导读:本文包含了步态表示论文开题报告文献综述及选题提纲参考文献，主要关键词:稀疏表示,协同表示,GEI算法,Hog算法
步态表示论文文献综述
徐守坤,邱亮,石林,李宁[1]（2019）在《基于SEF-GHEI及协同表示的步态识别研究》一文中研究指出将协同表示方法应用于步态识别中可以解决稀疏表示方法计算耗时的问题,但提取步态特征采用的GEI算法没有考虑步态内部轮廓边界信息,导致识别率不高。针对此问题,提出使用融合Hog和GEI算法的方法提取步态特征,在此基础上使用协同表示的方法训练,再通过计算测试样本的最小重构误差进行分类。实验结果表明,该方法在单一视角下步态识别准确率平均提高了1. 315%,以及跨视角下步态识别准确率平均提高了6. 51%,说明该方法是可行的。(本文来源于《计算机应用研究》期刊2019年06期）
关桂珍,杨天奇[2]（2018）在《步态骨骼模型的协同表示识别方法》一文中研究指出针对目前步态识别中极易受到服饰和携带物等影响的难题,提出一种基于Kinect获取骨骼模型的步态识别新方法。对步态3D骨骼模型提取人体总质心,并与在步态周期中富有运动特征的人体四肢分质心的活动信息结合,分别得到动态与静态特征。动态特征可看作是周期信号,使用小波分解和带高斯滤波的离散傅里叶变换进行频谱处理,消除了外界干扰并增强了特征之间的差异性。通过动态时间规整算法把步态骨骼特征投影到相异空间,用协同表示进行匹配和归一化加权融合,最后根据最近邻算法进行分类识别。实验证明,该方法与稀疏表示识别算法相比得到了较为理想的识别效果,为步态识别在身份认证的应用领域提供了可靠的理论基础。(本文来源于《计算机科学与探索》期刊2018年01期）
朱瑞锋[3]（2016）在《基于稀疏表示的人体步态识别算法研究》一文中研究指出伴随着模式识别、计算机视觉和数字信号处理技术的快速发展与进步,人体生物识别的技术不断的受到人类的广泛关注,从早期的指纹、掌纹和DNA识别,到现在的人脸识别、虹膜识别。他们都在不同的领域得到了应用,比如安防、金融、身份识别等。虽然种种识别技术日渐成熟,但是上述的方式都需要识别对象的主动合作,而且需要近距离,甚至直接的物理接触。步态识别的含义是根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测。目前步态识别以其不可替代的优势,例如非接触性、非侵犯性、难以伪装和隐藏等特征,成为人们关注的热门研究方向。正因为这些优势是其他生物识别手段所不可比拟的。计算机视觉、图像处理与模式识别的研究人员均对此有着极大的兴趣。但是步态识别也存在着环境、视角、遮挡、拍摄条件等多种因素对识别过程的影响,它们对其构成了巨大的挑战导致目前步态识别方法仍无法达到实际使用的严格要求。本文提出一种基于稀疏表示的步态识别算法,并采用了中科院的CASIA Dataset B步态数据库和美国南弗罗里达大学(University of South Florid)的USF步态识别数据库对所提出的算法进行全面的性能评估。本课题主要的研究工作列举如下:首先,对步态图像进行预处理。对CASIA B和USF步态数据库获取的步态运动视频取得每一帧的图像,进行人体运动目标检测与步态轮廓提取,获得完整的二值步态图像序列。接下来,通过对步行姿势的研究,得到其步态图像序列的运动周期,为后续的特征提取做好准备工作。第二步,步态特征提取。本文建立了步态的能量图像(Gait Energy Image,GEI)后又得到了转换能量图像(Shifted Energy Image,SEI)。GEI的平均化过程中,随机噪声受到了抑制,鲁棒性大大增强,并包含了步态的静态与动态的特征信息。SEI对头部、躯干、腿部的有效分割有助于减少局部运动导致轮廓变化对特征提取的影响。并利用Gabor滤波提取SEI图像,获得图像特定区域内的多尺度、多方向空间频率特征,本文利用8方向5尺度的Gabor小波来提取SEI的幅值图谱,增强特征的边缘特征。接下来应用局部二值模式(Local Binary Pattern,LBP)于Gabor滤波后的幅值谱图像上,并进行直方图统计。Uniform LBP有助于减少诸如光照变化等造成的灰度变化,降低计算量和图像维数。最后,以此作为识别对象的步态特征,提出了基于稀疏表示的步态识别分类。运用了LARS算法对数据集进行稀疏表示,建立了判别式K-SVD算法对样本集进行字典的构造。基于稀疏表示算法可以极大地去除图像特征中所含的冗余信息,只利用系数的字典元素最大程度地保留特征的有用信息,进而实现高精度的步态识别。并采用CASIA Dataset B和USF步态识别数据库对所提出的算法进行全面的性能评估。实验证明相对于已有的经典算法,本文所提出的算法有一定的优越性,具有较好的识别率和识别速度,适合实时性要求高的场合。(本文来源于《哈尔滨工业大学》期刊2016-07-01）
崔磊磊[4]（2016）在《基于协同表示的步态识别方法研究》一文中研究指出随着监控系统的普遍应用,如何有效地对不明身份的人进行身份识别已经成为所有人关心的话题。步态识别,即根据人行走时的姿态进行身份识别,因具有远距离、非侵犯、难以模仿和伪装等优点,受到了众多研究者的青睐。近年来提出的协同表示分类方法在模式识别领域取得了较好的识别效果,因此本文对协同表示的步态识别进行了深入研究。首先,针对单帧步态图像对噪声敏感且不能反映人体运动特性的问题,本文采用反映步态时空特性的步态能量图作为步态特征。在图像预处理、周期检测及图像标准化的基础上计算步态能量图,然后,结合主成分分析法进一步提取有效特征,从而降低特征维度,减少计算量。其次,每类对象的步态能量图样本不够充足,用稀疏表示的方法会产生误差且计算比较耗时,针对这些问题,提出基于协同表示的步态识别方法。该方法用所有类来协同表示测试样本,并采用正则化的最小二乘方法求解,根据测试样本的最小重构残差进行分类。实验结果表明,该方法能以较低的识别时间获得较好的识别率。最后,针对特征提取过程中仅利用了步态的线性特征可能导致识别错误的问题,提出基于核协同表示的步态识别方法。利用核方法的非线性数据处理能力,将步态能量图投影到高维的特征空间来提取有效的步态特征,并采用协同表示的方法得到分类结果。实验结果表明,该方法能提高角度变化时的步态识别率,对角度变化具有一定的鲁棒性。(本文来源于《西安科技大学》期刊2016-06-30）
李占利,崔磊磊,刘金瑄[5]（2016）在《基于协同表示的步态识别》一文中研究指出将基于稀疏表示的分类算法应用于步态识别中,会遇到小样本及计算耗时的问题。针对这一问题,提出一种基于协同表示的步态识别方法。该方法首先通过背景重建、目标提取等处理获得人体侧影轮廓,根据步态轮廓的宽度变化统计步态周期,得到步态能量图GEI;其次,以GEI为基础对测试样本进行协同表示;最后,通过最小重构误差进行识别。实验结果表明,该方法具有较好的识别性能,并且识别时间明显降低。(本文来源于《计算机应用研究》期刊2016年09期）
杨国亮,漆娟娟,高萌[6]（2014）在《局部约束组稀疏表示的步态识别方法》一文中研究指出提出一种局部约束组稀疏表示的步态识别方法。通过预处理提取人体二值化侧影图,计算步态周期并利用HS(Horn-Schunck)算法生成步态光流图,经降维后利用局部约束组稀疏表示的方法进行分类识别。在标准稀疏表示分类方法的基础上,引入了组稀疏约束和局部平滑稀疏约束,使其最小重构误差的非零重构系数分散在与测试样本相邻的同一训练类别组内。在CASIA Dataset B数据库上的实验结果表明,该方法有较高的识别率。(本文来源于《计算机工程与设计》期刊2014年07期）
聂栋栋,马勤勇[7]（2014）在《远距离复杂背景鲁棒的步态特征提取与表示方法》一文中研究指出远距离复杂背景下步态图像通常受到噪声的影响很大。Gabor特征在此类步态识别中显示了良好的特性,然而一些基于Gabor特征的算法使用较多的模板从而导致计算量增大。为解决这个问题,本文提出了一种新的基于改进Gabor特征的步态特征提取与表示方法。首先突出步态能量图中的有效区域,并抑制易受噪声干扰的区域。然后构造一个同时具有两个方向互补特性的基本的滤波器,经过缩放和旋转,生成一系列滤波器。使用这些滤波器对改进的步态能量图以及步态差异图像进行卷积,得到两个特征向量集合以表示此步态对象。使用最近邻分类计算出本文方法在USF步态数据库上的识别率,与相关算法的比较证实了此步态特征提取与表示方法的有效性。对算法的计算量分析表明,本文算法所需的计算量比相关算法有较大降低。(本文来源于《信号处理》期刊2014年04期）
漆娟娟[8]（2013）在《基于步态光流图与稀疏表示的步态识别》一文中研究指出随着科学技术与信息技术的发展，安全已成为全球所有人关心的问题。如何保证人们安全问题，如何有效识别未明身份的人成为大家共同关心的问题。为了解决这些问题，提出了生物识别技术。例如指纹、虹膜、人脸的识别技术已经变得越来越成熟，但这些生物技术往往需要被识别对象的配合，要求近距离甚至需要被接触。但在安全监控领域方面被识别对象往往是不知道的，非接触性的，而步态识别正是作这种可以远距离、非接触情况下已经被越来越多的人所了解。步态识别技术作为一种新兴的生物特征，在信息安全与公共安全等方面具有较强的实用性和研究价值。本文对步态识别主要做了以下几个方面的研究：（1）研究了步态检测的算法，本文首先用中值法进行背景建模，接着对常用的几种步态检测算法进行了比较，光流法计算太复杂且需要高效率的计算机，帧差法容易产生空洞，且由于我们的数据库的背景相对比较简单，运用了背景消减法进行检测。同时运用形态学处理和八连通区域分析去除运动区域的噪声和单独的空穴，最后通过步态图像序列中人体的宽高比值曲线图获取人体步态周期。（2）在光流法的基础上，提出一种步态光流图的算法并对此进行降维。首先通过步态图像序列用Horn-Schunck算法合成光流，再对一个周期内的光流迭加平均合成步态光流图。，但其维数较高，容易造成维数灾难，通过几种降维算法的比较，本文选用了PCA和LDA一起对光流图进行降维，降维后的光流图作为步态特征。（3）最后设计稀疏表示分类器。由于稀疏表示能很好对图像进行分类，所以同样也适应于步态识别。在此基础上，本文运用改进的稀疏表示即局部约束组稀疏进行步态识别。本文首先分析组稀疏表示、局部约束稀疏表示的优点和不足。综合考虑以上两种稀疏表示的优势，构造局部约束组稀疏表示的模型，使同一类别样本构造成一个组，并标记它同时加入局部约束条件。再利用次梯度优化算法求解，最终设计出局部约束组稀疏分类器。（4）对上述算法进行了仿真实验，利用中科院的步态数据库CASIADataset B，先选取部分人体步态视频数据进行了步态检测与步态光流计算，并进行二次降维得到步态特征向量，最后训练局部组稀疏分类器，实验结果表明，相对于已有的经典算法本文所提出的算法有一定的优越性，具有较好的识别率。(本文来源于《江西理工大学》期刊2013-12-28）
杨旗,薛定宇[9]（2013）在《基于稀疏表示及分段帧差能量图的步态识别》一文中研究指出针对在提取步态轮廓特征时,步态识别算法复杂、运算时间长、难以满足实时性需求的问题,提出了一种基于稀疏表示及分段帧差能量图的步态识别方法.首先,建立改进的分段帧差能量图(SFDEI)作为步态的特征图像;对每个分段的帧差能量图建立字典,采用改进的正交匹配追踪算法对系数快速分解;最后,应用隐马尔可夫模型(HMM)对改进的分段帧差能量图建立步态识别模型.实验采用CASIA B步态数据库,以90视角进行实验.结果表明方法有较高识别率,同时可满足实时性需求.(本文来源于《信息与控制》期刊2013年01期）
孙颖慧[10]（2013）在《基于足底压力图像和稀疏表示的步态识别研究》一文中研究指出二十一世纪随着计算机技术的飞速发展,信息化的时代带给我们便利的同时,也存在很大的安全漏洞。鉴于传统的身份识别技术已经不能满足人们对安全性能的需求,生物识别技术得到蓬勃发展。本文主要介绍生物识别技术中的步态识别。足底压力图像的采集设备采集到的是一个叁维的步态压力图像时间序列信息,本文的研究方法是首先把叁维的信息通过特征提取和表示转化为二维的特征信息。接着把被测者的二维的特征在训练集上进行线性稀疏表示。每一个类别通过自己的稀疏系数恢复本类别表示的被测者二维信息。被测者实际的二维特征和恢复的二维特征差值最小的类,我们认为就是被测者所属的类别。当然,被测者样本稀疏表示的系数首先要满足稀疏集中度的要求。本文提出了一种新的足底压力图像特征,平均足底压力图像特征。该特征和现有的特征是一种互补的关系。这种新的特征和最大足底压力图像特征融合作为特征输入分类器取得了很好的识别效果。本文也是首次尝试将稀疏表示用足底压力图像的步态识别上,实验证明稀疏表示识别方法很适合基于足底压力图像的步态识别。(本文来源于《浙江大学》期刊2013-01-19）
步态表示论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对目前步态识别中极易受到服饰和携带物等影响的难题,提出一种基于Kinect获取骨骼模型的步态识别新方法。对步态3D骨骼模型提取人体总质心,并与在步态周期中富有运动特征的人体四肢分质心的活动信息结合,分别得到动态与静态特征。动态特征可看作是周期信号,使用小波分解和带高斯滤波的离散傅里叶变换进行频谱处理,消除了外界干扰并增强了特征之间的差异性。通过动态时间规整算法把步态骨骼特征投影到相异空间,用协同表示进行匹配和归一化加权融合,最后根据最近邻算法进行分类识别。实验证明,该方法与稀疏表示识别算法相比得到了较为理想的识别效果,为步态识别在身份认证的应用领域提供了可靠的理论基础。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
步态表示论文参考文献
[1].徐守坤,邱亮,石林,李宁.基于SEF-GHEI及协同表示的步态识别研究[J].计算机应用研究.2019
[2].关桂珍,杨天奇.步态骨骼模型的协同表示识别方法[J].计算机科学与探索.2018
[3].朱瑞锋.基于稀疏表示的人体步态识别算法研究[D].哈尔滨工业大学.2016
[4].崔磊磊.基于协同表示的步态识别方法研究[D].西安科技大学.2016
[5].李占利,崔磊磊,刘金瑄.基于协同表示的步态识别[J].计算机应用研究.2016
[6].杨国亮,漆娟娟,高萌.局部约束组稀疏表示的步态识别方法[J].计算机工程与设计.2014
[7].聂栋栋,马勤勇.远距离复杂背景鲁棒的步态特征提取与表示方法[J].信号处理.2014
[8].漆娟娟.基于步态光流图与稀疏表示的步态识别[D].江西理工大学.2013
[9].杨旗,薛定宇.基于稀疏表示及分段帧差能量图的步态识别[J].信息与控制.2013
[10].孙颖慧.基于足底压力图像和稀疏表示的步态识别研究[D].浙江大学.2013