基于Haar小波和融合HMM的步态识别方法.docx

基于Haar小波和融合HMM的步态识别方法
基于Haar小波和融合HMM的步态识别方法
摘要：步态识别作为一种非接触式生物识别技术，已经在诸多领域中得到广泛应用，如人体健康监测、安全门控等。本文基于Haar小波和融合隐马尔可夫模型（HMM）的步态识别方法进行探讨与研究。首先，通过采集步态图像序列，利用Haar小波对步态图像进行分解和重建，得到不同尺度和方向上的步态特征。接着，将获得的步态特征向量序列输入HMM中，采用Viterbi算法训练和识别步态模型。最后，通过实验验证了本文方法的有效性和可行性，结果表明该方法在步态识别中具有较高的准确率和鲁棒性。
关键词：步态识别、Haar小波、HMM、Viterbi算法、准确率
1.引言
步态识别作为一种非接触式生物识别技术，可以通过分析人体的运动特征，来区分不同个体的步行模式。目前，步态识别已经广泛应用于人体健康监测、安全门控等领域。然而，传统的步态识别方法受限于光照条件、视角变化和非理想环境等因素的影响，使得识别精度不高。因此，如何提高步态识别的准确率和鲁棒性成为研究的关键问题。
2.相关工作
近年来，研究者们提出了许多步态识别方法，包括基于图像处理、模式识别和机器学习等技术。其中，小波变换作为一种多尺度分析方法，已经广泛应用于图像处理和模式识别中。而隐马尔可夫模型（HMM）则是一种常用的序列建模方法，可以对时间序列数据进行建模和识别。
3.Haar小波与步态特征提取
Haar小波是一种基于矩形滤波器的小波变换方法，可以将信号分解成近似分量和细节分量。在步态识别中，可以通过将步态图像序列进行Haar小波分解，得到不同尺度和方向上的细节分量，从而提取到步态的特征信息。具体步骤如下：
（1）将步态图像序列进行预处理，如去除噪声和平滑处理；
（2）将预处理后的步态图像序列进行Haar小波分解，得到近似分量和细节分量；
（3）选择感兴趣的细节分量，并将其重建为特征图像；
（4）对特征图像进行归一化处理，得到步态特征向量。
4.融合HMM的步态识别模型
隐马尔可夫模型（HMM）是一种常用的序列建模方法，可以用于对时间序列数据进行建模和识别。在步态识别中，可以将步态特征向量序列输入HMM中，通过训练和识别步态模型，来实现步态识别。具体步骤如下：
（1）定义HMM的状态集合、观测集合和转移概率矩阵；
（2）利用Viterbi算法对HMM进行训练，得到各状态间的转移概率矩阵；
（3）将步态特征向量序列输入训练好的HMM中，通过Viterbi算法得到最可能的状态序列；
（4）根据最可能的状态序列，进行步态识别。
5.实验与结果分析
本文通过构建了一个步态图像数据库，包含多个被试者的步态图像序列。然后，采用Haar小波和融合HMM的步态识别方法对步态图像进行特征提取和识别。实验结果表明，该方法在步态识别中具有较高的准确率和鲁棒性。与传统的步态识别方法相比，本文方法能够有效地提取并利用步态图像序列的特征信息，以及对时间序列数据进行建模和识别。
6.结论与展望
本文基于Haar小波和融合HMM的步态识别方法在步态识别中具有较好的性能和应用前景。然而，仍需要进一步研究和改进，如增加训练样本、优化特征提取方法以及改进模型训练算法等。同时，还可以将该方法与其他生物识别技术相结合，来提高步态识别的精度和鲁棒性。
参考文献：
[1]Li,G.,See,T.S.P.,&Ong,S.K.(2006).Efficientpatientidentificationforwirelessbodysensornetworks.Computersinbiologyandmedicine,36(3),227-245.
[2]Tan,Y.,Gu,L.,Lao,S.,&Zhang,D.(2006).Arobustgaitrecognitionmethod.Patternrecognition,39(12),2238-2241.
[3]Ryu,J.,Lee,B.S.,Kim,T.,&Kim,J.(2014).Gaitrecognitionusingwalkingspeedestimationanddynamictimewarping.Biomedicalengineeringonline,13(1),49.