基于信息融合的紅外步態(tài)識別新技術(shù)研究.pdf

1、紅外步態(tài)識別,作為一種新的生物特征識別技術(shù),具有重要的應(yīng)用價值和理論意義。但是當(dāng)前的研究正處于“嬰兒期”,急需尋找更為有效的步態(tài)特征和分類器,以提高整體識別率。人體運動目標(biāo)分割、步態(tài)特征提取和步態(tài)識別方法是影響整體識別率的3個關(guān)鍵性環(huán)節(jié),因此本文從這3個方面入手進(jìn)行研究。
　　 信息融合是將來自多傳感器或多源的信息進(jìn)行協(xié)調(diào)優(yōu)化和綜合處理,產(chǎn)生新的有價值的信息,以得出更為準(zhǔn)確、可信的結(jié)論。信息融合在其他生物特征識別領(lǐng)域已經(jīng)取得一些

2、較好的效果。因此,在分析信息融合技術(shù)基本理論與技術(shù)的基礎(chǔ)上,本文以“信息融合技術(shù)”作為研究的技術(shù)手段,對紅外步態(tài)識別在數(shù)據(jù)級、特征級和決策級等三個層面上進(jìn)行融合研究,提出有效的紅外步態(tài)識別新技術(shù),以解決紅外步態(tài)識別整體識別率不高的問題。
　　 在人體運動目標(biāo)分割方面,本文分析了紅外熱成像的機理,對紅外圖像與可見光圖像進(jìn)行了對比,在考慮紅外步態(tài)圖像特點的基礎(chǔ)上,提出了一種基于曲波變換像素級圖像融合的紅外步態(tài)分割新算法。首先構(gòu)建紅外

3、步態(tài)序列的混合高斯模型背景,與當(dāng)前幀圖像進(jìn)行圖像差運算獲得差圖一；然后利用SUSAN算子分別對背景圖像和當(dāng)前幀圖像進(jìn)行邊緣檢測,并對獲得的當(dāng)前幀邊緣圖和背景邊緣圖求差,得到差圖二;接著利用曲波變換強大的邊緣方向處理能力,對獲得的差圖一和差圖二,開展基于曲波變換的圖像融合,將二者融合為一幅分割粗圖；最后利用脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的同步脈沖發(fā)放特性對獲得的分割粗圖進(jìn)行精細(xì)分割和二值化處理,并且由于引入了多模態(tài)免疫進(jìn)化算法快速確定PCN

4、N最優(yōu)分割參數(shù),達(dá)到了自適應(yīng)分割的效果。通過對比和分析實驗數(shù)據(jù),基于曲波變換的像素級圖像融合,由于有效融合了邊緣細(xì)節(jié)信息,對分割效果的優(yōu)化起到了極大的促進(jìn)作用。
　　 在步態(tài)特征提取方面,本文在分析常見紅外步態(tài)特征的基礎(chǔ)上,充分利用了Brushlet變換的方向性,構(gòu)建了一種基于能量特征和相位分布特征相結(jié)合的Brushlet變換復(fù)特征作為紅外步態(tài)新特征,經(jīng)實驗證實了該新特征的有效性。紅外步態(tài)特征融合,是指在提取各信息源步態(tài)特征的基

5、礎(chǔ)上,通過綜合處理各特征信息以構(gòu)建融合特征,進(jìn)一步提高后續(xù)識別的正確識別率。為此,在分析支持向量機和粗糙集技術(shù)的基礎(chǔ)上,充分利用支持向量機和粗糙集兩者的優(yōu)勢,將二者結(jié)合起來,構(gòu)建了一種新的基于粗糙集和支持向量機的紅外步態(tài)特征融合模型,其參數(shù)的確定是一個凸二次優(yōu)化問題,所求解是全局最優(yōu)解。該模型在輸入空間進(jìn)行特征向量的關(guān)聯(lián),充分發(fā)揮粗糙集的知識約簡功能,有效解決了維數(shù)災(zāi)難問題,達(dá)到了最佳的特征融合效果。最后,通過實驗驗證了該模型能有效融合

6、各種紅外步態(tài)特征。
　　 在紅外步態(tài)識別方法方面,本文首先進(jìn)行兩種單分類器識別新模型的構(gòu)建研究。利用人工魚群算法優(yōu)化輪廓波包,在與徑向基函數(shù)網(wǎng)絡(luò)相結(jié)合的基礎(chǔ)上,構(gòu)建了一種新型的輪廓波包網(wǎng)絡(luò)識別模型；利用仿生模式識別理論,在量子神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,構(gòu)建了一個新型的仿生模式網(wǎng)絡(luò)識別模型。然后,分別在度量級和決策級進(jìn)行了多分類器融合識別新技術(shù)研究。提出了一種基于改進(jìn)粒子群算法優(yōu)化BP模糊神經(jīng)網(wǎng)絡(luò)的多分類器融合識別新技術(shù),以進(jìn)行有效的度量