论文部分内容阅读
基于计算机视觉的身份自动识别是目前一个热门的研究方向,其主要应用于公共空间的监控系统中,对公共安全起到非常重要的作用。计算机视觉通过使用每个人所独有的生物特征来区别于其他人,特定标识一个人。现在已被广泛使用的生物特征包括人脸、虹膜或指纹等信息。这些方法在许多应用程序中工作良好,但仍有一些缺点。在监控场景中,对人进行身份识别辨认时,摄像头与人的距离往往比较远,绝大部分特征难以被清晰完整的获取。步态是一个人走路过程中表现出的姿态变化,是一种较为复杂的行为特征。由于步态是一种可以从远距离获取的,难以隐藏和伪装的生物特征,它可以解决由于摄像头精度不够无法远距离识别个体的问题。步态识别技术已经成为计算机视觉中的一个重要研究方向,适用于大空间建筑内的智能视频监控系统。当前,监控设备在监控包括银行、机场、军事基地和火车站在内的高度安全领域发挥着重要的作用。然而,基于步态的身份识别是一项具有挑战性的任务。一个人的自然行走方式和状态会受到很多因素的影响。穿不同的外套,携带物品,在不同的视角或不同的环境观察都会给步态识别会带来额外的挑战。进行步态识别的前提是从视频中提取出运动对象,提取运动目标的难度会受到背景模型的影响。本文首先介绍了运动目标检测中常用的三种方法:背景差分法,帧差法和光流法。分别用这三种方法检测运动目标,分析三种方法的优缺点,为之后的步态识别做好铺垫。与其他生物特征不同,步态是一种随时间周期性变化的独特的行为特征。因此,步态识别也是基于周期性的,这就需要先提取出步态的完整周期,然后对周期内的变化进行描述和提取。传统的识别方法主要有两种,一种将一周期内的步态剪影压缩为一个图像或一个步态识别模版,另一种直接从的步态轮廓序列中提取特征。与前两种方法不同,本文利用最新的步态轮廓集合的概念基于深度卷积网络来进行特征提取,利用水平金字塔匹配提取局部特征。本实验在数据库CASIA-B中进行,与其他方法对比有较高的识别率,同时在视角不同的情况下有较好的作用。步态库中每个受测者通常都包含多个观察角度和多种步行情况,再加上庞大的深度网络,通常会导致运行迟缓,内存消耗大。因此,本文建立的第二个模型是利用互相学习网络,同时改进了水平金字塔匹配,从水平和垂直两个方向来提取局部特征。本实验在步态库CASIA-B和OU-ISIR中进行,证实了与其他方法对比本方法在步态跨视角问题上有一定优势,同时能够在非完整周期的情况下有一定的效果。