论文部分内容阅读
步态识别作为计算机视觉和生物特征识别领域的一个热点研究课题,它旨在赋予计算机能够根据人体行走的姿势辨别出人物身份的能力。该研究具有重要的理论研究意义和巨大的实际应用价值,涉及了计算机视觉、模式识别、视频/图像处理、图形学和智能人机交互等多个学科,并且在远距离身份识别方面具有巨大的应用前景。例如,目前在银行、地铁、机场、火车站等安全敏感场所的视频监控系统中就急需一种准确的、鲁棒的远距离身份识别技术。
经过二十多年的发展,已经提出了许多步态识别算法,其中最先进的算法在训练和测试环境相似的情况下已经取得令人满意的识别精度。但是在非理想条件下,由于受到多种多样的步态变化因子的影响,算法的识别性能将会出现大幅度的下降,很难满足实际应用要求。因此,步态识别技术还远未成熟,设计出真正准确、鲁棒的步态识别算法仍然是目前研究的主要任务。本文基于子空间集成学习理论,以开发设计出有效的步态识别算法问题展开了深入的研究。具体来说,本文的主要工作和创新如下:
1.针对步态因受到多种多样变化因子的影响,导致识别算法性能下降的问题,提出了基于全矫正Boosting子空间集成学习的步态识别方法,将全矫正Boosting技术创新性地应用于子空间集成学习问题,构建一个通用的子空间集成学习框架,用于提取和优化组合步态在多个不同判别子空间下的特征,提高算法对步态变化因子的健壮性。
2.为了保留步态图像序列中对识别有着重要作用的时间位置信息,利用多通道特征提取技术,将步态序列中的时间位置信息反映到通道的权重上,在多个通道上分别对不同时段内的步态轮廓曲线图像进行编码,形成一个具有时间位置信息的步态特征图像,命名为步态高斯能量图像。为了进一步挖掘步态高斯能量图像的非线性信息,提出了基于核子空间集成学习的步态识别方法,在基于全矫正Boosting的子空间集成学习框架下,通过引入核方法,提取步态特征图像在多个非线性子空间下的特征,这些特征与在线性子空间下的特征相比,具有更高的可区分性,有利于进行步态识别。
3.为了增强步态特征图像对步态变化因子的健壮性以及判别能力,利用Gabor小波具有优良的空间局部性和方向选择性,在步态能量图像上提取图像局部区域内多个方向的空间频率和局部结构特征,是一种良好的步态描述方法。考虑到Gabor特征固有的多维空间结构以及空间相关性对步态识别有着积极的作用,采用张量表示步态的Gabor特征,分别根据张量到张量投影和张量到向量投影两种不同的多重线性投影方式,提出了基于张量子空间集成学习的步态识别方法和基于元多重线性投影子空间集成学习的步态识别方法。以上两种方法都是在基于全矫正Boosting的子空间集成学习框架下根据张量理论扩展得到的,相比于张量判别分析方法,具有更高的步态识别正确率的特点。
4.针对步态视角变化造成算法识别性能下降的问题,提出了一种跨视角步态识别方法。首先,利用基于稀疏表示的步态视角分类方法,实现步态视角匹配,进而确定视角角度。然后,采用典型相关分析(Canonical Correlation Analysis,CCA)方法提取在不同视角下的步态最大相关特征,用于减小它们之间的差异。考虑到步态的不同局部区域受步态视角的影响程度的不同,在基于全矫正Boosting的子空间集成学习框架上,加入局部图块选择机制,扩展出基于局部图块的子空间集成学习。最后,通过合理定义训练集中的三元索引集合有效地将CCA方法和基于局部图块的子空间集成学习方法结合起来,实现跨视角的步态识别。
为了验证所提出的步态识别方法的有效性,在USF HumanID和CASIA-B两个大型步态数据库上进行了大量对比实验。实验结果表明,论文所提出的步态识别方法具有较高的识别率和鲁棒性。
经过二十多年的发展,已经提出了许多步态识别算法,其中最先进的算法在训练和测试环境相似的情况下已经取得令人满意的识别精度。但是在非理想条件下,由于受到多种多样的步态变化因子的影响,算法的识别性能将会出现大幅度的下降,很难满足实际应用要求。因此,步态识别技术还远未成熟,设计出真正准确、鲁棒的步态识别算法仍然是目前研究的主要任务。本文基于子空间集成学习理论,以开发设计出有效的步态识别算法问题展开了深入的研究。具体来说,本文的主要工作和创新如下:
1.针对步态因受到多种多样变化因子的影响,导致识别算法性能下降的问题,提出了基于全矫正Boosting子空间集成学习的步态识别方法,将全矫正Boosting技术创新性地应用于子空间集成学习问题,构建一个通用的子空间集成学习框架,用于提取和优化组合步态在多个不同判别子空间下的特征,提高算法对步态变化因子的健壮性。
2.为了保留步态图像序列中对识别有着重要作用的时间位置信息,利用多通道特征提取技术,将步态序列中的时间位置信息反映到通道的权重上,在多个通道上分别对不同时段内的步态轮廓曲线图像进行编码,形成一个具有时间位置信息的步态特征图像,命名为步态高斯能量图像。为了进一步挖掘步态高斯能量图像的非线性信息,提出了基于核子空间集成学习的步态识别方法,在基于全矫正Boosting的子空间集成学习框架下,通过引入核方法,提取步态特征图像在多个非线性子空间下的特征,这些特征与在线性子空间下的特征相比,具有更高的可区分性,有利于进行步态识别。
3.为了增强步态特征图像对步态变化因子的健壮性以及判别能力,利用Gabor小波具有优良的空间局部性和方向选择性,在步态能量图像上提取图像局部区域内多个方向的空间频率和局部结构特征,是一种良好的步态描述方法。考虑到Gabor特征固有的多维空间结构以及空间相关性对步态识别有着积极的作用,采用张量表示步态的Gabor特征,分别根据张量到张量投影和张量到向量投影两种不同的多重线性投影方式,提出了基于张量子空间集成学习的步态识别方法和基于元多重线性投影子空间集成学习的步态识别方法。以上两种方法都是在基于全矫正Boosting的子空间集成学习框架下根据张量理论扩展得到的,相比于张量判别分析方法,具有更高的步态识别正确率的特点。
4.针对步态视角变化造成算法识别性能下降的问题,提出了一种跨视角步态识别方法。首先,利用基于稀疏表示的步态视角分类方法,实现步态视角匹配,进而确定视角角度。然后,采用典型相关分析(Canonical Correlation Analysis,CCA)方法提取在不同视角下的步态最大相关特征,用于减小它们之间的差异。考虑到步态的不同局部区域受步态视角的影响程度的不同,在基于全矫正Boosting的子空间集成学习框架上,加入局部图块选择机制,扩展出基于局部图块的子空间集成学习。最后,通过合理定义训练集中的三元索引集合有效地将CCA方法和基于局部图块的子空间集成学习方法结合起来,实现跨视角的步态识别。
为了验证所提出的步态识别方法的有效性,在USF HumanID和CASIA-B两个大型步态数据库上进行了大量对比实验。实验结果表明,论文所提出的步态识别方法具有较高的识别率和鲁棒性。