导读:本文包含了步态能量图论文开题报告文献综述及选题提纲参考文献，主要关键词:步态识别,Kinect,骨骼模型,鲁棒主成分分析
步态能量图论文文献综述
关桂珍[1]（2018）在《基于骨骼模型与稀疏深度能量图的步态识别研究》一文中研究指出步态识别是生物识别技术的重要手段之一,在公共安全、监控检测等方面有着很大的应用前景,特别是随着Kinect设备的发展,更是将步态识别带入了一个新的研究热潮。但是目前步态识别离广泛应用到日常实际场景中仍有一段距离,如何得到具有可拓展性、强鲁棒性、和识别效果好的设计方案是步态识别投入实际应用的关键。本文基于Kinect提供的数据进行一系列研究,针对骨骼信息方面,通过构建3D步态骨骼模型,并结合人体分区法求得步态骨骼模型中身体各部分的分质心和总质心,提取与步态相关性极高的步态特征,如骨骼长度、各分区质心之间的角度和距离等。在深度信息方面,基于步态深度能量图提出了活动深度能量图,并结合鲁棒的主成分分析,给出了一种新的稀疏深度能量图的构建方法,该方法不仅反映了步态深度能量图所代表的平均图像的特征,还包含了在活动深度能量图中富含的步态运动特性。通过引入协同表示方法到步态识别中,提出了一种新的联合多步态特征协同表示方法,该方法可将步态骨骼特征与深度特征联合起来进行识别。分别在特征层和匹配层上应用,得到多步态特征字典的协同联合法和多步态特征匹配分数的协同联合法。经过大量的分析和对比实验表明,联合多步态特征协同表示法能够有效地提取步态特征,其识别效果较其他研究的好。其中,多特征字典协同联合法的识别率最高,平均达97.87%,充分证明了联合多特征协同表示方法能够合理地融合多类步态特征,使步态特征得到了更加有效和全面的表达,并在不同行走状态下的识别效果都较为稳定,具有一定的鲁棒性。(本文来源于《暨南大学》期刊2018-06-28）
付研[2]（2018）在《融合运动姿态与步态能量图的正面视角步态识别研究》一文中研究指出当今科学技术飞速发展,网络的广泛应用促进了社会信息化的程度,人们的自我保护意识越来越高。如何避免自己的财产和信息安全受到损失已经成为当今社会关注的重要问题,生物识别技术的研究应运而生。步态识别是生物识别技术中唯一能够实现距离内识别的技术,一直是身份认证领域的研究热点,监控环境中拍摄到正面步态的情况较多,相关研究较少,因此对正面视角的步态研究具有重要意义。本文针对正面步态识别算法进行研究。本文针对的正面步态是通过摄像机摄录的步态视频,包括室内和室外两种环境。识别过程分为四个步骤:目标检测、周期提取、特征提取和分类识别分别进行研究,主要工作如下。对于目标检测,对叁种常用的目标提取方法进行实验分析对比,最终采用适用于正面步态的背景减除法进行目标提取,然后进行二值化、形态学去噪等一系列后处理,最终获得比较完整的步态轮廓。对于周期检测,本文通过分析正面人体整体与局部区域姿态的运动特性,考虑到不同区域的周期变化特征,提出了叁种周期检测方法:利用整体晃动角度特征求周期、利用下臂摆动面积求周期、利用下肢左右腿面积变化求周期。分别进行实验验证其有效性,最终采用运行速度最快并且具有显着周期特征的整体晃动角度作为周期检测方法。特征提取是整个识别过程关键的一步,对特征的选择十分重要,为了解决单一特征造成的识别效果不理想、鲁棒性不强的问题,本文采用步态能量图描述整个周期内的步态轮廓序列,并基于步态能量图提取特征;同时将运动姿态的周期特性作为步态特征,对选取的特征利用基于权重的加权融合算法进行融合,最后采用支持向量机作为分类器。具体实验在中科院提供的步态数据库上进行。实验结果表明,本文提出的识别算法具有较好的识别效果。(本文来源于《燕山大学》期刊2018-05-01）
钱建轩[3]（2018）在《基于骨架分析和步态能量图的猪的步态识别》一文中研究指出随着我国养猪业规模化程度不断提高,利用信息技术来提升猪的养殖效率和健康管理水平已成为养猪业发展的必然趋势。计算机视觉技术作为一种能提升养殖业信息化水平的重要手段,它可以为猪只的异常行为或疫病情况提供自动的监测和预警。而猪的跛行一般会预示着一些疫病的发生,为识别出猪的正常步态和跛行步态,本文提出了一种基于骨架分析和步态能量图的猪的步态识别方法。针对复杂的猪舍环境,为避免光照、阴影和背景等因素对猪目标提取精度的影响,本文采用微软Kinect相机采集猪只行走的深度图像。利用背景减除法提取出目标猪前景图像,使用均值滤波算法减少噪声的影响,然后使用OTSU算法求取最佳阈值并进行二值化,再经过形态学中的开、闭运算得到最终的目标猪二值图像。本文利用骨架分析的方法检测出猪的步态周期。首先利用形态学方法提取出猪骨架,并对其剪枝,从而得到纯净的猪骨架。然后对猪的骨架端点进行排序,通过相邻点骨架路径来构造骨架端点的特征向量,利用待测猪骨架与标准猪骨架的骨架端点特征向量之间的相似性,从而确定待测猪骨架上各骨架端点的归属(确定猪的具体部位,如前肢端点、耳部端点等)。最后利用猪前肢端点相对距离随时间的准周期变化规律计算得到猪的步态周期。实验结果表明此方法可以有效地检测出猪的步态周期。步态能量图是一种高效的步态特征表示方法,通过在一个步态周期上合成猪的步态能量图(PGEI),并利用二维主成分分析(2DPCA)方法对其降维,最后采用最近邻分类器识别出猪的正常步态和跛行步态。通过在自建的猪的步态数据库上实验,取18个主成分向量时,识别率达到93.25%。实验结果表明,该方法可以有效的识别出猪的正常步态和跛行步态。此方法相对于基于PGEI+PCA方法在主成分个数、训练时间和正确识别率方面表现出一定的优势。最后,针对特征维数过高的问题,提出了一种分块PGEI+2DPCA的方法。通过对PGEI分块,找出对识别效果贡献高的区域,并在该区域进行实验,识别率达到93%,取得较好的识别效果的同时,特征维数也降低了一半。该项研究为采用计算机视觉技术来识别猪的跛行步态和异常行为提供了一种新思路。(本文来源于《江苏大学》期刊2018-04-01）
于凯强[4]（2017）在《基于卷积神经网络和类能量图的步态识别研究》一文中研究指出步态识别作为一种极具潜力的识别方法,已成为当下远距离、非接触式身份识别的研究热点。近几年深度学习在模式识别和人工智能领域大放异彩,而卷积神经网络作为深度学习领域中的核心算法,具有极强的大数据处理能力和学习能力,在图像分类中取得了显着的成就,被广泛应用于多类目标识别。步态能量图能提取到步态的动态、静态和时间信息,是一种常用且有效的步态特征提取方法。所以本文将基于卷积神经网络和多类能量图来对步态识别进行多方位的研究。主要的工作有:1.本文将实现对各种不同能量图的构建,经过对比分析从中选出叁种充分包含步态的动态、静态和时间特征的能量图。并根据本文设计的数据扩充方法,建立实验使用的叁种能量图的数据库。2.针对现有的基于能量图的步态识别研究没有考虑到实际中步态存在不同视角和不同形态的问题,本文以AlexNet和GoogLeNet模型为基础进行调整,进行跨视角和跨形态的步态识别实验。3.针对样本间差异会对跨形态的识别产生影响的问题,采用能量图分割方法,并用Merge融合层构建叁路卷积网络模型,提升跨形态步态识别效果。4.针对单种能量图不能充分包含步态特征的问题,以RGB叁通道原理和叁路卷积网络模型为基础,实现叁种能量图对数据级的融合方法,对比不同方法的步态识别效果,验证叁种能量图信息融合方法的有效性。本文利用卷积神经网络和类能量图的步态识别方法,完成了多组单种能量图和多种能量图信息融合的跨视角和跨形态步态识别实验,并给出定量实验结果。实验验证了叁种能量图数据级融合和特征级融合方法的有效性,以及卷积神经网络用于步态分类识别的可行性。(本文来源于《哈尔滨工程大学》期刊2017-12-01）
贾令尧[5]（2017）在《基于步态能量图的身份识别算法研究》一文中研究指出本文通过将一种新颖的步态时空表示方法与两种改进的特征提取方法结合,利用步态进行身份识别,显着提高了识别效果。首先,本文介绍了一种新颖的步态时空表示方法—步态能量图像。该步态时空表示方法利用一幅图像不仅保留了人行走时的运动信息,还保留了步态的时间信息,并且相比于其它步态表示方法,它显着减少了数据存储空间,提高了步态识别系统的实时性,为基于步态识别的身份认证提供了广阔的商用空间。另外,步态能量图像对噪声不敏感,有利于真实环境下的步态识别。然后,本文将步态能量图与两种改进的图像特征提取方法结合。其一,本文提取步态能量图改进的相位一致性特征。该特征是全局特征,保留了图像的全局信息。该改进的相位一致性算法采用改进的局部能量计算方法与频率扩展和噪声补偿策略,提取的步态特征更具识别性和定位性。然而,步态能量图的全局特征有其局限性,如不能很好地反映特征的空间分布信息。其二,为了克服步态能量图相位一致性特征存在的局限性,本文将其与改进的步态能量图像空间金字塔SURF特征进行级联融合,如此,既保留了步态能量图像的全局特征,也保留了步态能量图像的特征空间分布信息。本文将改进的网格加权算法偏最小二乘空间金字塔表示PlsSPR应用于步态能量图像空间金字塔,进行空间金字塔加权特征融合。本文提取步态能量图像各级空间金字塔各网格加速鲁棒特征SURF,该步态特征能够很好地反映特征的空间分布信息。最后,由于融合后的步态特征存在严重的冗余,并且现存的步态数据库相对较小,而本文提取的步态特征维数巨大,为了避免小样本问题和降低数据冗余,避免维度灾难,提高处理速度,本文采用改进的二阶段PCA-LDA对步态特征进行降维以生成最佳特征。为了考察本文所提出的步态识别方法的识别效果,本文采用一种新颖的相似度度量方法—ZCA白化余弦距离,利用最近邻分类器,在大规模标准步态数据库CASIA DatasetB和USF步态数据上对步态模式进行判别归类。实验结果表明,本文方法在识别正确率和鲁棒性方面显着优于其他步态识别方法。(本文来源于《长春工业大学》期刊2017-06-01）
李孟歆,姜佳楠,贾燕雯[6]（2016）在《基于步态能量图的特征提取新方法》一文中研究指出为了更好地提取步态特征,实现更好的分类识别效果,提出了基于带关节点的步态能量图(PGEI),以便表达完整的步态特征,再运用LBP局部二值模式特征提取方法提取图像的特征,最后使用SVM支持向量机进行最后的步态识别。使用中科院自动化所CASIA B步态数据库进行实验,以SVM支持向量机的算法进行识别,分别识别步态能量图GEI和带有关节点的步态能量图PGEI图像,正确率分别为52.17%~56.52%和83.33%~95.83%.这说明,这种特征提取方法具有较好的识别性。(本文来源于《科技与创新》期刊2016年22期）
李晶,张菁,倪军[7]（2016）在《基于修正步态能量图和视角检测的步态识别方法》一文中研究指出针对步态识别性能易受视角、着装和携带物品等变化影响的问题,提出了一种基于修正步态能量图和视角检测的步态识别方法。首先,对步态能量图进行修正,降低着装和携带物品的变化对步态识别的影响;接着,基于修正的步态能量图提取熵特征,并依据最近邻准则检测步态序列的视角;最后,在相同视角的数据库下,采用二维主成分分析和二维线性判别分析相结合的方法提取步态特征,并采用最近邻准则进行分类,以降低视角变化对步态识别的影响。通过在CASIA B数据集上进行对比实验,证实所提方法对视角、着装和携带物品等变化的鲁棒性强,平均识别率高。(本文来源于《计算机科学》期刊2016年08期）
施登科,张宇,李平[8]（2016）在《基于步态语义特征和能量图特征的步态识别分析比较》一文中研究指出本文提出了一种利用人体二维棍状模型从图像中准确提取人体关节点的方法,并基于此获取步态语义特征,包括静态语义特征和动态语义特征。然后构造了步态能量图特征,并用这两类特征通过四种不同的分类方法对变装与不变装的步态进行识别。实验结果表明,步态能量图特征对于训练样本与测试样本都不变装的情况比较合适,而步态语义特征能够描述步态的主要差异,对变装行走具有一定的鲁棒性。此外对比不同分类方法,本文发现距离学习是一类比较适合基于特征的步态识别的分类方法。(本文来源于《第35届中国控制会议论文集（C）》期刊2016-07-27）
李玲[9]（2016）在《基于空间分解和联合稀疏模型的步态活动能量图研究》一文中研究指出步态识别作为一种新型的生物识别技术,能够在远距离和低分辨率下进行分类识别,是近年来最热门的研究课题。但是步态识别目前尚处于理论探索阶段,没有达到实际应用的效果。如何设计并实现一个识别率高、鲁棒性强、可拓展的步态特征提取算法一直是解决步态识别问题的关键。本文在前人研究的基础上,对活动能量图进行详细的研究,主要的研究成果如下:首先,本文阐述了步态识别的研究背景和意义,对步态识别技术进行了详细的介绍,分析了步态识别的特点、步骤和当前面临的挑战。针对当前研究和发展现状,着重介绍了几种代表性的步态识别方法,从不同的角度分析了各类方法的优缺点,最后在类能量图的基础上提出了本文的研究方向。其次,针对现有类能量图方法无法消除静态区域干扰的问题,提出对步态活动能量图进行空间分解。分别提取行质量向量和列质量向量,通过频谱分析的方法进行特征优化处理,将时域信号转化为频域信号,利用求极值的方法来构建步态特征向量。最后采用动态空间分解法进行空间领域的分类识别,使得步态能量图不通过降维处理也可以获得很好的识别效果。最后,在能量图空间分解的基础上,着重研究如何消除携带物的干扰。借助物理学分布式压缩感知的原理,在联合稀疏模型的基础上,对步态能量图特征进行共有特征和私有特征的划分。在训练阶段就通过对比测试序列与样本序列的私有特征消除携带物的干扰,并采用随机投影进行降维处理,通过第一范数最小化进行特征重构,求解最小残差达到分类识别的目的。并通过与其他现有方法的对比实验,进一步验证本文所提方法的可行性。最终,本文研究活动能量图提取的步态特征,识别率可达到83%,并对衣服背包等携带物具有较强的鲁棒性。(本文来源于《暨南大学》期刊2016-06-16）
王竣,王修晖[10]（2016）在《步态能量图和KFDA的步态识别研究》一文中研究指出为了有效地获取步态连续性的动态特征,快速准确地进行身份识别.特提出了一个基于步态能量图(Gait Energy Image,GEI)和核Fisher判别分析(Kernel-based Fisher Discrimination Analysis,KFDA)的分类识别算法.算法首先以步态能量图(GEI)按列向量作为输入,求得最优子空间W_(opt)和α_(opt).利用提取步态能量图(GEI)的步态信息向量计算在α_(opt)上的投影,并计算其投影轨迹.在分类阶段,采用最近邻分类器(Nearest neighbor classifier).最终在中科院自动化研究所CASIA B步态数据库上进行实验,对比多项式、高斯径向基核函数和其他四种算法的结果显示,本文算法取得了较高的识别率.(本文来源于《中国计量学院学报》期刊2016年02期）
步态能量图论文开题报告
（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：
当今科学技术飞速发展,网络的广泛应用促进了社会信息化的程度,人们的自我保护意识越来越高。如何避免自己的财产和信息安全受到损失已经成为当今社会关注的重要问题,生物识别技术的研究应运而生。步态识别是生物识别技术中唯一能够实现距离内识别的技术,一直是身份认证领域的研究热点,监控环境中拍摄到正面步态的情况较多,相关研究较少,因此对正面视角的步态研究具有重要意义。本文针对正面步态识别算法进行研究。本文针对的正面步态是通过摄像机摄录的步态视频,包括室内和室外两种环境。识别过程分为四个步骤:目标检测、周期提取、特征提取和分类识别分别进行研究,主要工作如下。对于目标检测,对叁种常用的目标提取方法进行实验分析对比,最终采用适用于正面步态的背景减除法进行目标提取,然后进行二值化、形态学去噪等一系列后处理,最终获得比较完整的步态轮廓。对于周期检测,本文通过分析正面人体整体与局部区域姿态的运动特性,考虑到不同区域的周期变化特征,提出了叁种周期检测方法:利用整体晃动角度特征求周期、利用下臂摆动面积求周期、利用下肢左右腿面积变化求周期。分别进行实验验证其有效性,最终采用运行速度最快并且具有显着周期特征的整体晃动角度作为周期检测方法。特征提取是整个识别过程关键的一步,对特征的选择十分重要,为了解决单一特征造成的识别效果不理想、鲁棒性不强的问题,本文采用步态能量图描述整个周期内的步态轮廓序列,并基于步态能量图提取特征;同时将运动姿态的周期特性作为步态特征,对选取的特征利用基于权重的加权融合算法进行融合,最后采用支持向量机作为分类器。具体实验在中科院提供的步态数据库上进行。实验结果表明,本文提出的识别算法具有较好的识别效果。
（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。
步态能量图论文参考文献
[1].关桂珍.基于骨骼模型与稀疏深度能量图的步态识别研究[D].暨南大学.2018
[2].付研.融合运动姿态与步态能量图的正面视角步态识别研究[D].燕山大学.2018
[3].钱建轩.基于骨架分析和步态能量图的猪的步态识别[D].江苏大学.2018
[4].于凯强.基于卷积神经网络和类能量图的步态识别研究[D].哈尔滨工程大学.2017
[5].贾令尧.基于步态能量图的身份识别算法研究[D].长春工业大学.2017
[6].李孟歆,姜佳楠,贾燕雯.基于步态能量图的特征提取新方法[J].科技与创新.2016
[7].李晶,张菁,倪军.基于修正步态能量图和视角检测的步态识别方法[J].计算机科学.2016
[8].施登科,张宇,李平.基于步态语义特征和能量图特征的步态识别分析比较[C].第35届中国控制会议论文集（C）.2016
[9].李玲.基于空间分解和联合稀疏模型的步态活动能量图研究[D].暨南大学.2016
[10].王竣,王修晖.步态能量图和KFDA的步态识别研究[J].中国计量学院学报.2016