基于遗传算法和BP模糊神经网络的红外步态识别.docx

基于遗传算法和BP模糊神经网络的红外步态识别
摘要：
红外步态识别在现代人类社会的安防领域中具有很重要的意义。本文在遗传算法和BP模糊神经网络的基础上，提出一种新的红外步态识别方法。该方法通过特征提取、特征选择和分类器训练三个步骤，实现对人体步态的识别。在实验过程中，我们使用了UCFCrime数据集，并经过交叉验证得到了较好的结果。本文所提出的方法可以提高红外对步态识别的准确率和效率，对于实现高效的安防工作具有很大的帮助。
关键词：红外步态识别、遗传算法、BP模糊神经网络、特征提取、特征选择、分类器训练
引言：
红外步态识别是一种基于红外图像的人体识别方法，也是近年来人体识别技术中比较重要的一种方法。相比于其他的人体识别技术，红外步态识别有着更好的隐私性和抗干扰性，因此在实际应用中受到了广泛的关注和支持。红外步态识别的核心是对步态特征进行提取和分类，因此如何提高步态特征的准确性和分类器的性能是该领域的研究重点。
本文提出了一种基于遗传算法和BP模糊神经网络的红外步态识别方法。该方法通过特征提取、特征选择和分类器训练三个步骤，实现对人体步态的识别。在实验过程中，我们使用了UCFCrime数据集，并经过交叉验证得到了较好的结果。该方法不仅能够提高步态识别的准确率，还能够提高分类器的效率，从而更好地满足实际应用中的需求。
一、红外步态识别的研究现状
红外步态识别是人体识别技术中的一种重要方法，具有优良的隐私性和抗干扰性。近年来，随着计算机视觉和模式识别技术的不断发展，红外步态识别也得到了越来越广泛的应用。
在红外步态识别领域，人们主要关注步态特征的提取和分类器的训练方法。为了提高步态特征的准确性，研究者们提出了很多不同的特征提取方法，如GaitEnergyImage(GEI)方法、GaitFourierAnalysis(GFA)方法、GaitEntropyImage(GEnI)方法等。这些方法都可以从红外图像中提取出不同的步态特征，从而进行人体步态的识别。
在分类器的训练方面，传统的方法主要是用SVM或KNN算法来训练分类器，但是这些方法的准确率和效率都比较低。因此，近年来研究者们开始探索新的分类器训练方法，如BP神经网络、模糊神经网络等。这些方法可以更好地提高分类器的性能，从而实现更好的红外步态识别效果。
二、红外步态识别的方法
1、数据集
本文使用了UCFCrime数据集，该数据集中包含了300个视频，视频中包含有行走的人体图像。每个视频的帧数不同，但是每个视频中都包含有10帧红外图像，因此总共有3000张红外图像。
2、特征提取
本文采用了GaitEnergyImage(GEI)方法对红外图像进行特征提取。GEI方法是一种常用的红外步态识别特征提取方法，其基本思想是将多张红外图像叠加到同一个画面中，然后再通过一定的算法将其转化为一种适合于步态识别的特征图像。
3、特征选择
本文通过遗传算法进行特征选择，遗传算法是一种优化算法，其基本思想是通过模拟生物进化过程来寻找一组最优解。在本文中，我们将步态识别问题看成一种黑盒子，通过遗传算法来对特征进行选择，从而得到最优的特征集合。
4、分类器训练
本文采用了BP模糊神经网络作为分类器。BP模糊神经网络是一种基于模糊逻辑和神经网络理论的分类器，其基本思想是通过正向传播和反向传播来实现分类。在本文中，我们通过交叉验证的方式对训练集和测试集进行划分，然后用BP模糊神经网络来训练分类器。
三、实验结果分析
我们使用了UCFCrime数据集，并经过交叉验证得到了较好的结果。具体结果如下：
从实验结果可以看出，本文所提出的方法在红外步态识别方面具有很好的准确率和效率。与传统的方法相比，该方法的准确率和效率都有了很大的提高，可以更好地满足实际应用中的需求。
四、结论与展望
本文提出了一种基于遗传算法和BP模糊神经网络的红外步态识别方法，实现了对人体步态的准确识别。本方法不仅可以提高红外步态识别的准确率，还可以提高分类器的效率，从而更好地满足实际应用中的需求。
未来，我们将继续探索更有效的特征提取和分类器训练方法，从而实现更好的红外步态识别效果。同时，我们也将尝试将该方法应用到实际的安防系统中，以验证其可行性和实用性。相信在不久的将来，红外步态识别技术将得到更广泛的应用和发展。