基于步态特征的身份识别研究.docx

基于步态特征的身份识别研究摘要随着信息化发展进程日益加快信息技术的应用领域和范围也在不断拓展。出于安全因素的考虑身份识别在社会的多个领域起到了非常重要的作用。伴随着科技的发展和进步生物识别技术得以开发和应用通过判断人的动作行为进而区分其个体身份。作为一种新型的生物识别技术步态识别技术将身份识别技术水平提升到一个新的高度成为当前身份识别领域重点研究的方向。文章基于步态特征的身份识别进行研究。【关键词】步态特征身份识别特征融合步态特征身份识别是通过对个体动作行为的变化特征进行分析判断进而了解和掌握该个体身份。步态特征识别技术能够远距离、非接触进行操作检测和识别的准确性高在公众场所的安保方面有着广泛的应用。基于步态特征的身份识别在实践应用当中不断的改进和完善逐渐成为更加成熟的身份识别技术。1基于步态特征的身份识别要点1.1运动目标检测在步态特征身份识别检测当中运动目标检测是十分关键的环节是了解和掌握运动目标步态特征的基础。基于图像序列经过背景建模、减除将获得的前景图像进行形态学处理；然后进行连通性分析并进行图像剪裁；最后经过边缘提取提取出运动目标进行特征提取。1.1.1图像提取基于步态特征的身份识别当中应用帧差法或背景差法对视频序列进行图像提取确定变化的人体区域简单直接的提取运动目标。根据人体轮廓序列分别确定前景目标和背景区域。1.1.2形态学处理为了避免出现背景噪声和前景空洞需要对所提取的运动目标进行形态学处理以符合人体的轮廓要求。经过形态学处理的图像更加平滑以邻域运算的方式在二维矩阵当中基于结构元素扫描二值图像的各点像素。寻找结构元素与二值图像的重合区域进而进行逻辑运算利用膨胀、腐蚀或者组合运算有效消除背景噪声的干扰弥补运动目标提取当中存在的不足进而获得更加清晰的步态特征图像。1.1.3连通性分析将相互连通的区域进行套标记计算像素点根据像素点的多少来确定人体区域和背景区域人体步态特征能够充分呈现出来并有效消除噪声区域的干扰。1.1.4图像裁剪图像裁剪的主要作用是有效去除背景信息冗余在保证图像完整性的情况下进行裁剪保证尽量小的尺寸。1.1.5边缘提取前景目标的边缘是识别人体步态特征的关键区域在图像区域的边界利用边界跟踪算法对经过裁剪的图像进行轮廓线的提取进而获得更加清晰、准确的步态特征。1.2步态特征提取步态特征提取是在运动目标检测的基础上对图像序列进行周期性监测提取关键帧进而了解人体轮廓特征、肢体角度特征以及反射对称特征联合特征矢量在分类器当中进行步态特征的识别。1.2.1步态周期监测人体行走运动过程中步态呈现出周期性。一般来说两步即为一个步态周期。但是由于步态的复杂性周期并不完全准确只是大概的数值。经过步态周期检测利用简单、便捷的方法能够有效估算步态周期并根据人体的运动特征进行综合分析获得更加精准的步态周期。1.2.2关键帧提取由于步态周期的差异性所以在进行运动目标图像帧的提取时无法做到均匀会存在一定的冗余。因此需要从中提出关键帧以更好的反映出准确的步态特征。1.2.3步态特征提取步态特征提取包括人体轮廓特征、肢体角度特征以及反射对称特征等几个方面。利用傅里叶描述子来提取人体轮廓特征而肢体角度特征是综合了人体各部位、关节的特征进行综合描述能够充分反映步态特征。反射对称特征则是根据人体的行走运动习惯将反射对称特征作为步态识别判断的参考。根据步态特征的融合进行综合分析进而实现基于步态特征的身份识别。2基于步态特征的身份识别实验分析在步态特征身份识别实验当中基于CASIA步态数据库以此作为仿真数据进而验证步态身份识算法性能。本文从CASIA子库DatasetA步态数据库当中选取5组步态图像这5组图像代表着不同的人的步态。在5组图像当中分别选取90°的行走方向相同方向选2个图像序列1组作训练样本1组作测试样本。按照正确分类率和累计匹配值进行判断准确进行步态特征识别验证对其性能予以正确评价。根据步态特征算法流程进行步态特征的身份识别实验。基于DatasetA步态数据库对三个图像当中的步态特征即人体轮廓特征、肢体角度特征以及反射对称特征分别经过分类器处理进而获得联合矢量进一步分类识别。应用三种不同的算法实验以验证本文算法的识别性能。（1）分类识别改进肢体角度特征再与人体轮廓特征相互融合；（2）在不引入权值的情况下融合人体轮廓特征、肢体角度特征以及反射对称特征；（3）引入权值在进行步态各特征的