基于張量判別分析的步態(tài)識別算法研究.pdf_第1頁
已閱讀1頁,還剩89頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、生物識別技術是利用個人的生理或行為特征來建立、驗證和認證身份信息的技術。近年來,生物識別技術越來越受到人們的關注,而且在諸多領域取得了飛速的發(fā)展,如公共安全,信息安全,金融安全等。作為一種新的生物識別技術,由于步態(tài)識別技術在非侵入性、遠距離和低分辨率方面的優(yōu)勢,步態(tài)識別引起了計算機視覺和模式識別等領域人們極大的興趣,已經(jīng)成為熱門的研究方向之一。然而,步態(tài)圖像序列通常受到視角、拍攝環(huán)境、外觀、遮擋等因素的負面影響。這些因素大多對步態(tài)識別構

2、成挑戰(zhàn),使目前的步態(tài)識別方法不能達到實際應用的要求。因此,構建魯棒的特征表達和高效的判別算法成為提高步態(tài)識別性能的重要解決方案。本文的研究內(nèi)容有以下幾個方面:
  (1)研究了步態(tài)輪廓的檢測與提取技術。首先介紹了基于背景減除的人體檢測方法;然后把增量學習的魯棒視覺跟蹤算法應用到步態(tài)識別的人體跟蹤上,此方法通過結合在線增量學習的主成分分析(PCA)算法和粒子濾波,能夠快速有效地提取出步態(tài)圖像序列中的人體區(qū)域;最后用高斯混合模型(GM

3、M)與期望最大化(EM)算法來提取出精確的步態(tài)輪廓。
  (2)針對步態(tài)圖像序列的周期性、遠距離和失真等特點,首先研究了兩種步態(tài)周期檢測方法:基于步態(tài)輪廓二值圖像和基于步態(tài)外輪廓的周期檢測法。然后研究和提出了三種有效的步態(tài)特征表達:詳細地描述了包含序列空間信息和一定時間信息的步態(tài)能量圖像(GEI);提出了更好保留序列時間信息的多通道步態(tài)能量圖像(MutichannelGEI);最后提出了基于MutichannelGEI的三種Gab

4、or特征表達方法,此方法利用Gabor函數(shù)多方向和多尺度的特點,能最大限度地描述步態(tài)的局部信息和全局信息。
  (3)解決了步態(tài)識別中的高維特征和小樣本問題。首先簡單介紹了經(jīng)典的線性判別分析(LDA)算法;然后深入地研究了GraphEmbedding算法及其通用框架和MDA(MarginalDiscriminantAnalysis)算法,GraphEmbedding算法有效地解決了高維特征問題,MDA算法有效地克服了LDA算法在數(shù)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論