步態(tài)識(shí)別-課程設(shè)計(jì)論-文庫吧
2025-05-16 08:21 本頁面
【正文】 否帶著面具自然地走向銀行出納員還是從犯罪現(xiàn)場逃跑，他們的步態(tài)就可以讓他們露出馬腳。 人類自身很善于進(jìn)行步態(tài)識(shí)別，在一定距離之外都有經(jīng)驗(yàn)?zāi)軌蚋鶕?jù)人的步態(tài)辨別出熟悉的人。步態(tài)識(shí)別的輸入是一段行走的視頻圖像序列， 因此其數(shù)據(jù)采集與面像識(shí)別類似，具有非侵犯性和可接受性。但是，由于序列圖像的數(shù)據(jù)量較大，因此步態(tài)識(shí)別的計(jì)算復(fù)雜性比較高，處理起來也比較困難。盡管生物力學(xué)中對于步態(tài)進(jìn)行了大量的研究工作，基于步態(tài)的身份鑒別的研究工作卻是剛剛開始。步態(tài)識(shí)別主要提取的特征是人體每個(gè)關(guān)節(jié)的運(yùn)動(dòng)。到目前為止，還沒有商業(yè)化的基于步態(tài)的身份鑒別系統(tǒng)。 二、 相關(guān)研究 信息融合：感知融合是人類感知外部世界的本能之一。人類可以非常自然地運(yùn)用這一能力把來自人體各個(gè)感知器官眼耳鼻四肢的信息圖像聲音氣味觸覺組合起來并使用先驗(yàn)知識(shí)去估計(jì)理解和識(shí)別周圍的 環(huán)境以及正在發(fā)生的事情。融合理論正是對人類這一本能的模仿旨在利用計(jì)算機(jī)技術(shù)對按時(shí)序獲得的多源觀測信息在一定準(zhǔn)則下加以自動(dòng)分析綜合以完成所需的決策和估計(jì)任務(wù)而進(jìn)行的信息處理過程。 信息融合的基本原理就像人腦綜合處理信息一樣充分利用多源信息通過對這些多源的觀測信息的合理支配和使用把多源信息在空間或時(shí)間上的冗余或互補(bǔ)依據(jù)某種準(zhǔn)則來進(jìn)行組合以獲得被測對象的一致性解釋或描述。按照信息抽象的個(gè)層次可將信息融合分為 3級(jí)（像素級(jí)融合特征級(jí)融合和決策級(jí)融合）。 ? 像素級(jí)融合是在采集到的原始數(shù)據(jù)上進(jìn)行的融合是原始測報(bào)未經(jīng)預(yù)處理之 前就進(jìn)行的綜合和分析是最低層次的融合。 5 ? 特征級(jí)融合屬于中間層次它先對原始信息進(jìn)行特征提取然后對特征信息進(jìn)行關(guān)聯(lián)處理和綜合分析最終用于目標(biāo)識(shí)別。一般來說提取的特征信息應(yīng)該是這一目標(biāo)的充分表示量并且去除了一定的冗余信息。其優(yōu)點(diǎn)是實(shí)現(xiàn)了可觀的信息壓縮有利于實(shí)時(shí)的目標(biāo)識(shí)別。特征級(jí)融合算法的一般流程如圖 1 所示。 圖 1 特征級(jí)融合算法一般流程 ? 決策級(jí)融合是一種高層次融合。先將多源傳感信息對目標(biāo)屬性進(jìn)行獨(dú)立決策。再對各自得到的決策結(jié)果進(jìn)行融合以獲得整體一致的決策。其優(yōu)點(diǎn)是具有很強(qiáng)的容錯(cuò)性和很 好的開放性。并且處理時(shí)間較短 )難點(diǎn)在于分類特征組合與表達(dá)的機(jī)理難以量化和統(tǒng)一圖 2給出了決策級(jí)融合算法的一般流程。決策級(jí)融合必須從具體決策的實(shí)際需求出發(fā)。充分利用特征級(jí)融合所提取的測量對象的各類特征信息。采用適當(dāng)?shù)娜诤霞夹g(shù)來實(shí)現(xiàn)。常用的方法包括 k/n 準(zhǔn)則、 Bayes 準(zhǔn)則和 DempsterShafer 理論等。 圖 2 決策級(jí)融合算法一般流程 三、 主題（算法） 信息融合在其他生物特征識(shí)別領(lǐng)域已經(jīng)取得了很好的效果。也為步態(tài)識(shí)別性能的進(jìn)一步提高提供了可能的方法。在步態(tài)識(shí)別領(lǐng)域中。常采用特征級(jí) 融合和決策級(jí)融合兩類方法。融合的特征包括不同類的步態(tài)特征 (多特征融合 )、步態(tài)特征和其他生物特征 (多模態(tài)特征融合 )以及不同角度攝像機(jī)拍攝的步態(tài)特征 (多視角融合 )等。在決策級(jí)融合中。通常假設(shè)各個(gè)特征之間具備統(tǒng)計(jì)獨(dú)立性。則各個(gè)分類器得到的匹配分值可用 Bayes 理論 DS 證據(jù)理論、表決法、 6 聚類分析、模板法、模糊集合論、神經(jīng)網(wǎng)絡(luò)、熵法等進(jìn)行合并。通常使用的合并規(guī)則有加法規(guī)則、乘法規(guī)則、最大規(guī)則、最小規(guī)則、中值規(guī)則和多數(shù)投票規(guī)則等。 為了進(jìn)一步研究融合理論在步態(tài)識(shí)別中的應(yīng)用。我們提出一種基于線圖模型和靜態(tài)特征的 步態(tài)識(shí)別算法、靜態(tài)特征主要用于反映人體目標(biāo)的全貌。例如形體高度胖瘦等。線圖模型主要用于反映人體目標(biāo)的運(yùn)動(dòng)特點(diǎn)。如行走過程中主要關(guān)節(jié)點(diǎn)位置的變化 (肢體間角度的變化等、本文分別研究了使用特征級(jí)和決策級(jí)融合’加法規(guī)則和乘法規(guī)則理論進(jìn)行步態(tài)識(shí)別的方法、算法流程如圖 3 圖 4 所示。 在視頻序列分析中。首先要將運(yùn)動(dòng)目標(biāo)從背景圖像中分割出來、通過背景減除二值化及陰影消除后?？梢缘玫讲綉B(tài)序列中每幀圖像的單連通人體運(yùn)動(dòng)區(qū)域、為了去除圖像中存在的大量冗余信息并減小計(jì)算量。進(jìn)一步使用圖像模板化技術(shù)將目標(biāo)縮放到固定大小的圖像 模板中（見圖 6（ a））步態(tài)的靜態(tài)和動(dòng)態(tài)特征都是從二值化側(cè)影的目標(biāo)模板中提取的。 圖 3 特征級(jí)融合策略流程圖 圖 4 決策級(jí)融合策略流程圖 首先抽取出二值側(cè)影圖像的骨架信息。然后根據(jù)該骨架信息和解剖學(xué)知識(shí)共同得到各個(gè)關(guān)節(jié)點(diǎn)的位置及相互間形成的角度。最后使用這些位置和角度信息形成步態(tài)的動(dòng)態(tài)特征、算法的具體步驟如下 : 步驟 1 利用圖像處理技術(shù)中的中軸變換方法提取二值側(cè)影圖像的骨架圖、它是一種可逆變換。既能壓縮圖像信息。又能由中軸及其數(shù) 值恢復(fù)原圖像、提取方法如下 : 1) D 表示原圖區(qū)域中像素點(diǎn)的集合 iE (D)表示其內(nèi)邊界 0E (D)表示其外邊界 ,S(D)表示區(qū)域D 及其 8 連通區(qū)域內(nèi)的所有像素點(diǎn)、令 DD ?dd . 2) 一步細(xì)化之后得到的結(jié)果區(qū)域如下 : 7 ]))(([)]([)( 0 o l do l do l dio l do l dn e w DDSEDEDDSD ??? ?? （ 1） 3) 如果 oldDD ?new ，終止迭代，跳轉(zhuǎn)到第 4)步 .否則 ,令 newold DD ? ，并跳轉(zhuǎn)到第 2）步。 4) ewDn 即為所求區(qū)域的骨架像素的集合。 步驟 2 根據(jù)解剖學(xué)中人體各部分肢體占身高的比例關(guān)系。來提取人體的關(guān)節(jié)點(diǎn)位置、即對人體骨架
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1