基于确定学习理论和Kinect数据流的人体正面步态识别研究

作     者：康忠润 

作者单位：华南理工大学 

学位级别：硕士

导师姓名：王聪;黄伟毅

授予年度：2018年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：步态识别 确定学习 Kinect数据流 特征融合 正面视角 

摘      要：人体步态识别技术作为一种新型生物特征识别技术,成为了计算机视觉和智能识别领域一个备受关注的研究方向,旨在根据人走路的姿态,对步态信号进行采集、提取、建模、分析、及分类,可将其用于身份识别、生理、病理以及心理特征的检测等实际应用中,相比于其它静态生物特征识别技术,比如指纹、虹膜和人脸识别等相比,步态是人体外在的、动态的表现,且和运动的时空信息密切联系,步态识别技术具有独特的优势和广阔的应用前景,因此,研究步态识别技术具有极其重要的意义。步态识别技术涉及到特征提取、步态建模以及模式识别,近年来,在步态识别领域已有大量的研究分析,取得了许多不错的成果,这些研究绝大部分是基于视频和侧面视角采集步态信号,且只提取单一的步态动态特征进行识别分析。但正面视角比侧面视角更加符合实际应用场景,更容易被摄像头捕获。人体步态是一种非常复杂的非线性动力学信号,包含了相当丰富的、具有价值的特征信息,若仅选取单一特征参量进行分类识别,难以全面表征人体的步态属性。若能对人体步态进行准确建模,并以正面视角采集步态信息,充分挖掘步态信号中丰富的特征参量,将会对推进步态识别技术的发展有很大的意义。本文提出一种基于确定学习和Kinect数据流的步态正面识别方法,确定学习理论能在未知动态环境下对步态进行局部准确建模,实现对步态动态模式的快速识别。在前人工作的基础上,本文主要成果概括如下:1.采用正面视角进行步态识别研究,利用Kinect深度传感器采集人体正面视角的步态原始数据,构建本论文所需原始步态数据库;提取大量步态特征,并组合三组单一步态特征集,通过实验分别获得其识别准确率,进而分析单一特征在步态识别中的表现,以及人体不同特征的优劣性。2.将信息融合理论与步态识别技术结合,挖掘人体丰富的步态特征,融合有价值的步态信息,优化步态识别系统输入信号;本文重点研究特征级融合和决策级融合算法在步态识别技术中的运用,通过融合特征充分展现步态属性,进而大大提高识别准确率,最后通过实验和统计学方法分析,验证融合算法效果。3.设计并实现基于MATLAB软件环境的步态识别系统,为步态研究和实验分析提供了十分友好的系统界面和平台。