基于Procrustes形狀頻譜分析的多視角步態(tài)識別算法的中期報告

基于Procrustes形狀頻譜分析的多視角步態(tài)識別算法的中期報告摘要：多視角步態(tài)識別是近年來計算機視覺和模式識別領(lǐng)域中的一個研究熱點。針對現(xiàn)有算法中存在的問題，本文提出了一種基于Procrustes形狀頻譜分析的多視角步態(tài)識別算法。該算法包括兩個主要步驟：1）對不同視角下的步態(tài)進(jìn)行Procrustes對齊，提取步態(tài)的形狀特征；2）使用形狀特征的頻譜分析進(jìn)行多視角步態(tài)識別。在實驗中，我們使用了CASIA多視角步態(tài)數(shù)據(jù)庫進(jìn)行驗證，并與現(xiàn)有算法進(jìn)行比較。結(jié)果表明，本文提出的算法具有較高的識別率和較好的魯棒性，可以有效地用于多視角步態(tài)識別。關(guān)鍵詞：多視角步態(tài)識別，Procrustes對齊，形狀頻譜分析一、研究背景和意義步態(tài)是人類獨特的生物識別特征之一，具有識別率高、方便、難以模仿等優(yōu)點。近年來，隨著計算機視覺和模式識別領(lǐng)域的快速發(fā)展，步態(tài)識別得到了廣泛研究。尤其是多視角步態(tài)識別，可以充分利用不同視角下獲取到的信息，提高識別效果，因此受到了越來越多的關(guān)注。目前已有許多多視角步態(tài)識別算法被提出。其中，基于局部特征的方法（如GaitEnergyImage和LocalBinaryPattern）可以克服步態(tài)在不同視角下的形變問題，具有較好的識別性能。但是，這些方法往往需要較多的計算時間和存儲空間。另一方面，基于整體特征的方法（如GaitTemplate和SIFT特征）可以較好地處理步態(tài)的尺度、速度等變化，但是它們對不同視角下的形變較為敏感，識別性能較差。因此，本文提出了一種基于Procrustes形狀頻譜分析的多視角步態(tài)識別算法。該算法可以利用局部特征和整體特征的優(yōu)點，較好地處理不同視角下的形變問題，提高步態(tài)識別的準(zhǔn)確性和魯棒性。二、主要研究內(nèi)容和方法我們的算法包括兩個主要步驟：1）對不同視角下的步態(tài)進(jìn)行Procrustes對齊，提取步態(tài)的形狀特征；2）使用形狀特征的頻譜分析進(jìn)行多視角步態(tài)識別。具體方法如下所述：1.Procrustes對齊對于每個步態(tài)序列，我們將其與一個參考步態(tài)序列進(jìn)行Procrustes對齊，以消除步態(tài)在不同視角下的形變。Procrustes對齊的具體過程如下：首先，對于兩個步態(tài)序列X和Y，我們可以將它們分別表示為矩陣X和Y，其中每一行表示一個關(guān)節(jié)點的坐標(biāo)。然后，我們將X和Y分別進(jìn)行中心化，保證其質(zhì)心在原點上。接下來，我們使用最小二乘法將X旋轉(zhuǎn)、縮放和平移，對齊到Y(jié)：Z=b*X*R+t其中，Z表示對齊后的矩陣，R表示旋轉(zhuǎn)矩陣，t表示平移矩陣，b表示縮放因子。最后，我們將對齊后的步態(tài)序列Z重心歸一化，方便后續(xù)形狀特征提取。2.形狀特征的提取與頻域分析接下來，我們使用對齊后的步態(tài)序列Z來提取其形狀特征。我們采用四階累積量矩陣（Fourth-OrderCumulantMomentMatrix）作為形狀特征。與之前的方法相比，四階累積量矩陣有更好的模式識別特性，可以較好地區(qū)分不同步態(tài)。具體地，在每個參考點上計算每個步態(tài)序列的四階累積量矩陣。然后，我們將矩陣展開為一個向量，得到一個形狀特征向量。最后，我們應(yīng)用離散余弦變換（DiscreteCosineTransform，DCT）對形狀特征向量進(jìn)行頻譜分析，得到頻域特征。在多視角步態(tài)識別時，我們將不同視角下提取的頻譜特征進(jìn)行拼接，形成一個多視角特征向量。然后，我們使用支持向量機（SupportVectorMachine，SVM）等分類器進(jìn)行多視角步態(tài)識別。三、預(yù)期目標(biāo)和初步進(jìn)展本文的預(yù)期目標(biāo)是提出一種高效準(zhǔn)確的多視角步態(tài)識別算法，以解決在不同視角下步態(tài)識別效果差的問題。目前，我們已經(jīng)完成了算法的實現(xiàn)和實驗部分。我們使用了CASIA多視角步態(tài)數(shù)據(jù)庫進(jìn)行驗證，并與其他現(xiàn)有的多視角步態(tài)識別算法進(jìn)行比較。結(jié)果表明，我們提出的算法具有較高的識別率和較好的