论文部分内容阅读
随着人们对安全问题的重视,监控系统变得无所不在。利用监控系统信息进行人的身份识别变得非常迫切。步态识别,即利用人走路的姿势进行身份识别,是一种新兴的生物特征识别技术,具有远距离非接触、非侵犯和难于隐藏的特点。其特点非常适合智能监控领域的应用需求,因此,步态识别成为当今的研究热点。目前,步态识别的大部分方法是非模型的方法。其中基于实心轮廓的方法存在大量的冗余数据,而基于轮廓线的方法则对噪声非常敏感。为了尽量消除轮廓噪声对特征提取的影响,本文提出了一种基于最外轮廓的步态识别方法。然而步态作为一种行为特征,与其他生物特征相比,具有识别率低、鲁棒性差的缺陷。为了有效利用监控系统采集的多生物特征信息,提高系统识别性能,本文提出了一种基于人脸和步态的混合融合身份识别方法。本文的研究内容包含两个部分:基于最外轮廓的步态识别方法、基于人脸和步态的混合融合身份识别方法。针对基于轮廓线的步态识别方法特征提取复杂、对噪声敏感等问题,本文提出了基于最外轮廓的步态识别方法。该方法利用人体轮廓最外侧的点提取特征,可以有效避开人体轮廓上的噪声集中区域,提取到更加准确的轮廓特征。首先对分割后的人体轮廓进行归一化处理,保证所有的人体轮廓具有的高度。然后利用最外轮廓(在人体轮廓图像的每一行中,人体轮廓上最左边和最右边的像素点属于最外轮廓)提取轮廓特征,并利用PCA训练降低轮廓特征的维度,在新的特征空间计算步态特征。为了对步态特征进行有效识别,识别阶段采用了MDA,BPNN和SVM三种方法。在100人规模的步态数据库上验证了本文算法的有效性。步态识别具有识别率低、鲁棒性差的缺点,单纯依靠步态进行身份识别难以满足识别系统的性能需求。考虑到人脸和步态信息都可以通过监控系统获取,融合人脸和步态进行身份识别可以提高系统的识别性能,从而促进智能监控领域的发展,具有重要的理论意义和应用价值。基于以上原因,本文提出了基于人脸和步态的混合融合身份识别方法。该融合方法包括两个部分——串行部分和并行部分,两部分有条件的依次执行。在串行部分,依次使用人脸识别算法和步态识别算法对待识别对象进行识别。为了避免误识,本文对该部分的人脸识别算法和步态识别算法设置了非常严格的阈值。如果两个识别算法中的某一个能够满足阈值要求,则给出识别结果,混合融合算法终止。否则,进入并行部分,利用rank-level融合策略,对待识别对象进行识别。在100人的交叉数据库中,该混合融合方法取得了正确识别率100%的识别结果。该融合方法同时兼顾了识别精度和识别速度,为多模态生物特征识别的研究提供了新的解决思路。本文提出的基于最外轮廓的步态识别方法能够有效避免轮廓分割不理想造成的噪声干扰,从而提高步态的识别性能。然而,本文仅考虑了正常状态下的步态,下一步工作将对基于最外轮廓的步态识别方法的鲁棒性(如视角、衣着、行走方式等发生变化的情况)进行研究。另外,融合人脸和步态进行身份识别具有重要的理论研究意义和实用价值,基于已取得的初步研究成果,下一步将着手研究复杂环境下的融合人脸和步态的身份识别。