基于Kinect骨骼信息的行人身份识别研究

作     者：金继元 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：张冬泉

授予年度：2022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：骨骼特征 身份识别 Kinect设备 姿态识别 BP神经网络 SVM 

摘      要：近年来,以生物特征进行身份识别的研究得到了快速的发展,人脸识别、指纹识别等方法已经被广泛用于日常生活的各领域中,促进了社会公共安全保护等工作的稳步进行。但这些方法也存在易被人为破坏或伪装的缺陷,骨骼特征作为人体的内部属性,能体现个体间差异性的同时具有极强的稳定性,比起其他生物特征还可进行远距离采集,因此骨骼特征识别技术成为近些年来研究的热点。本文研究以Azure Kinect设备获取可靠性较高的人体骨骼关节数据,提取能体现个体差异的典型静态骨骼特征进行识别,以求适用更多工作场景。针对骨骼特征提取时受姿态影响较大的问题提出了一种基于深度图像的姿态识别方法。之后,构建了BP神经网络和SVM两种分类识别模型,并基于粒子群算法对两种模型进行改进完成了人物姿态识别和身份识别的目标。本文的主要工作包括:(1)以Kinect设备获取人体的深度图像和32个骨骼关节点的三维坐标,采用卡尔曼滤波消除了关节的抖动误差,在预处理工作完成后,由关节数据中提取了人体肩宽、手臂长度及腿部长度等12维骨骼特征组成特征向量,经过实验验证所提取的骨骼特征能明显地体现出个体间的差异性。(2)分析验证了影响骨骼特征提取的因素,发现人体所处姿态对骨骼特征提取的过程影响最大,故设计在身份鉴定之前先对姿态进行分类识别。本文以深度图像提取人体姿态的HOG特征并引入主成分分析法对数据进行降维,最终提取了100维度的姿态特征用于姿态识别。(3)构建了BP神经网络和SVM多分类器来进行姿态和身份的识别,由于这两种分类模型均受初始参数影响较大,设计以粒子群算法对模型进行改进而构建了PSO-BP和PSO-SVM改进模型。选用NTU RGB-D数据集中的数据样本组建了用于姿态识别和身份识别验证的数据集,经过实验验证后,发现粒子群算法改进后的分类器模型性能均提高了10个百分点以上,对姿态与身份的识别率均达到88%以上,也验证了本文提出的姿态识别和身份识别方法的可行性。(4)选用PSO-BP模型作为姿态识别模型,PSO-SVM模型作为身份识别模型搭建了基于人体姿态的身份识别系统,使用Kinect设备采集了包含30个不同人体8种姿态的相关数据组成训练集和测试集,完成了系统中识别模型的训练,并对分类系统的效果进行了测试,最终姿态识别率为92.8%,身份识别的准确率为91.7%,取得了较好的识别结果,基本满足身份识别工作的各项要求。