基于步態(tài)的身份識(shí)別算法研究.pdf

1、步態(tài)識(shí)別是通過(guò)對(duì)人行走的姿態(tài)進(jìn)行身份識(shí)別和認(rèn)證的生物識(shí)別方法。與其它生物特征識(shí)別（指紋、臉像、虹膜等）相比，無(wú)需接觸和干擾被識(shí)別人，可進(jìn)行遠(yuǎn)距離識(shí)別。步態(tài)識(shí)別作為一種新的生物特征識(shí)別技術(shù)，近年來(lái)引起了計(jì)算機(jī)視覺(jué)領(lǐng)域研究人員的廣泛關(guān)注。 提出了基于高斯混合輸出的連續(xù)隱馬爾可夫模型（Continuous Hidden Markov Model with Mixture of Gaussians, 簡(jiǎn)稱G-CHMM）的步態(tài)識(shí)別方法。對(duì)

2、步態(tài)識(shí)別的研究過(guò)程分為三個(gè)步驟：步態(tài)檢測(cè)、特征提取和分類識(shí)別。步態(tài)檢測(cè)是從輸入步態(tài)序列圖像中檢測(cè)出人的運(yùn)動(dòng)姿態(tài)。采用快速有效的背景減除方法進(jìn)行步態(tài)檢測(cè)，經(jīng)過(guò)背景減除后得到步態(tài)的前景圖像，對(duì)背景減除后的前景圖像運(yùn)用形態(tài)學(xué)算子進(jìn)行處理，去除其圖像中小的空洞和噪聲。 對(duì)于特征提取，首先用邊緣跟蹤算法提取出步態(tài)圖像的邊緣輪廓，選取步態(tài)輪廓邊緣點(diǎn)到重心的距離作為特征矢量提取步態(tài)特征。然后通過(guò) -均值聚類算法獲得一個(gè)步態(tài)周期的5個(gè)關(guān)鍵幀，利

3、用步態(tài)序列每幀和關(guān)鍵幀之間的歐氏距離壓縮觀測(cè)矢量維數(shù)，對(duì)步態(tài)圖像中的每一幀得到5維特征矢量。 對(duì)于分類識(shí)別，采用高斯混合輸出的連續(xù)隱馬爾可夫模型方法。首先利用 -均值聚類法建立初始高斯混合模型，然后采用 Baum-Welch算法對(duì)初始連續(xù)隱馬爾可夫模型（Continuous Hidden Markov, 簡(jiǎn)稱CHMM）參數(shù)不斷訓(xùn)練求精。利用5個(gè)關(guān)鍵幀和訓(xùn)練得到的CHMM參數(shù)來(lái)表示步態(tài)庫(kù)中每個(gè)人的步態(tài)序列。最后采用前向算法求出被識(shí)