用轮廓的点分布特征分析和识别步态

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 26-28.

用轮廓的点分布特征分析和识别步态

陈实^1,2,马天骏²,高有行²

1.浙江万里学院设计学院，浙江宁波 315100
2.西安电子科技大学计算机外部设备研究所，西安 710071

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 陈实

Gait analysis and recognition using distribution of silhouette points

CHEN Shi^1,2,MA Tian-jun²,GAO You-xing²

1.Department of Design，Zhejiang Wanli University，Ningbo，Zhejiang 315100，China
2.Institute of Computer Peripheral，Xidian University，Xi’an 710071，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: CHEN Shi

摘要/Abstract

摘要： 提出了一种轮廓点分布特征匹配方法来分析和识别行人步态。首先通过设计一种轮廓采样点区域分布直方图分析了步态的周期性特征，提取了一个步态周期的帧图像轮廓；继而采用一种局部轮廓描述子得到帧图像轮廓的点分布直方图阵列作为轮廓特征、用轮廓点集间的Hausdorff距离结合动态时间规整技术求取测试序列和参考序列间的匹配相似度；最后通过分类实现了人体步态识别。在Soton步态数据库进行了实验，正确分类识别率最高达到90.27%。相关文献的对比分析表明：该方法的识别率有较大的提高，是有效的。

关键词: 行为特征, 步态识别, 点分布, 形状匹配

Abstract: The author proposes a method for gait analysis and recognition using points distribution about silhouette.For each image sequence，a histogram-based distribution of silhouette points is used to cyclic gait analysis and the silhouettes of one-period subsequence are extracted.The silhouettes are then represented as sampled point sets and further analyzed using the distribution of relative points to obtain gait signature.Hausdorff distance and dynamic time warping give an idea of the similarity between the reference and test sequences.The proposed approach is applied to Soton database and the correct classification rate of 90.27% is achieved.Experimental results demonstrate that the proposed approach shows a better performance than existing methods.

Key words: behavioral biometrics, gait recognition, distribution, shape matching

陈实^1,2,马天骏²,高有行². 用轮廓的点分布特征分析和识别步态[J]. 计算机工程与应用, 2008, 44(2): 26-28.

CHEN Shi^1,2,MA Tian-jun²,GAO You-xing². Gait analysis and recognition using distribution of silhouette points[J]. Computer Engineering and Applications, 2008, 44(2): 26-28.

[1]	徐健，黄磊，陈倩倩，陆珍，吴曙培. 基于多尺度特征迁移学习的步态识别研究[J]. 计算机工程与应用, 2021, 57(20): 180-187.
[2]	王浩，夏利民. 基于堆叠深度卷积沙漏网络的步态识别[J]. 计算机工程与应用, 2019, 55(14): 127-133.
[3]	王江辉，吴小俊. 基于形状轮廓特征的金字塔匹配算法[J]. 计算机工程与应用, 2019, 55(1): 191-195.
[4]	连玮. 采用树表示的全局最优形状匹配算法[J]. 计算机工程与应用, 2019, 55(1): 217-225.
[5]	王献锋，黄文准，张善文. 基于加权局部判别CCA的多视角步态识别方法[J]. 计算机工程与应用, 2018, 54(21): 90-94.
[6]	李德龙，龚时华，王子悦，鹿怀庆. 基于视觉伺服的LED芯片形状匹配算法研究[J]. 计算机工程与应用, 2018, 54(12): 146-151.
[7]	孙楠1，2，骆敏舟2，王玉成2，赵汉宾2. 基于MPSO-BP神经网络方法的人体步态识别[J]. 计算机工程与应用, 2017, 53(21): 121-125.
[8]	李玲，罗正平，杨天奇. 能量图空间分解法和DSW相结合的步态识别[J]. 计算机工程与应用, 2016, 52(3): 127-132.
[9]	戚文静1，2，徐功文1，许丽娜1. 基于轮廓的形状射线描述模型[J]. 计算机工程与应用, 2016, 52(3): 206-210.
[10]	王婷婷，杨琴，黄琳，王璐，黄益平. 基于顾客行为特征的超市收银口优化调度方案[J]. 计算机工程与应用, 2016, 52(3): 266-270.
[11]	赵叶烨. 集成HOG步态模板[J]. 计算机工程与应用, 2016, 52(23): 153-158.
[12]	叶汉民1，3，黄培亮2. 基于加权区域特征的快速步态识别[J]. 计算机工程与应用, 2016, 52(10): 157-160.
[13]	鲍文霞1，2，梁栋1，2. 结合无符号Laplace谱特征的触觉步态识别算法[J]. 计算机工程与应用, 2016, 52(1): 214-218.
[14]	王开杰，杨天奇. 基于列质量向量和SVM的步态识别[J]. 计算机工程与应用, 2015, 51(7): 169-173.
[15]	陈玲，杨天奇. 基于质心和轮廓关键点的步态识别[J]. 计算机工程与应用, 2015, 51(19): 173-177.