步態(tài)識(shí)別-課程設(shè)計(jì)論-在線瀏覽
2024-08-01 08:21本頁(yè)面
【正文】 綜合和分析是最低層次的融合。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。特征級(jí)融合算法的一般流程如圖 1 所示。先將多源傳感信息對(duì)目標(biāo)屬性進(jìn)行獨(dú)立決策。其優(yōu)點(diǎn)是具有很強(qiáng)的容錯(cuò)性和很 好的開放性。決策級(jí)融合必須從具體決策的實(shí)際需求出發(fā)。采用適當(dāng)?shù)娜诤霞夹g(shù)來實(shí)現(xiàn)。 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。在步態(tài)識(shí)別領(lǐng)域中。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。通常假設(shè)各個(gè)特征之間具備統(tǒng)計(jì)獨(dú)立性。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。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。線圖模型主要用于反映人體目標(biāo)的運(yùn)動(dòng)特點(diǎn)。 在視頻序列分析中?？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。 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。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。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。 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。掃描線與人體骨架的交叉點(diǎn)即為關(guān)節(jié)點(diǎn)的位置 、這樣可以得到人體的 8個(gè)關(guān)節(jié)點(diǎn)： ),(),( ),(),(),(),(),(), 2221 2211an k l ean k e lan k l ean k l e k ne ek ne ek ne ek ne epe l v i spe l v i ss ho ul de rs ho ul dw e rne c kne c khe adhe ad yxyx yxyxyxyxyxyx（ 連接這 8 個(gè)關(guān)節(jié)點(diǎn)，得到人體的骨骼化模型，圖 5 示出簡(jiǎn)化的人體比例關(guān)系。 2121neh , s h ins h inth ig hth ig hb a c kcke ad ??????? ，人體骨架及骨骼化模型、以及肢體夾角示意圖如圖 6 所示 。關(guān)節(jié)點(diǎn)位置中的 x 值通常是固 定不變的、為了簡(jiǎn)化運(yùn)算、可以將其去除、留下關(guān)節(jié)點(diǎn)的 y 值信息及肢體角度信息共同構(gòu)成 15 維參數(shù)特征的步態(tài)模式 )進(jìn)一步、為了消除空間尺度不同帶來的影響、需要將這些參數(shù)特征歸一化到區(qū)間 [π/2,3π/2]中。 然而，伸長(zhǎng)度中的除法運(yùn)算常常會(huì)消除掉一些有用的信息、例如一個(gè)拍攝距離較遠(yuǎn)的又高又胖的人可能會(huì)和一個(gè)拍攝距離較近的又矮又瘦的人擁有同樣的伸長(zhǎng)度、因此單獨(dú)使用伸長(zhǎng) 度 很 難 將 目 標(biāo) 區(qū) 分 開 來 ) 為 了 克 服 上 述 缺 點(diǎn) 、 又 引 入 了 空 間 度 特征 : ? ?? ? ?? n 1 1 )1,0(),(),(i mj jiPjiPS (4)空間度代表了二值側(cè)影目標(biāo)中前景像素的數(shù)目。 本算法采用 K 近鄰分類器進(jìn)行模式分類 )由于步態(tài)數(shù)據(jù)具有周期性 )循環(huán)性的特征、因此相似性度量采用基于周期的方法、具體步驟如下 : 1)令訓(xùn)練序列為 },.. .,{ ,2,1,gNgggg XXXX ?，測(cè)試序列為 gNpppp NXXXXp },... ,{ ,2,1,?和 pN 分別表示兩序列的幀數(shù) , jiX, 表示第 i 個(gè)序列中的第 j 個(gè)特征矢量。 9 3)對(duì)于測(cè)試集中的第 K 個(gè)子序列和訓(xùn)練集中任意以 L 為起始幀的子序列、計(jì)算它們之間的距離 : ?? ?? ?? Nj jlgjkpxkx XXldi s gp 1 ,)),(( )( (4) 4) 得 到 整 個(gè) 測(cè) 試 序 列 和 訓(xùn) 練 序 列 之 間 的 相 似度 : ))((11),(im)),((1 m in ldi sKXXS gp XkXKk lgp ? ??? (5)式中 K=[m/ pN ]。相似度 Sim 的值越大 ,說明兩個(gè)序列越相似。該數(shù)據(jù)庫(kù)包含 25 人、每人 6 個(gè)視角 4 種走路姿勢(shì)。 算法評(píng)價(jià)采用 CMS 和 ROS 曲線。另外 (為了測(cè)試算法對(duì)行走速度的敏感性 (本文分別以快步走和慢步走數(shù)據(jù)互為訓(xùn)練和識(shí)別樣本、未拆分序列 )進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表 1 所列 實(shí)驗(yàn) 編號(hào) 訓(xùn)練 樣本 測(cè)試 樣本 基于形 狀 特性 基于模型 特征 特征級(jí) 融合算法 決策級(jí)融合算法 加法規(guī)則 乘法規(guī)則 1
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1