步态识别论文
步态识别技术研究综述
步态识别技术研究综述步态识别是一种通过分析人体行走时的步态特征来进行个体识别的技术。
随着生物特征识别技术的发展，步态识别作为一种方便、无接触的识别方式，逐渐受到了广泛的关注和研究。
本文将综述步态识别的研究现状，包括步态特征的提取方法、分类器的选择以及步态识别的应用领域。
首先，在步态识别中，步态特征的提取是非常关键的一步。
主要的步态特征提取方法包括基于运动轮廓的方法、基于动作周期的方法以及基于运动能量的方法。
基于运动轮廓的方法主要是通过提取行人在行走过程中的轮廓来获得步态特征，如轮廓角度、曲率等。
基于动作周期的方法则利用每个步态周期中的特征来进行识别，例如步长、步宽和步频等。
而基于运动能量的方法则是通过分析人体行走时的能量变化来提取步态特征，如加速度、功率谱等。
这些方法的综合运用可以提高步态识别的准确率和鲁棒性。
其次，步态识别需要选择合适的分类器来进行模型训练和识别。
常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）和k最近邻算法（kNN）。
支持向量机是一种常见的分类方法，它可以有效地处理非线性分类问题，并且在样本量较小的情况下仍能取得较好的效果。
人工神经网络模拟了人脑神经元的工作原理，可以通过反向传播算法进行模型训练和识别。
而k最近邻算法是一种基于样本距离的分类方法，它根据最近的k个邻居来决定目标的分类。
根据实际应用需求和数据集特点，可以选择合适的分类器进行步态识别的建模和识别。
最后，步态识别具有广泛的应用领域。
步态识别可以用于个体识别、行为分析、疾病诊断等方面。
在个体识别方面，步态识别可以用于安防领域，例如门禁系统和人脸识别的组合使用，可以提高认证的准确性和安全性。
在行为分析方面，步态识别可以用于行人行为监测和异常检测，例如在人群中检测行人的奔跑、摔倒等异常行为。
在疾病诊断方面，步态识别可以用于早期检测和治疗一些疾病，如帕金森病等。
综上所述，步态识别作为一种方便、无接触的个体识别技术，已经得到了广泛的关注和研究。
步态识别论文：基于人体骨架提取的步态分析
步态识别论文：基于人体骨架提取的步态分析步态识别论文:基于人体骨架提取的步态分析【中文摘要】近年来,随着社会对敏感场合安全需求的提高,生物特征识别作为一种身份鉴别技术,在全球范围得到了大力的研究和发展。
相比于传统的身份识别方法,步态识别作为第二代识别技术,可以通过一个人独特的走路姿势来达到识别个体的,具有远距离非接触性,隐蔽不侵犯性,难以隐藏伪装性的优点,在视觉监控领域具有显著的优势。
本文从一个步态视频展开进行深入研究,运用MATLAB7.0软件进行图像处理,提出了运用人体骨架的步态识别方法,其研究内容主要包括以下几个方面:首先,采用背景减除法从图像序列中提取出运动目标轮廓,并运用形态学运算对人体轮廓进行处理,除掉图像中的小空洞和噪声。
然后,对步态运动的周期性进行分析,利用人体运动的宽度变化信息计算步态周期。
最后,利用“行走运动的关节角度变化包含着丰富的个体识别信息”这一观点,根据人体解剖学的虚拟骨架等知识,通过对人体骨架下肢运动的分析,提取步态周期内的下肢角度值变化作为步态特征。
步态是具有非常大潜力的生物特征识别技术,目前关于步态识别的研究主要还是处在理论阶段,要将该技术投产实用,还有一系列难点问题需要解决。
但是就我们实验发现,本文基于人体骨架的步态分析,能提取出人体的步态特征,对于个体识别系统的完善具有相当大的意义。
通过实验,进一步说明了步态识别技术的研究价值和光明前景。
【英文摘要】With a growing need for security insecurity-sensitive environment,biometrics recognition,as a human identification approach , has been greatly researched andpared to the traditional ID recognition method, the second-generation biometric recognition technology based on vision movement canidentify individuals by their unique walking manners. Gait has its own advantages which are long-distant, untouched, non body-invading and difficult to conceal, is very attractive in the field of visual surveillance.Based on a gait video clip and applying MATLAB7.0 software to processing images, the gait recognition method of using the human skeleton is proposed in this paper, which mainly covers the following issues:Firstly, the background subtraction is used in gait detection to recover the moving object after scanning the original image. Principal curves can reflect the inherent structure of the data and describe nonlinear data, which is beneficial to the contour extraction. Secondly, Gait cycle is analyzed,then width and height of body analysis is performed to computer stly, based on the idea that joint-angle trajectories of body parts in walking motion include sufficient dynamic identity information,a gait recognition method based on lower-limb motion analysis and dynamic time wrapping is proposed.For each gait sequence,according to the knowledge of human body anatomy, the coordinates of lower-limb joints are obtained by analyzing lower-limb motion,and then the trajectories of lower-1imb angles in one cycle are extracted as featurevectors.Undoubtedly, gait is a quite potential biometric. However, relevant study mainly stays at in the phase of theory research at present, and in order to apply the technology into practice, there are still a lot of urgent problems needed to be resolved. Experimental results that the characteristic of the human gait can be identifiedbased on the analysis of human skeleton, which has significant importance for the improvement of individual recognition. Experiments further show the research value and the bright future of the gait recognition.【关键词】步态识别细化人体骨架关节角度【英文关键词】gait recognition thin humanskeleton joint angle【备注】索购全文在线加好友:1.3.9.9.3.8848同时提供论文写作一对一指导和论文发表委托服务【目录】基于人体骨架提取的步态分析摘要5-6 Abstract 6 第一章绪论 9-15 1.1 步态识别简介 9-10 1.2 步态识别的理论依据和发展状况10-12 1.3 步态识别系统 12-13 1.4 论文的组织结构13-15 第二章步态识别技术介绍 15-28 2.1 MATLAB7.0 简介 15-18 2.1.1 图像和MATLAB 15-16 2.1.2 MATLAB 的特色和应用 16-18 2.2分割运动目标 18-19 2.2.1 时域差分法 18 2.2.2 背景减除法 18-19 2.2.3 光流法 19 2.3 步态特征提取19-23 2.3.1 基于模型的方法 19-22 2.3.2 基于统计的方法 22-23 2.4 分类识别 23-27 2.4.1 分类识别方法 23-25 2.4.2 分类数据库 25-27 2.5 本章小结27-28 第三章运动目标分割与形态学运算 28-38 3.1运动目标分割 28-33 3.1.1 运动背景的建模29-31 3.1.2 特定阈值下的图像差分 31-33 3.2 形态学运算处理 33-363.2.1 膨胀 34-35 3.2.2 腐蚀35 3.2.3 基于膨胀和腐蚀的形态学处理及分析35-36 3.3 轮廓线提取 36-37 3.4 本章小结37-38 第四章步态周期内骨架及下肢运动变化分析38-58 4.1 步态周期 38-40 4.1.1 步态周期定义38-39 4.1.2 步态周期提取 39-40 4.2 细化与人体骨架的获取 40-43 4.2.1 图像的细化 40-42 4.2.2 人体骨架的定义 42-43 4.2.3 人体骨架的获取 43 4.3 下肢运动分析及特征提取 43-50 4.3.1 下肢关节点角度分析44-46 4.3.2 人体骨架下肢特征提取 46-50 4.4 下肢特征提取方法性能分析 50-56 4.4.1 人体轮廓下肢特征提取50-54 4.4.2 性能比较与分析 54-56 4.5 特征提取后续处理 56 4.6 本章小结 56-58 第五章总结与展望58-60 5.1 论文研究工作的总结 58-59 5.2 展望59-60 参考文献 60-63 攻读学位期间发表论文63-64 致谢 64-65 附件 65。
步态识别技术个人总结范文
步态识别技术个人总结范文步态识别技术是计算机视觉领域的一项重要技术，可以通过分析人的步行特征和步态模式来区分身份、检测疾病和实现其他应用。
在过去的几年中，我对步态识别技术进行了一些探究和实践，以下是我个人对这项技术的总结和体会。
起首，步态识别技术有着广泛的应用前景。
通过分析一个人的步行模式，可以识别出这个人的身份，或者验证其是否为合法用户。
这种技术在安全领域具有很大的潜力，可以应用于门禁系统、金融来往验证等领域。
此外，步态识别技术还可以用于疾病检测，例如能够提前发现和猜测一些神经系统疾病，对于早期干预和治疗具有重要意义。
其次，步态识别技术具有一定的挑战性。
步态中包含的信息分外丰富，能够反映出个体的特征和习惯。
然而，步态的识别受到环境、姿势和视角等多种因素的影响，因此对于步态特征的准确提取和建模是一个相对复杂的任务。
同时，步态数据的采集和处理也需要耗费大量的时间和精力。
因此，在步态识别技术的探究和应用中，需要充分思量这些挑战，不息进行算法优化和技术创新。
然后，步态识别技术的探究还存在一些亟待解决的问题。
目前，步态识别技术大多是基于特征提取和分类的机器进修方法，然而这种方法依旧存在一些问题，例如需要大量的样本数据和复杂的模型训练过程。
将来的探究需要探究更加高效的算法和模型，进一步提高步态识别的准确性和实时性。
此外，还可以结合其他传感器，如加速度计和陀螺仪，来帮助步态识别，提高整体性能。
最后，步态识别技术还需要关注隐私和安全问题。
由于步态识别技术直接得到个体的生物特征信息，因此对于数据的隐私和安全保卫至关重要。
探究者和从业者需要制定相关的法律、规范和技术措施，确保步态识别技术在应用中不会侵略个人隐私和安全。
综上所述，步态识别技术具有广泛的应用前景和重要意义。
通过不息的探究和创新，我们可以进一步提高步态识别技术的性能和可靠性，为更多领域的应用提供支持。
然而，在推广应用步态识别技术的同时，我们也需要充分思量数据隐私和安全问题，确保技术的合法合规使用。
人体步态识别技术的研究
人体步态识别技术的研究第一章识别技术概述人体步态识别技术是指根据人体步态变化的特征对行走物体进行识别的技术。
这种技术在计算机视觉、生物识别和医学工程等领域得到广泛应用。
人体步态识别技术可以用于身份认证、医疗监测、安防监控和体育运动等方面。
传统的人体步态识别技术使用的是计算机视觉和模式识别算法，识别精度较低。
现在，随着深度学习技术的发展，人体步态识别的准确率已经可以达到很高的水平。
第二章识别技术分类人体步态识别技术可分为基于所测量的特征与基于肌电学特征的识别技术。
基于所测量的特征的识别技术是指通过对人体行走过程中所产生的加速度、角速度等参数进行测量，并将测量结果作为识别特征进行行走物体识别。
基于肌电学特征的识别技术是指通过测量人体髋、膝、踝等部位的肌电信号，并将这些信号作为识别特征进行行走物体识别。
第三章识别技术原理基于所测量的特征的识别技术的原理是，通过行走物体在行进过程中产生的加速度和角速度进行量化测量，并采用支持向量机、决策树等机器学习方法进行分类识别。
这些测量结果可以用于识别行进路线、距离、速度等信息。
基于肌电学特征的识别技术的原理是，通过测量人体各个关节的肌肉电位变化，并将这些变化作为识别特征进行行走物体识别。
这些测量结果可以用于识别行走者的身份、行走状态、运动前后的变化等信息。
第四章应用场景1. 身份验证：人体步态识别技术可以用于身份认证，可以取代传统的密码、密码锁等安全验证方式。
通过持续测量行走者的步态变化，可以验证行走者的身份，确保安全性。
2. 医疗监测：人体步态识别技术可以用于医疗监测。
通过测量行走者的步态变化，可以识别患者的运动状态和行走能力，并据此制定针对性的康复计划。
3. 安防监控：人体步态识别技术可以用于安防监控。
通过识别行走者的步态变化，可以判断人员是否已经离开、是否有可疑行为，确保安全性。
4. 体育运动：人体步态识别技术可以用于体育运动。
通过测量步态变化，可以分析运动员的运动状态、姿势等，帮助运动员进行训练和比赛。
《2024年基于静动态特征融合的正面视角步态识别研究》范文
《基于静动态特征融合的正面视角步态识别研究》篇一一、引言随着生物识别技术的发展，步态识别作为行为识别的一种重要形式，逐渐成为研究的热点。
步态识别技术通过分析人体行走时的动态特征和静态特征，可以有效地对个体进行身份识别。
本文将探讨基于静动态特征融合的正面视角步态识别研究，旨在提高步态识别的准确性和鲁棒性。
二、研究背景及意义步态识别技术利用人体行走时的动态信息和静态信息进行身份识别，具有非接触、远距离、方便快捷等优点。
然而，由于人体行走时的姿态变化、环境因素等影响，步态识别的准确性和鲁棒性仍然有待提高。
静动态特征融合的步态识别方法可以有效解决这一问题，将静态和动态特征进行融合，提高步态识别的准确性和稳定性。
因此，本研究的开展对于推动步态识别技术的发展，提高其在实际应用中的价值具有重要意义。
三、相关技术及文献综述步态识别的研究已经取得了许多成果，其中基于静动态特征融合的步态识别方法受到了广泛关注。
相关研究包括静态特征提取、动态特征提取、特征融合以及识别算法等方面的研究。
其中，静态特征主要包括人体轮廓、姿态等；动态特征主要包括步速、步长、步态周期等。
近年来，随着深度学习和计算机视觉技术的发展，基于深度学习的步态识别方法得到了广泛的应用和关注。
然而，现有方法在处理不同环境、不同服装等因素对步态识别的影响方面仍存在挑战。
四、方法与技术路线本研究采用基于静动态特征融合的正面视角步态识别方法。
首先，通过图像处理技术提取人体轮廓、姿态等静态特征；其次，利用传感器等技术获取步速、步长、步态周期等动态特征；然后，对静动态特征进行融合，得到融合特征；最后，利用机器学习或深度学习算法进行步态识别。
技术路线如下：1. 数据采集：收集不同环境下、不同个体的步态数据。
2. 静态特征提取：通过图像处理技术提取人体轮廓、姿态等静态特征。
3. 动态特征提取：利用传感器等技术获取步速、步长、步态周期等动态特征。
4. 特征融合：将静态特征和动态特征进行融合，得到融合特征。
步态识别的综述
步态识别的综述步态识别是一种通过分析人体运动特征来识别个体身份的技术。
它利用人体的步态信息作为生物特征来进行身份验证和监测。
步态识别在安全领域、医疗领域和智能交通领域等方面有着广泛的应用。
本文将对步态识别的原理、方法和应用进行综述。
我们来了解一下步态识别的原理。
步态是人体行走时身体的运动模式，包括步幅、步频、步态周期等特征。
步态识别利用人体的这些运动特征，通过分析和比较不同个体之间的差异，来识别和辨别个体身份。
步态识别的原理主要基于人体运动中的动力学和动力学特征，包括人体的加速度、角速度和关节角度等参数。
在步态识别的方法方面，目前主要有两种常用的方法：基于传感器的方法和基于图像的方法。
基于传感器的方法是通过在身体的关键部位（如腰部、腿部）安装加速度计、陀螺仪等传感器，来采集人体的运动数据。
然后，通过对这些数据进行处理和分析，提取出特征并进行模式匹配，来实现步态识别。
基于图像的方法则是通过采集人体行走时的图像或视频，利用计算机视觉技术来提取人体的轮廓和运动信息，然后进行步态识别。
步态识别在安全领域有着广泛的应用。
例如，它可以用于身份验证和出入控制，通过分析个体的步态信息，来判断其是否为合法用户。
步态识别还可以用于犯罪侦察和监测，通过比对不同场景中的步态数据，来识别和追踪嫌疑人。
此外，步态识别还可以应用于医疗领域。
例如，它可以用于老年人跌倒检测和预防，通过监测老年人的步态特征，来判断其是否存在跌倒风险，并及时采取措施。
步态识别还可以用于疾病诊断和康复监测，通过分析患者的步态特征，来评估其疾病的严重程度和康复效果。
除了安全和医疗领域，步态识别还在智能交通领域有着广泛的应用。
例如，它可以用于行人检测和行人跟踪，通过分析行人的步态特征，来识别和跟踪行人的运动轨迹。
步态识别还可以用于交通监管和交通流量统计，通过分析行人的步态特征，来判断交通违规行为和统计人流量。
步态识别是一种通过分析人体运动特征来识别个体身份的技术。
《基于人体剪影和姿态特征的步态识别系统研究与实现》
《基于人体剪影和姿态特征的步态识别系统研究与实现》一、引言随着人工智能技术的不断发展，步态识别技术在安全监控、医疗康复、人机交互等领域得到了广泛应用。
步态识别是指通过分析人体行走时的动态特征，如姿态、速度等，以实现身份识别的一种技术。
本文旨在研究并实现一种基于人体剪影和姿态特征的步态识别系统，以提高步态识别的准确性和稳定性。
二、研究背景及意义步态识别作为一种生物特征识别技术，具有独特性和不易被伪造等优点。
传统的步态识别方法主要依赖于人体图像的深度信息和三维模型，但这些方法在复杂环境下易受光照、遮挡等因素影响，导致识别准确率下降。
因此，本研究通过提取人体剪影和姿态特征，实现对复杂环境下的步态准确识别，具有重要的理论和实际意义。
三、系统设计与实现1. 人体剪影提取本系统采用计算机视觉技术，通过摄像头捕捉人体行走时的视频序列。
在视频处理过程中，采用背景减除法提取人体剪影。
首先，建立背景模型，将当前帧与背景模型进行差分运算，得到人体轮廓的二值图像。
然后，对二值图像进行形态学处理，消除噪声和细小干扰，得到清晰的人体剪影。
2. 姿态特征提取姿态特征是步态识别的重要依据。
本系统通过分析人体关节点的运动轨迹和相对位置，提取出人体的姿态特征。
具体而言，采用OpenPose等人体姿态估计算法，检测人体关键点的位置和运动轨迹，进而计算人体的步长、步频、步态周期等参数。
3. 步态识别算法本系统采用基于机器学习的步态识别算法。
首先，将提取到的人体剪影和姿态特征进行预处理和特征提取，形成特征向量。
然后，利用支持向量机（SVM）、神经网络等分类器对特征向量进行训练和分类，实现步态识别。
四、实验与分析为了验证本系统的性能，我们在不同环境下进行了大量实验。
实验结果表明，本系统在复杂环境下具有较高的识别准确率和稳定性。
具体而言，本系统的识别准确率达到了90%五、系统性能优化与拓展5. 性能优化为了进一步提高系统的识别准确率和稳定性，我们采取了一系列优化措施。
【论文】人类步态的支持向量机识别
摘 要步态作为一种适用于非接触式远距离身份识别的生物特征近年来倍受关注。
步态识别主要由三部分构成：步态序列图像预处理、特征提取和分类识别。
步态特征可根据是否对人体结构进行建模分为两类：基于模型的特征和非基于模型的特征。
提出了三种步态特征提取方法，分别是人体结构模型、肢体角度模型和人体轮廓模型。
其中，前两种是基于模型的特征，后一种是非基于模型的特征。
使用VC++6.0作为开发工具，编写了步态特征生成程序。
常用的步态识别算法有动态时间规整、隐马尔可夫模型和神经网络等，这些方法主要适用于大样本的情形，现实中的样本数目往往有限，为解决小样本问题，采用了支持向量机来进行步态识别。
支持向量机与传统方法相比，具有泛化能力强、能保证全局最优等优点。
选用CASIA数据库，利用支持向量机软件LIBSVM对提取的步态特征进行了训练与识别，并对不同的核函数的识别效果进行了比较。
实验结果表明，基于支持向量机的步态识别算法能够有效地对步态进行分类，具有良好的识别性能，不同核函数对分类结果影响不大。
关键字：生物特征，步态识别，特征提取，支持向量机AbstractGait has recently drawn greater attention as a long-distance non-contact biometric identification.Generally, gait recognition consists of three parts: preprocessing of gait sequences, feature extraction and classification.Depending on whether the structure of the human body is modeled, Gait characteristics fall into two categories: model-based and model-free characteristics. Three gait feature extraction methods, namely, the human body structure model, the body angle model and the human body contour model. Two of these are model-based characteristics and another is model-free characteristics. As a development tool, VC ++6.0 was used to develop a procedure to extract gait feature.The usual gait recognition algorithms include Dynamic Time Warping, Hidden Markov Models and Neural Networks. These methods are mainly applicable to the large samples. Due to the number of samples are limited in reality, the method based on Support Vector Machine which can clssify small samples is proposed. Compared with traditional methods, this method can clssify effectly with strong generalization performance and good global optimum.CASIA gait database and LIBSVM software are used to classify the characteristics of gait with different kernel function . The result indicate that the algorithm based on SVM can classified effectively with good identification performance on which the different kernel function has a slight impact.Key words: biometrics characteristics, gait recognition, feature extraction, support vector machine目 录第一章前 言 (1)1.1生物识别技术 (1)1.2步态识别研究现状 (1)1.3论文主要内容 (4)第二章步态识别概述 (6)2.1 人体检测与跟踪 (6)2.2 步态特征提取 (9)2.3 识别算法 (10)第三章步态特征提取 (12)3.1 基于模型的方法 (12)3.1.1 人体结构模型 (12)3.1.2 肢体角度模型 (16)3.2 非基于模型的方法 (17)3.2.1 人体轮廓模型 (17)3.3 特征提取程序 (19)第四章步态识别算法 (21)4.1 支持向量机原理 (21)4.2 支持向量机的数学模型 (24)4.2.1 线性模型 (24)4.2.2 非线性模型 (24)4.3 SVM的具体实现 (25)第五章步态识别实验 (27)5.1 实验工具 (27)5.2 步态常用数据库 (27)5.3 实验过程 (28)第六章技术经济分析 (34)6.1 技术可行性 (34)6.2 经济效益和前景 (34)第七章结论与展望 (35)7.1 结论 (35)7.2 展望 (35)参 考 文 献 (37)致谢 (39)附录 (40)第一章前 言1.1生物识别技术生物识别技术是依据人类自身所固有的生理或行为特征而进行识别的一种技术[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课程论文步态识别学号：班级：通信122姓名：楚舒琦目录摘要 (3)一、背景介绍 (4)二、相关研究 (4)三、主题（算法） (5)基于线图模型的动态特征提取 (6)基于整体的静态特征提取 (8)识别 (9)四、实验 (9)五、结果讨论 (12)六、总结 (12)七、应用前景 (12)八、技术难点及解决途径 (14)技术难点 (14)解决途径 (15)九、参考文献 (16)摘要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。
对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。
关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正一、背景介绍步态是指人们行走时的方式，这是一种复杂的行为特征。
罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。
英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。
对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。
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。
二、相关研究信息融合：感知融合是人类感知外部世界的本能之一。
人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。
融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。
信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。
按照信息抽象的个层次可将信息融合分为3级（像素级融合特征级融合和决策级融合）。
像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。
●特征级融合属于中间层次它先对原始信息进行特征提取然后对特征信息进行关联处理和综合分析最终用于目标识别。
一般来说提取的特征信息应该是这一目标的充分表示量并且去除了一定的冗余信息。
其优点是实现了可观的信息压缩有利于实时的目标识别。
特征级融合算法的一般流程如图1所示。
图1特征级融合算法一般流程●决策级融合是一种高层次融合。
先将多源传感信息对目标属性进行独立决策。
再对各自得到的决策结果进行融合以获得整体一致的决策。
其优点是具有很强的容错性和很好的开放性。
并且处理时间较短)难点在于分类特征组合与表达的机理难以量化和统一图2给出了决策级融合算法的一般流程。
决策级融合必须从具体决策的实际需求出发。
充分利用特征级融合所提取的测量对象的各类特征信息。
采用适当的融合技术来实现。
常用的方法包括k/n准则、Bayes准则和Dempster-Shafer理论等。
图2决策级融合算法一般流程三、主题（算法）信息融合在其他生物特征识别领域已经取得了很好的效果。
也为步态识别性能的进一步提高提供了可能的方法。
在步态识别领域中。
常采用特征级融合和决策级融合两类方法。
融合的特征包括不同类的步态特征(多特征融合)、步态特征和其他生物特征(多模态特征融合)以及不同角度摄像机拍摄的步态特征(多视角融合)等。
在决策级融合中。
通常假设各个特征之间具备统计独立性。
则各个分类器得到的匹配分值可用Bayes理论D-S证据理论、表决法、聚类分析、模板法、模糊集合论、神经网络、熵法等进行合并。
通常使用的合并规则有加法规则、乘法规则、最大规则、最小规则、中值规则和多数投票规则等。
为了进一步研究融合理论在步态识别中的应用。
我们提出一种基于线图模型和静态特征的步态识别算法、静态特征主要用于反映人体目标的全貌。
例如形体高度胖瘦等。
线图模型主要用于反映人体目标的运动特点。
如行走过程中主要关节点位置的变化(肢体间角度的变化等、本文分别研究了使用特征级和决策级融合’加法规则和乘法规则理论进行步态识别的方法、算法流程如图3图4所示。
在视频序列分析中。
首先要将运动目标从背景图像中分割出来、通过背景减除二值化及阴影消除后。
可以得到步态序列中每帧图像的单连通人体运动区域、为了去除图像中存在的大量冗余信息并减小计算量。
进一步使用图像模板化技术将目标缩放到固定大小的图像模板中（见图6（a ））步态的静态和动态特征都是从二值化侧影的目标模板中提取的。
图3特征级融合策略流程图 图4决策级融合策略流程图基于线图模型的动态特征提取首先抽取出二值侧影图像的骨架信息。
然后根据该骨架信息和解剖学知识共同得到各个关节点的位置及相互间形成的角度。
最后使用这些位置和角度信息形成步态的动态特征、算法的具体步骤如下:步骤1利用图像处理技术中的中轴变换方法提取二值侧影图像的骨架图、它是一种可逆变换。
既能压缩图像信息。
又能由中轴及其数值恢复原图像、提取方法如下:1) D 表示原图区域中像素点的集合i E (D)表示其内边界0E (D)表示其外边界,S(D)表示区域D 及其8连通区域内的所有像素点、令D D dd .2) 一步细化之后得到的结果区域如下:]))(([)]([)(0old old old i old old new D D S E D E D D S D -= （1）3) 如果old D D =new ，终止迭代，跳转到第4)步.否则,令new old D D =，并跳转到第2）步。
4) ew D n 即为所求区域的骨架像素的集合。
步骤2根据解剖学中人体各部分肢体占身高的比例关系。
来提取人体的关节点位置、即对人体骨架进行扫描。
扫描线与人体骨架的交叉点即为关节点的位置、这样可以得到人体的8个关节点：),(),,(),,(),,(),,(),,(),,(),,22212211ankle ankel ankle ankle knee knee knee knee pelvis pelvis shoulder shouldwer neck neck head head y x y x y x y x y x y x y x y x （连接这8个关节点，得到人体的骨骼化模型，图5示出简化的人体比例关系。
图5简化的人体比例关系图步骤3进一步计算出骨骼化模型中各部分肢体所形成的角度、这里取肢体与竖直线的角度)这7个角度分别包括。
2121ne h ,,,,,,shin shin thigh thigh back ck ead θθθθθθθ，人体骨架及骨骼化模型、以及肢体夹角示意图如图6所示。
令），（00y x 和），（11y x 分别为肢体两端的关节点所在位置、则肢体夹角计算如下:0101tan a y y x x rc --=θ (2)图6人体骨架及骨骼化模型步骤4确定步态参数)通过上述讨论，可以看出在骨骼化模型中一共有23维参数特征，关节点位置2*8=16维，肢体角度7维。
关节点位置中的x 值通常是固定不变的、为了简化运算、可以将其去除、留下关节点的y 值信息及肢体角度信息共同构成15维参数特征的步态模式)进一步、为了消除空间尺度不同带来的影响、需要将这些参数特征归一化到区间[π/2,3π/2]中。
基于整体的静态特征提取侧影的宽度和高度信息是决定目标形状的两个重要因素，宽度代表了运动目标的胖瘦程度、高度则代表了运动目标的身高)身高和胖瘦是人类视觉系统进行身份识别的主要依据之一、但是这两个参数常常随着摄像机拍摄距离的变化而变化)例如、同样焦距下、一个高个子目标由于拍摄距离较远会显得比近处的矮个子目标还要矮小)宽度所代表的胖瘦信息也是如此)因此、它们都不可以单独作为形体特征来进行步态识别)为了消除这种误差、本文算法采用了侧影的伸长度作为基于整体的形态特征、即：H W E =(3)式中W 代表侧影的宽度,H 代表侧影的高度。
然而，伸长度中的除法运算常常会消除掉一些有用的信息、例如一个拍摄距离较远的又高又胖的人可能会和一个拍摄距离较近的又矮又瘦的人拥有同样的伸长度、因此单独使用伸长度很难将目标区分开来)为了克服上述缺点、又引入了空间度特征:∑∑==∈=n 11)1,0(),(),,(i m j j i P j i P S (4)空间度代表了二值侧影目标中前景像素的数目。
同样、两种静态参数特征也需要进行幅度上的归一化运算。
识别本算法采用K 近邻分类器进行模式分类)由于步态数据具有周期性)循环性的特征、因此相似性度量采用基于周期的方法、具体步骤如下:1)令训练序列为},...,,{,2,1,g N g g g g X X X X =，测试序列为g N p p p p N X X X X p },,...,,{,2,1,=和p N 分别表示两序列的帧数,j i X ,表示第i 个序列中的第j 个特征矢量。
2)对任意一个序列},...,,{21N X X X X =计算出它的步态周期n(n<N)是它的帧数,并将其分成[N/n]个子序列.其中,第k 个子序列可表示为},...,,{21n k k k X X X k X +++=）（。
3)对于测试集中的第K 个子序列和训练集中任意以L 为起始帧的子序列、计算它们之间的距离:∑=++-=N j j l g j k p x k x X X l dis g p 1,,)),(()( (4) 4)得到整个测试序列和训练序列之间的相似度:))((11),(im )),((1min l dis K X X S g p X k X K k l g p ∑=-= (5)式中K=[m/p N ]。
l 为训练样本序列中和测试样本子序列进行比较的起始帧l=0,1,...,n-g N 。