英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
[1]基于视觉的步态识别研究综述
Mengxin Li, Jianan Jiang, Yanwen Jia,Baifeng Lin
沈阳建筑大学信息与控制工程学院
摘要：步态识别逐渐成为识别领域的研究热点。步态是一种独特的生物特征，它可以在远距离不显眼地测量。在本文中，我们研究和分析当前的特征提取技术。还讨论了步态识别的算法。在突出这些问题之后，有关于将步态与其他生物识别技术相结合的多功能融合的讨论。然后简要介绍几个公开的步态数据集。最后，本文概述了步态识别的挑战和未来发展方向。
关键词：步态识别;特征提取;多特征融合;步态数据集
1简介
随着社会的发展，人们越来越关注的安全问题越来越严重。使用生物识别技术进行识别已经引起了公众的注意。生物识别是一种利用人体生理特征的优势来验证个人身份的技术。作为一种新兴的识别方法，步态识别是长距离最具潜力的生物识别技术之一。步态识别具有分辨率要求低，获得非侵入性和避免伪装等优点，吸引了世界各地的学术和科研机构的关注。
起初，步态分析被用于医疗和心理学领域。直到1994年，Niyogi和Adelson [1]将步态特征用于人体识别领域。 2000年，美国国防部发起了一个名为“人体识别”的项目，并与许多高校合作进行步态识别研究。
本文对目前的步态识别过程进行了综述和总结。对视频中步态数据获取步态数据的方法进行了深入的分析和讨论。根据步态对象检测的方法，包括三部分 - 帧差分法，背景扣除法和光流法。在特征提取领域有两种方法可以总结，包括基于模型和无模型的方法。还描述了这两种不同提取方法的困难和优点。此外，还讨论了用于步态识别的多特征融合算法。最后，对步态识别研究的未来发展进行了展望。
2基于视觉的步态识别
通常，步态识别的第一步是数据采集。在获得步态数据后，我们根据三部分进行分析，包括运动物体检测，步态特征提取和步态识别。
A.步态数据采集
根据所使用的不同方法，步态识别数据可以分为四组，基于触觉传感器，基于可穿戴传感器，基于Kinect相机和基于视频传感器。
如图1（a）所示，触觉传感器通常在力盘或压力靴上进行测量，主要是通过变形对传感器施加的瞬时压力的影响。这种方法不仅可以抑制来自外界环境的干扰，而且更容易获得步态数据。
如图1（b）所示，穿戴式传感器贴在或穿在不同身体部位的关键部位，如腰部，脚踝或膝盖。通过这种方式，我们可以采集到身体动作的速度，位置和移动轨迹。
使用Kinect相机获取步态数据是一种可以从视频中获取原始身体数据的方法。它可以直接获得人体的三维点云数据，如图1（c）所示，这些数据用于识别步态。
使用视频获取步态数据是世界上使用最广泛的方法。它主要是通过长距离监视录像获得的。图1（d）显示了一些通过视频获得的步态帧图像。这种方法不需要额外的仪器。此外，通过视频获得的步态数据具有代价小，无创性获取和分辨率低的优点。因此，它已成为步态识别领域的学者们关注的焦点，而基于视频传感器的方法也是本文的重点。
(a)
（b） （c） （d）
图1.步态数据采集（a） 触觉传感器（b） 可穿戴式传感器（c） Kinect下的三维点云的步态数据（d）视频传感器下的步态数据
B.步态对象的检测
步态对象检测是从图像序列中提取运动目标。这一步的目的是将对象从背景中分离出来。它是特征提取和步态分类的基础。目标检测方法主要分为以下三部分。
1）背景减法
背景减法的基本思想是使用参数模型来逼近像素的背景值并获得当前帧和背景图像之间的差异。该方法可以完全获取特征参数，但对外部光线或干扰更敏感。近年来，Grimson和Stauffer提出了自适应混合高斯背景模型的方法。通过更新两个参数，方差和均值，我们可以可靠地进行光影处理。
2）帧差法
帧差分法的基本思想是获得前一帧和当前帧之间的差异。根据差异结果，我们从连续视频图像序列中检测运动目标。Lipton等人采用基本相邻帧目标检测方法进行目标识别。郭等人采用帧差法和熵运算相结合的方法，使检测更加有效。帧差法可以快速和简单地操作，但对光线变化不敏感。
3）光流
光流法主要利用运动物体变化的光流特性及时检测目标。 Sidenbladh等人文献将光流特征作为训练特征，然后用SVM作为分类器来识别目标的运动，Meyer等人分析像素中的光流特征向量以提取前景移动物体的轮廓。尽管光流法可以在没有任何其他信息的情况下提前检测到运动目标，但由于计算量太大，所以无法及时检测到运动目标。
C.步态特征提取
步态特征提取分为两部分，基于模型和无模型的方法。
1）基于模型的方法
基于模型的方法是使用数学建模的思想。通过分析从行走人体模型中提取的特征来获得变化参数。 Kuan等人如图2所示，由两个摆锤组成的串联模型化腿。大腿被塑造成悬挂在臀部和膝盖之间的两个摆锤之一，另一个摆锤从膝盖悬挂到代表小腿的脚踝。他们获得了旋转模式的频谱，并将相位和幅度图作为步态特征。这是第一个在步态识别中使用阶段的已知方法。Cunado等人继续使用这个模型，他们使用傅里叶变换分析来揭示腿部倾斜变化的频率分量，用K近邻规则来分类变换数据。JH Yoo等人建立了一个简笔画模型来表达身体，建立了一个简笔画模型来模拟身体。即用连接身体关节的线代表躯干和四肢。使用从人体模型获得的摆动角度作为步态特征进行识别。
Yam等人对摆锤模型进行了改进和扩展。大腿和踝关节的旋转运动通过耦合摆模型来描述。经过模型的傅里叶变换处理后，通过相位加权作为步态特征获得以进行识别。
Lee等人通过身体质心或比例将步态轮廓分为七部分，如图3所示。这些区域中的每一个都用一个椭圆拟合到该区域中可见的前景对象的一部分。他们从这些区域中提取了质心，椭圆长轴和短轴长宽比等特征。通过七个椭圆特征描述身体的平均形状作为步态识别的基础。
图2.（a）髋关节旋转角度（b）膝关节旋转角度
图3.前景步行者的轮廓分为7个区域，椭圆适合每个区域。
Daigo Muramatsu等人收集多个主体的步态图像序列，并从多个视图的轮廓图像构建3D体积。他们通过将3D步态体积序列投影到与目标相同的视图上来生成训练主体的2D步态轮廓序列，并且训练具有从2D序列提取的步态特征的任意视图变换模型（AVTM）。这种方法提高了交叉匹配的准确性。
基于模型的方法可以减少衣服和背包的干扰。用这种方法也可以很好地解决遮挡问题。但基于模型的方法需要密切注视。除此之外，大量的计算并不能及时做出步态识别，因此，许多学者更加关注的是无模型的方法。
2）无模型方法
无模型方法直接使用人体运动特性而不考虑身体结构。它利用数学描述作为识别步态的基础。
一些学者使用从轮廓中提取的特征来识别步态。萨卡尔等人。文献提出了一种方法，将步态图像中提取的特征与轮廓的轮廓模板进行匹配，以估计识别的步态周期。福斯特等人提出了一个基于面积的度量标准，称为步态面具，它提供了与受试者步态密切相关并由医学研究激发的统计数据。詹姆斯等人。如图4（a）所示，利用广义对称算子分析人体运动的对称性，描述了一种自动步态识别方法。Chiraz Benabdelkader等人。描述了一种基于步行者图像自相似性的新型步态识别技术。他们使用编码步态动态投影的相似性图，这种方法没有对应关系，对分割噪声有效，对低分辨率视频效果很好。Bashir等人，提出了一种基于步态熵图像的步态特征提取方法（GEnI），可以减少载体的干扰。Faezeh Tafazzoli等人，使用步态轮廓的核主成分分析（KPCA）提取特征，使用GA选择步态特征的最佳子集代表了主体的身份。
- （b）
图4.（a）对称图（b）步态能量图
使用从轮廓提取的特征仅包含单个图像的特征，而不考虑动态和连续。因此许多学者将其研究重点转向图像序列算法的研究。Bobick等人直接从步态轮廓图像序列中提取运动能量图像（MEI）来表示步态特征。他们还提出了使用运动历史图像（MHI）描述人体运动识别变化的方法。Han等人基于以前的研究，提出了一个时空步态表示
步态能量图（GEI）作为步态识别的步态特征，如图4（b）所示。贾杰如和Hayder Ali在Han的研究基础上提出了不同的方法来提取识别的步态特征。罗京等人将从GEI和AFDEI提取的矩不变量作为步态特征进行融合。
最近许多研究人员使用更多功能来识别步态。Ntantogian等人从三种情况下的步态轮廓提取RIT和CIT特征：背包，大衣和正常。然后他们使用步态散乱算法来融合特征作为步态识别的证据。王天奇等提出了一种基于身体轮廓的列质量矢量的步态识别新方法，该方法完全包括手臂摆动信息。薛昭君将整个人体模型与简化模型相结合。使用从步态或骨骼特征图像提取的33个参数作为步态特征来进行最终识别。I Rida等人提出了一种能够选择最相关的识别特征用于人类识别的特征选择掩模，通过减轻协变量的影响来改善识别性能。
D.步态识别
在本节中，总结了各种步态识别方法，并与其他方法进行了简要比较。步态识别的目的主要是对训练样本和测试样本分别提取的步态特征进行比较，并做出分类决策。
1）K近邻
K最近邻（KNN）是最简单但广泛使用的机器学习算法之一。一个对象被k个距离最近的邻居分类。宁索等人。从一系列轮廓图像中用KPCA方法导出一维信号，并将KNN用于步态识别。 P.B.Shelke等人使用DWT分解图像并提取特征。最后，使用KNN方法完成识别。
2）隐马尔可夫模型
隐马尔可夫模型（HMM）是一个双重随机过程。它的内在随机过程是不可见的，我们通过另一个过程观察一系列可见符号来推断之前的状态。 Kota Iwamoto et al。提出了一种使用P型傅里叶描述来表示人的轮廓的方法，并且这些时间序列步行特征使用了HMM。 Kale等人从每个图像序列中选择和建立一组样本，并使用这些样本生成低维距离帧向量。然后使用连续的隐马尔可夫模型来识别人类。
3）支持向量机
支持向量机（SVM）在非线性和高维模式识别中具有很多优点。它在少量样本的高维空间中提供了良好的分类规则。 Fazli Hadis等人使用LDA来减少分类特征的数量，然后他们使用SVM来识别步态。
另外，Xin Zhou提出了一种具有自适应能力的蚁群优化方法来进行步态识别。他将步态识别问题转化为寻找最小值。他还使用遗传算法来优化ACO。与HMM相比，该方法显着提高了识别效果。Degui Xiao和Oshin Sharma使用BP神经网络技术来识别步态。结果也达到了高准确率。
3多种功能融合
单一的步态特征不能完全描述人体的所有特征。在人类认知系统中，总是使用各种特征的融合来完成标识。
多特征融合是一种结合了各种特征的方法，这些特征根据一定的规则以不同的方式获得，以提高最终识别率。它包括以下两部分，不同的步态特征融合和不同的生物特征融合。
纪扬洋等。在获得人体步态轮廓线后提取傅立叶描述符，体角和反射对称特征，并将这三个特征综合到决策层。 Wang等人将基于Procrustes形状提取分析的静态特征与从行走视频中提取的动态特征相结合，并将这两种特征融合在决策层面上。李兴超融合了步幅或频率等动态特征与静态特征，如从质心到头部或脚部的距离。融合的识别参数被用来识别步态。融合特征包含了更多的人体步态特征，因此可以明显改善识别性能。
不同的生物特征融合在步态识别研究中也很常见。马丁霍夫曼等人。文献[18]使用alpha mattes算法来分割脸部和步态的图像，并基于alpha -GEI（alpha-gait能量图像）提取步态特征。 Shakhnarovich等人提取了步态轮廓特征和正面特征。提取后，他们在决策层融合了特征，提高了识别准确率。
多特征融合识别方法在准确率方面比单一特征识别具有更多的优势。因此，多特征融合是未来步态识别发展的主要趋势。
4公开发表数据库
随着步态识别的进一步研究，各个研究机构收集大量步态数据来建立数据库。
南安普敦步态数据库由南安普敦大学创立。 它主要分为两部分。 2001年拍摄的大型数据库，载有100人以上的场景，室内跑步机和户外视频序列。 小型数据库包含12人的室内场景，每个人在不同的视频序列中穿着不同的鞋子或衣服。 数据库的一些步态图像如图5（a）所示。
CASIA步态数据库由中国科学院设立，分为四个部分。 CASIA A成立于2001年，其中包含20个人，其中有三个视角的四个视频序列。 CASIA B被称为多视图数据库，由124人组成。数据库B成立于2005年，图像序列以11个角度拍摄。 CASIA C也被称为红外数据库。它在2005年被红外摄像机在夜间拍摄。 CASIA D成立于2009年。数据通过相机或足迹压力分析仪获得。一些步态图像如图5（b）所示。
HID-UMD数据库于2001年2月至7月由马里兰大学收集。它分为两部分，用于步态和人脸识别。
此外，OU-ISIR步态数据库由大阪大学于2007年建立
全文共9120字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14389]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
