湖南师范大学 信息科学与工程学院, 长沙 410000
通过研究一种基于多尺度卷积神经网络和人体姿态估计模型相结合的多任务步态识别方法,对神经网络识别结果做出一定的解释说明,同时提高其在面对协变量改变场景下的识别效果。该方法将卷积神经网络提取的步态空间特征和人体姿态估计模型得到人体关节时序特征融合,进行身份的识别。使用步态数据集CASIA-B中的正常行走序列和合成行走序列数据以及TUM-GAID步态数据集进行实验。结果表明,该方法在TUM-GAID步态数据集实验中,三种场景T1、T2和T3下的识别率分别达到95.2%、72.4%和84.5%。在CASIA-B步态数据集实验中,对于正常行走序列以及两种合成行走序列,该方法在识别精度上均有较好的表现,体现该模型有较强的鲁棒性。
步态识别 卷积神经网络 多任务 可解释性 人体姿态估计 时空图像融合 gait recognition convolutional neural network multi-task interpretability human posture estimation spatiotemporal image fusion
1 云南师范大学信息学院,云南 昆明 650500
2 云南省光电信息技术重点实验室,云南 昆明 650500
步态识别作为一种非接触式远距离的生物特征识别技术,其任务是根据远距离行人的行走模式来实现身份识别。针对使用卷积神经网络(CNN)构建模型进行红外人体步态识别存在识别效果不佳的问题,利用长短期记忆网络(LSTM),根据人体身高比例遮挡穿着部分后的图像,让网络集中注意力提取腿部的变化特征以及每个红外人体步态周期的时间维度特征,从而构建了一种新的步态识别模型。在中国科学院提供的CASIA C红外步态数据库中,对穿着服饰部分进行预遮挡处理后的数据进行了实验测试,所提模型的识别准确率优于卷积神经网络模型。实验结果表明,在部分特征缺失情况下,利用长短期记忆网络进行步态识别能有效提高识别准确率。
成像系统 步态识别 卷积神经网络 长短期记忆网络 红外人体图像 激光与光电子学进展
2022, 59(8): 0811005
湖南师范大学 信息科学与工程学院, 湖南 长沙 410000
步态识别在反恐、安防、智能监控和现实挖掘等领域具有广泛的应用前景, 但现有的二维步态分析方法在面对视角变化、物体携带等复杂应用场景时受到限制。对此, 探讨一种以人体点云数据为基础的三维参数化步态建模和识别方法。运用深度摄像机获取人体点云数据, 对标准的参数化人体模型进行形体和姿态变形;通过观测步态点云轮廓与标准三维参数人体轮廓之间的距离度量函数, 运用改进鲍威尔法进行极小值求解, 实现人体点云数据到三维参数化步态模型的估计;以估计的三维人体姿态和形体语义参数作为结构化步态数据, 通过具有时序结构的长短时序记忆模型来提取步态时空特征, 借助SoftMax分类器进行训练, 实现人体步态识别。实验结果表明, 基于三维的人体步态识别方法在处理视角可变的步态识别问题上有很好的效果和应用前景。
光学测量 三维步态建模 步态识别 深度摄像机 optical measurement 3D gait modelling gait recognition depth camera
北京理工大学 信息与电子学院, 北京 100081
为提高步态识别准确率, 提出了基于空-频域特征和线性判别分析的视频步态识别方法。利用离散余弦变换、Contourlet变换分别提取步态能量图的频率特征和多尺度多方向轮廓特征; 融合得到空-频域特征, 并通过线性判别分析映射到最佳鉴别矢量空间; 根据相似性距离实现身份识别。在中科院自动化所提供的数据库中进行实验, 结果表明, 提出的特征提取方法优于现有常用方法。空-频域特征能够有效地区分步态中的高低频分量,并捕捉丰富的细节信息, 线性判别分析在降维的同时进一步增强特征的判别能力, 有助于提高识别精度。
步态识别 步态能量图 离散余弦变换 Contourlet变换 线性判别分析 gait recognition gait energy image discrete cosine transform contourlet transform linear discriminant analysis
燕山大学河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
针对正面步态识别中遇到背景颜色与人的穿着相接近或者人体下肢有阴影等情况, 提出一种改进的背景减差法, 利用髋关节将人体分为上下两个部分, 采用分部阈值进行背景减差, 提取人体二值化轮廓。对于周期检测, 首先利用髋关节思想找到 P点, 然后利用 P点找到人体左右脚最低点, 并根据两脚间高低距离差所产生的角度计算步态周期并将其用于描述步态序列的动态特征; 获得关键帧, 并且进行归一化, 分别提取它们的统一 Hu矩和步态周期, 用于描述步态序列的静态特征; 将这两种特征进行融合, 弥补了单一特征带来的识别率低的问题。最后, 采用支持向量机 (SVM)进行分类识别。本文的识别实验均在中科院步态数据库 (CASIA)上进行训练, 识别率达到 97%以上。结果证明, 该算法具有较好的识别速度和识别率。
步态识别 正面视角 统一 Hu矩 特征融合 支持向量机 gait recognition front-view unified Hu moments feature fusion support vector machine