学位论文 > 优秀研究生学位论文题录展示

基于特征融合和SVM的步态识别方法研究

作　者: 梁利波
导　师: 倪健
学　校: 河北工程大学
专　业: 计算机应用技术
关键词: 步态识别特征融合 SVM 混合核函数
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 48次
引　用: 0次
阅　读: 论文下载

内容摘要

步态识别是生物特征识别技术中的一个新兴领域。它旨在根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测,成为近年来生物医学信息检测领域备受关注的前沿方向。步态识别主要是针对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。首先对步态进行预处理。通过分析和比较常用的运动检测方法,针对文中使用的步态序列具有背景简单的特点,采用背景减除法实现步态检测对步态运动的周期性进行分析,并利用人体侧影的高宽信息计算步态周期。其次,针对基于单一特征的步态识别方法一般不能得到令人满意的识别效果,利用特征融合的思想,提出了在匹配层上融合下肢角度及轮廓描绘子特征的步态识别方法。融合过程中,赋予权重使两种步态特征按较优的比例进行组合,以充分发挥其互补性。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,然后采用混合核函数。该方法抓住了步态的运动特性和步态形状特性,数据库上的仿真结果表明,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,是一种有效的步态特征提取与识别方法。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-18
  1.1 引言  10-11
  1.2 步态识别研究内容  11-13
  1.3 研究现状分析  13-14
  1.4 步态识别技术的研究难点和发展趋势  14-15
  1.5 步态识别的研究意义  15-16
  1.6 论文的内容安排  16-17
  1.7 本章小结  17-18
第2章步态识别研究概述  18-28
  2.1 人体运动分析方法  18-21
    2.1.1 运动目标检测  18-19
    2.1.2 人体目标跟踪  19-21
  2.2 步态识别的方法  21-25
    2.2.1 基于模型的步态识别方法  21-23
    2.2.2 非模型化的步态识别方法  23-25
  2.3 常用分类器  25-26
    2.3.1 基于距离的分类器  25-26
    2.3.2 神经网络分类器  26
    2.3.3 支持向量机  26
  2.4 本章小结  26-28
第3章步态图像预处理  28-39
  3.1 自适应背景模型  28-31
    3.1.1 基本思想  28-29
    3.1.2 算法实现  29-31
  3.2 差值及二值化  31-32
  3.3 形态学处理  32-34
  3.4 轮廓提取  34-36
  3.5 图像归一化  36-37
  3.6 步态周期分析  37-38
  3.7 本章小结  38-39
第4章融合轮廓描绘子及人体角度特征的步态识别  39-51
  4.1 轮廓描绘子特征提取  39-40
    4.1.1 轮廓描绘子  39
    4.1.2 轮廓描绘子定义  39-40
    4.1.3 参数的取值问题  40
  4.2 下肢角度特征提取  40-45
    4.2.1 人体骨架的构建  41
    4.2.2 关节点的定位  41-43
    4.2.3 下肢角度计算  43-45
  4.3 信息融合技术  45-48
    4.3.1 信息融合概述  45
    4.3.2 信息融合在生物特征识别中的应用  45-46
    4.3.3 步态特征融合  46-48
  4.4 实验  48-50
    4.4.1 实验数据来源  48
    4.4.2 实验结果的评价指标  48-49
    4.4.3 实验过程  49-50
    4.4.4 实验分析  50
  4.5 本章小结  50-51
第5章基于支持向量机的步态识别方法  51-67
  5.1 机器学习的基本方法  51-53
    5.1.1 机器学习问题的表示  51-52
    5.1.2 经验风险最小化原则  52-53
    5.1.3 模型复杂度与推广能力  53
  5.2 统计学习理论  53-57
    5.2.1 VC 维理论  53-55
    5.2.2 推广性的的界  55
    5.2.3 结构风险最小化  55-57
  5.3 支持向量机  57-62
    5.3.1 线性支持向量机  57-60
    5.3.2 非线性支持向量机  60-62
  5.4 支持向量机中的核函数  62-64
    5.4.1 核函数的本质  62-63
    5.4.2 核函数的分类  63
    5.4.3 混合核函数  63-64
  5.5 基于支持向量机的步态识别方法  64-65
    5.5.1 支持向量机的训练与测试  64-65
    5.5.2 SVM 的具体实现  65
    5.5.3 分类器参数的确定  65
  5.6 实验  65-66
  5.7 本章小结  66-67
结论  67-69
致谢  69-70
参考文献  70-74
作者简介  74
攻读硕士期间发表的论文和参加科研情况  74-75

基于特征融合和SVM的步态识别方法研究

内容摘要

全文目录

相似论文