基于蟻群算法和遺傳算法的步態(tài)識(shí)別研究.pdf

1、在計(jì)算機(jī)視覺和智能視頻監(jiān)控領(lǐng)域，步態(tài)識(shí)別是一個(gè)新興的研究方向， 它是根據(jù)人們走路的方式來進(jìn)行人的身份識(shí)別。步態(tài)的分析與識(shí)別在安全領(lǐng)域、人機(jī)交互、動(dòng)畫、虛擬現(xiàn)實(shí)和醫(yī)學(xué)等諸多領(lǐng)域有著重要的應(yīng)用前景和巨大的經(jīng)濟(jì)價(jià)值。隨著計(jì)算機(jī)信息技術(shù)的飛速發(fā)展，步態(tài)自動(dòng)識(shí)別研究已經(jīng)取得了很大的進(jìn)展。為了提高識(shí)別的準(zhǔn)確性，大多數(shù)研究都對(duì)步態(tài)特征的提取給予了較大的關(guān)注，而忽視了對(duì)識(shí)別算法的研究。本文結(jié)合國家自然科學(xué)基金資助項(xiàng)目，主要針對(duì)多種識(shí)別算法對(duì)步態(tài)特征識(shí)

2、別性能的影響進(jìn)行了探索性的研究。 論文首先簡(jiǎn)要綜述了步態(tài)識(shí)別技術(shù)，評(píng)述了在步態(tài)識(shí)別領(lǐng)域的一些主流方法和途徑，討論了步態(tài)識(shí)別應(yīng)用的理論和方法，并對(duì)現(xiàn)有的識(shí)別技術(shù)進(jìn)行了概括和總結(jié)。其次從運(yùn)動(dòng)檢測(cè)、感興趣區(qū)域提取與處理、步態(tài)周期分割和步態(tài)能量圖幾個(gè)方面介紹了步態(tài)特征的提取過程。針對(duì)動(dòng)態(tài)背景下的運(yùn)動(dòng)檢測(cè)，使用混合高斯模型進(jìn)行背景建模，大大提高了檢測(cè)出來的步態(tài)特征的精度。在感興趣區(qū)域提取與處理部分，采用全局搜索方法尋找最小人體矩形框，并對(duì)

3、其進(jìn)行歸一化和中心化處理。在檢測(cè)步態(tài)周期時(shí)，轉(zhuǎn)化為求取步態(tài)序列信號(hào)自相關(guān)函數(shù)的周期。根據(jù)得到的步態(tài)序列構(gòu)建步態(tài)能量圖作為識(shí)別特征。 本文的核心內(nèi)容在于對(duì)多種識(shí)別技術(shù)的比較研究：提出一種基于HMM的步態(tài)識(shí)別算法，使用HMM中的Baum-Welch算法對(duì)每個(gè)人體步態(tài)建模，然后使用前向，后向算法進(jìn)行識(shí)別，用這種方法的識(shí)別率可以達(dá)到75％以上；首次把蟻群算法應(yīng)用到步態(tài)識(shí)別中，該算法模擬了螞蟻尋找食物的自適應(yīng)過程，能夠?qū)斎氲臉颖咀詣?dòng)訓(xùn)練

4、出聚類中心，這樣就省去人工干預(yù)訓(xùn)練樣本的過程，并且該方法的識(shí)別率較HMM識(shí)別算法提高了五個(gè)百分點(diǎn)；用遺傳算法對(duì)蟻群算法進(jìn)行優(yōu)化，把每個(gè)螞蟻編碼成一個(gè)染色體，通過染色體適應(yīng)度的大小進(jìn)行選擇淘汰操作，并且通過交叉概率和變異概率進(jìn)行雜交和變異運(yùn)算，實(shí)驗(yàn)結(jié)果表明該方法的正確識(shí)別率在90％以上。 最后，在CASIA數(shù)據(jù)庫對(duì)三種不同識(shí)別算法進(jìn)行了大量的實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了比較和分析，總結(jié)了多種識(shí)別技術(shù)在識(shí)別的有效性和計(jì)算復(fù)雜度等方面的優(yōu)