重建  60-61
    2.5.2 三维立体轮廓  61
  2.6 本章小结  61-62
第3章立体步态特征提取  62-74
  3.1 引言  62
  3.2 步态特征概述  62-63
  3.3 立体步态特征提取  63-65
    3.3.1 轮廓描述子  63-64
    3.3.2 立体步态特征  64-65
  3.4 特征后处理  65-67
    3.4.1 滤波去噪  65-66
    3.4.2 维数归一化  66
    3.4.3 尺度归一化  66-67
  3.5 步态周期检测  67-69
  3.6 人体身高恢复  69-72
  3.7 本章小结  72-74
第4章步态特征降维  74-86
  4.1 引言  74
  4.2 主分量分析降维方法  74-78
    4.2.1 主分量分析法降维  74-77
    4.2.2 步态特征的主分量分析法降维  77-78
  4.3 流形学习降维  78-83
    4.3.1 流形学习及其常用算法介绍  78-81
    4.3.2 步态特征的流形学习降维  81-83
  4.4 本章小结  83-86
第5章分类与识别  86-90
  5.1 引言  86
  5.2 常用分类器简介  86
  5.3 两种近邻分类器  86-88
    5.3.1 最近邻分类器  86-87
    5.3.2 最近模板分类器  87-88
  5.4 本章小结  88-90
第6章立体步态数据库  90-116
  6.1 引言  90-92
  6.2 现有步态数据库  92-101
    6.2.1 UCSD步态数据库  92
    6.2.2 MIT步态数据库  92
    6.2.3 CMU MoBo步态数据库  92-95
    6.2.4 HID-UMD步态数据库  95-96
    6.2.5 Soton步态数据库  96-98
    6.2.6 Gait Challenge步态数据库  98-99
    6.2.7 CASIA步态数据库  99-101
  6.3 PRLAB Ⅰ立体步态数据库  101-107
    6.3.1 采集环境  101-102
    6.3.2 系统配置  102-104
    6.3.3 数据集构成  104-107
  6.4 PRLAB Ⅱ-体步态数据库  107-114
    6.4.1 采集环境  107-108
    6.4.2 系统配置  108-110
    6.4.3 数据集构成  110-114
  6.5 PRLAB Ⅰ与PRLABⅡ之间的联系  114
  6.6 本章小结  114-116
第7章实验结果分析  116-136
  7.1 引言  116
  7.2 主分量分析法实验结果与分析  116-122
    7.2.1 PRLAB Ⅰ上的实验结果与分析  116-119
    7.2.2 PRLAB Ⅱ上的实验结果与分析  119-122
  7.3 流形学习降维实验结果与分析  122-126
    7.3.1 PRLAB Ⅰ上的实验结果与分析  122-124
    7.3.2 PRLAB Ⅱ上的实验结果与分析  124-126
  7.4 不规则测试数据集ExN  126-133
    7.4.1 不规则测试数据集ExN的设计  126-128
    7.4.2 主分量分析法降维实验结果与分析  128-131
    7.4.3 流形学习降维实验结果与分析  131-133
  7.5 两种降维方法选取主特征横向比较  133-135
  7.6 本章小结  135-136
第8章总结与展望  136-140
  8.1 论文工作总结  136-137
  8.2 未来的工作  137-140
参考文献  140-158
致谢  158-160
在读期间发表的学术论文与取得的研究成果  160

基于立体视觉的步态识别研究

内容摘要

全文目录

相似论文