基于稀疏表示的人體步態(tài)識別算法研究.pdf

1、伴隨著模式識別、計(jì)算機(jī)視覺和數(shù)字信號處理技術(shù)的快速發(fā)展與進(jìn)步，人體生物識別的技術(shù)不斷的受到人類的廣泛關(guān)注，從早期的指紋、掌紋和DNA識別，到現(xiàn)在的人臉識別、虹膜識別。他們都在不同的領(lǐng)域得到了應(yīng)用，比如安防、金融、身份識別等。雖然種種識別技術(shù)日漸成熟，但是上述的方式都需要識別對象的主動合作，而且需要近距離，甚至直接的物理接觸。步態(tài)識別的含義是根據(jù)人們的走路姿勢實(shí)現(xiàn)對個人身份的識別或生理、病理及心理特征的檢測。目前步態(tài)識別以其不可替代的優(yōu)勢

2、，例如非接觸性、非侵犯性、難以偽裝和隱藏等特征，成為人們關(guān)注的熱門研究方向。
　　正因?yàn)檫@些優(yōu)勢是其他生物識別手段所不可比擬的。計(jì)算機(jī)視覺、圖像處理與模式識別的研究人員均對此有著極大的興趣。但是步態(tài)識別也存在著環(huán)境、視角、遮擋、拍攝條件等多種因素對識別過程的影響，它們對其構(gòu)成了巨大的挑戰(zhàn)導(dǎo)致目前步態(tài)識別方法仍無法達(dá)到實(shí)際使用的嚴(yán)格要求。本文提出一種基于稀疏表示的步態(tài)識別算法，并采用了中科院的CASIADataset B步態(tài)數(shù)據(jù)庫和

3、美國南弗羅里達(dá)大學(xué)（Universityof SouthFlorid）的USF步態(tài)識別數(shù)據(jù)庫對所提出的算法進(jìn)行全面的性能評估。本課題主要的研究工作列舉如下：
　　首先，對步態(tài)圖像進(jìn)行預(yù)處理。對CASIA B和USF步態(tài)數(shù)據(jù)庫獲取的步態(tài)運(yùn)動視頻取得每一幀的圖像，進(jìn)行人體運(yùn)動目標(biāo)檢測與步態(tài)輪廓提取，獲得完整的二值步態(tài)圖像序列。接下來，通過對步行姿勢的研究，得到其步態(tài)圖像序列的運(yùn)動周期，為后續(xù)的特征提取做好準(zhǔn)備工作。
　　第二步，

4、步態(tài)特征提取。本文建立了步態(tài)的能量圖像（Gait Energy Image，GEI）后又得到了轉(zhuǎn)換能量圖像（ShiftedEnergy Image，SEI）。GEI的平均化過程中，隨機(jī)噪聲受到了抑制，魯棒性大大增強(qiáng)，并包含了步態(tài)的靜態(tài)與動態(tài)的特征信息。SEI對頭部、軀干、腿部的有效分割有助于減少局部運(yùn)動導(dǎo)致輪廓變化對特征提取的影響。并利用Gabor濾波提取SEI圖像，獲得圖像特定區(qū)域內(nèi)的多尺度、多方向空間頻率特征，本文利用8方向5尺度的

5、Gabor小波來提取SEI的幅值圖譜，增強(qiáng)特征的邊緣特征。接下來應(yīng)用局部二值模式（Local Binary Pattern，LBP）于Gabor濾波后的幅值譜圖像上，并進(jìn)行直方圖統(tǒng)計(jì)。Uniform LBP有助于減少諸如光照變化等造成的灰度變化，降低計(jì)算量和圖像維數(shù)。
　　最后，以此作為識別對象的步態(tài)特征，提出了基于稀疏表示的步態(tài)識別分類。運(yùn)用了LARS算法對數(shù)據(jù)集進(jìn)行稀疏表示，建立了判別式K-SVD算法對樣本集進(jìn)行字典的構(gòu)造?；?/p>