步态识别介绍

步态识别是一种新兴的生物特征识别技术,旨在通过人们走路的姿态进行身份识别,与其他的生物识别技术相比,步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域,比面像识别更具优势。
人类自身很善于进行步态识别,在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列,因此其数据采集与面像识别类似,具有非侵犯性和可接受性。但是,由于序列图像的数据量较大,因此步态识别的计算复杂性比较高,处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作,基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止,还没有商业化的基于步态的身份鉴别系统所以有很大的发展前景,现在基本上有以下:

二维步态识别算法
  对于每个步态序列而言,一种改进的背景减除技术被使用来提取人的空间轮廓。这些轮廓的边缘,被逆时针方向展开为一系列相对于质心的距离模板。这些模板特征通过使用主元统计分析方法来训练,从而得出步态形状的变化模式在特征空间中的轨迹表达。识别时,采用了时空相关匹配方法和基于归一化欧氏距离的最近邻规则,并引入了相应于个人的体形等生理特征的融合,以用于必要的步态分类校验。
  
步态识别算法
  该算法来源于“从行走运动的时空模式中可学习人体的外观模型”的观点。对于每个序列而言,背景减除过程用来提取行人的运动轮廓,这些轮廓随时间的姿态变化在二维空间中被对应描述为一个序列的复数配置(Complex Configuration)。利用Procrustes形状分析方法,从该序列配置中获取主轮廓模型作为人体的静态外观特征。实验结果表明,该算法获得了令人鼓舞的识别性能。
时空轮廓分析
  该算法来源于“人体行走运动很大程度上依赖于轮廓随着时间的形状变化”的直观想法。对于每个序列而言,背景减除与轮廓相关方法用于检测和跟踪行人的运动轮廓,这些时变的二维轮廓形状被转换为对应的一维距离信号,同时通过特征空间变换来提取低维步态特征。基于时空相关或归一化欧氏距离度量,以及标准的模式分类技术用于最终的识别。实验结果表明,该算法不仅获得了令人满意的识别性能,而且拥有相对较低的计算代价。
基于模型
  该算法来源于“行走运动的关节角度变化包含着丰富的个体识别信息”的思想。首先,结合人体模型、运动模型和运动约束等先验知识,利用Condensation算法进行行人的跟踪。然后,从跟踪结果中获取人体主要关节的角度变化轨迹。这些轨迹经过结构和时间归一化后,作为动态特征而用于身份识别。
基于Hough变换
  这是一种基于新的特征提取方法的自动步态识别算法,该算法仅从腿部的运动进行身份识别。对于每个序列,用一种基于图像色度偏差的背景减除算法来检测运动对象。在经过后处理的二值图像序列中,利用边界跟踪算法获取对象边界,在对象边界图像上,局部应用Hough变换检测大腿和小腿的直线,从而得到大腿和小腿的倾斜角。用最小二乘法将一个周期内的倾斜角序列,拟合成5阶多项式,把Fourier级数展开后得到的相位与振幅的乘积,定义为低维步态特征向量。在小样本的数据库上用Fisher线性分类器验证所研究算法的性能,正确分类率为79.17%,在步态数据库不很理想的情况下也获得了较好的识别率。
  
基于三维小波矩理论
  基于广义多尺度分析理论,针对不同的应用图像或信号库,得到最优小波分解, 并在人体步态识别中与二维小波矩结合进行应用。在三维物体的表示方面, 作为三维物体的一种无冗余的描述和识别方法,提出了三维小波矩理论。与现存的方法相比,它不但具有平移、缩放和旋转不变性,在径向上还增加了多尺度分析的特性。可以根据不同的需要,提供多层次的特征描述子,同时引进球面调和函数加速算法和小波的Mallat算法后,使小波矩的计算得到了双重加速。有人计划搭建实用的三维物体检索平台,将进一步完善该算法。
  此外,有人在基于”人体生物特征不仅包含静态外观信息,也包含行走运动的动态信息”的思想,提出了一种判决级上融合人体静态和动态特征的身份识别方法。利用此方法在不同融合规则下的实验结果表明,融合后的识别性能均优于使用任何单一模态下的识别性能。

备注:

点击下面链接,进入奥比中光开发者社区,了解更多3D视觉技术信息:
https://developer.orbbec.com.cn/

或扫描下方二维码,进入奥比中光开发者社区:
步态识别介绍_第1张图片

你可能感兴趣的:(开发者,结构光,3D视觉,深度学习,机器学习)