基于隱馬爾可夫模型的步態(tài)識別算法研究.pdf

1、隨著時代的發(fā)展和社會的進步，近年來生物特征識別技術以其特有的安全性、穩(wěn)定性和方便性被廣泛地應用于安全、認證等身份鑒別領域。常用的生物特征包括人臉、虹膜、指紋、掌紋、聲紋等。與上述生物特征不同，步態(tài)是人體外在的、動態(tài)的表現(xiàn)，且和時空變化密切聯(lián)系。同時，與基于靜態(tài)特征的其它生物識別技術相比，步態(tài)識別具有非接觸性、非侵入性和難以隱藏性等顯著的優(yōu)勢。而且，一系列心理學實驗和生物特性研究表明：如果考慮人體行走過程中的所有因素，步態(tài)信息對不同的人是

2、唯一的。因此，步態(tài)分析在視覺監(jiān)控、控制、身份鑒定等領域中起著越來越重要的作用，受到計算機視覺研究者的廣泛關注。 本文分析了步態(tài)識別的國內(nèi)外研究現(xiàn)狀，研究了步態(tài)識別的主要方法及存在問題。在此基礎上，本文提出了一種基于隱馬爾可夫的步態(tài)識別算法。文章主要分三部分展開論述。 首先，文章系統(tǒng)的介紹了隱馬爾可夫的基礎理論。文章從馬爾可夫鏈入手，由此引出了隱馬爾可夫模型的基本概念與模型參數(shù)。在分析三個基本問題的基礎上，分別討論了隱馬爾

3、可夫的三個基本算法。同時，分析了隱馬爾可夫在實際應用中存在的問題，對基本算法進行了相應的改進。這一部分是文章的理論基礎。 接著，文章介紹了步態(tài)序列的預處理技術。預處理技術主要分以下幾部分討論：運動檢測、運動分割、感興趣區(qū)域提取與處理、步態(tài)周期檢測等。在運動檢測中，分析了常用的運動檢測算法，并使用背景減除法進行運動檢測。構建背景模型時采用了中值濾波法。運動分割部分，討論了固定閾值對圖像二值化結(jié)果的影響，并采用迭代閾值法獲取每幅前景

4、圖像的最優(yōu)化閾值，大大提高了二值化效果。同時，對二值圖像進行形態(tài)學濾波，減小了噪聲的影響。在感興趣區(qū)域提取與處理部分，采用全局搜索方法尋找最小人體矩形框，并對其進行歸一化和中心化處理。在檢測步態(tài)周期時，基于極值點的一階導數(shù)為零的理論提出了一種周期檢測方法。該方法將人體行走時兩腳間距離的變化作為處理信號，除個別視角外，在大多數(shù)情況下都可以準確地檢測周期。 最后，文章介紹了步態(tài)特征提取和步態(tài)特征識別。特征提取是步態(tài)識別的關鍵，文中首

5、先利用人體矩形框牛成步態(tài)能量圖，然后從能量圖中獲取步態(tài)特征序列。在特征提取時，采用模糊處理的方法，既降低了特征數(shù)據(jù)量，又減小了能量圖中噪聲點的影響。在模型參數(shù)訓練部分，提出了一種構建虛擬試驗樣本的方法，很好地解決了訓練樣本不足的問題。 仿真試驗時，在UCSD數(shù)據(jù)庫和CASIA Dataset A數(shù)據(jù)庫(即原NLPR數(shù)據(jù)庫)上作了大量的試驗，并對試驗結(jié)果作了詳細分析，分別得到了CCR、ROS曲線、ROC曲線。試驗分析表明，本文提出