唐挺[1]2004年在《基于轮廓及力场变换的步态识别研究》文中进行了进一步梳理在以IT技术和生物技术为主流科技的知识经济时代，身份的鉴定有了来自生物体自身的密匙，横跨这两大科技领域的生物特征识别技术正愈益显示出其旺盛的生命力和远大前景。与传统的身份鉴定手段相比，生物识别具有无可比拟的优势。其中步态识别技术以其所具有的非侵袭性，良好的防伪性，简易的采集条件，远距离识别等优势，受到了越来越广泛的重视，本文也在这方面作了探讨。 人运动的视觉分析是步态识别的重要内容之一，它在虚拟现实，视觉监控，感知接口中均有广泛的应用前景，本文介绍了视觉分析中图像序列的检测，分类，跟踪，识别，并回顾了运动分析目前的发展水平和常用的处理方法。 提出了两种简单有效的自动步态识别方法。一种是基于轮廓的步态识别算法。即对每个序列而言，先用背景剪除法检测出人的运动轮廓，然后将这些时变的二维轮廓形状转化为对应的一维距离信号，并通过特征空间变换来提取低维步态特征，最后探讨了用归一化欧氏距离度量，标准的模式分类来用于识别。 另一种方法研究了力场变换在步态识别中的可行性，研究了力场变换在二维单帧图像，以及叁维图像序列中的使用，提取了人的运动特征，取得了较好的效果。实验表明力场变换能用于步态识别。 上述两种方法中，基于轮廓的步态算法原理更简单，计算量更小，但识别结果不是很理想，而力场变换的计算量较大，耗时耗空间，但识别结果较理想。
李锐[2]2011年在《基于GVF Snake模型的边缘检测研究》文中进行了进一步梳理Snake模型是在初始轮廓曲线自身内力和图像数据外部约束力作用下产生移动变形轮廓线,利用逐步迭代计算使轮廓曲线能量最小化,从而逼近目标物体边缘。传统的Snake模型存在两个不足:一是对轮廓线的初始位置设置要求较高;二是对具有较高曲率的凹形边缘检测效果不理想。在传统Snake模型的改进模型中,GVF Snake模型对解决初始轮廓线的设置和凹陷轮廓检测两个问题有明显改善。其中GVF是一种新的无旋外部力场,它运用热扩散的原理,对图像的梯度矢量进行扩散以扩大Snake轮廓曲线的捕获区域。本文提出一种结合Contourlet变换的GVF Snake模型边缘检测方法。Contourlet变换利用拉普拉斯塔式滤波器结构对图像进行多分辨率分解来捕捉奇异点,然后根据方向信息将位置相近的奇异点汇集成轮廓段。该检测方法利用Contourlet变换特性,找出物体轮廓线作为GVF Snake模型的初始轮廓线,通过迭代计算进行边缘检测。实验结果显示该方法的初始轮廓线设置合理有效,计算时间减少,检测效果明显提高,能够快速准确地搜索到目标边缘。本文在步态识别中结合背景消减法和对称差分法对运动人体分割,然后采用各项异性GVF Snake模型进行边缘检测。GVF Snake模型对凹陷区域捕获效果有所提高,但对深度凹陷形状的目标物体检测仍然不够理想。各项异性GVF Snake模型利用各向异性的特性抑制了在目标边界处的扩散,加强了非边界的扩散,增强了模型对凹陷区域检测的能力。实验结果表明该方法准确有效地对人体运动步态轮廓进行边缘提取。
孟一心[3]2017年在《复杂监控场景下步态识别关键技术研究》文中研究说明步态是一种新兴的生物识别工具,医学研究表明步态是一种既具有个性化又具有规律性的特征。步态具有非侵犯性、非感知性、作用距离远、难以隐藏等显着优势。随着我国基建设施的大规模展开,大量大型建筑如银行、机场、地铁站等重要场合往往需要大视场、多角度的监控器材,并且随着当前国际国内安全形势的不断恶化,使得监控环境日趋复杂。在这类复杂监控场景中对基于步态的目标识别研究及多种生物特征融合的研究具有重大的学术意义及应用价值。因此,本文对各种复杂的监控场景进行分析后,初步将其分为单一固定视角场景、多视角场景、大视场多视角低分辨率,对这些场景分别提出了适用的步态状态的属性分类技术。主要工作如下:(1)在单一固定视角场景下,针对当前步态特征描述子的一些缺点,通过对步态特征描述子的改进,获得精确、简洁、高效的特征描述。本文首先提取Gabor特征,然后对其进行PCA、MMI两次降维处理生成步态空间特征,结合隐马尔科夫模型对目标进行识别,并通过在不同的行走状态下的实验比对验证了本文所提取特征的有效性。最后针对未知的单一视角,提出了一种分层分类方案。通过该方案简化训练模型的计算量,提高了识别率。(2)在大范围的监控场景中往往需要布置多个角度相机,多角度相互配合进行无死角监控。而多视角的步态一方面加大了数据量,有利于识别;一方面多视角也带来了巨大的不确定性挑战。本文针对多视角场景下存在的视角未知情况,首先提出了一种视角相关性特征的提取方法,并通过实验验证了该方法提取的特征的有效性。然后提出了一种基于回归分析的视角预测方法,即通过训练建立稳健回归模型,对未知的测试视角进行预测,然后按照预测的视角进行后续处理。最后通过实验验证了本文基于视角预测方法进行分类识别的可行性和高效性。(3)在大视场、低分辨率的场景中,往往具有采集多种生物特征的条件。在图像序列中比较易于采集是人脸和步态数据。因此,本文基于这两种生物特征,展开多生物特征融合研究。通过对融合方法的研究,选择更稳定的决策层融合人脸和步态两种生物特征。并基于贝叶斯理论,提出了贝叶斯融合策略,通过实验验证了该方法的有效性。
赵晶[4]2009年在《基于力场转换理论的人耳识别算法》文中研究说明人耳识别是生物特征识别技术研究中的一个新兴领域,它旨在根据人的外耳特征进行身份识别。人耳识别可以作为其他生物识别技术的有益补充,也可以单独应用于一些个体识别场合。目前人耳识别技术在国内外尚处于初步探索研究阶段,还没有形成较为完善的理论体系。作为一种生物特征识别技术,人耳识别需要借鉴其他的生物识别技术和处理方法,同时人耳具有其特殊的生理结构和生理位置,必然有其独特的处理方法和技术与之相适应。本文以人耳这一特殊的生物特征为研究对象,并在前人所做工作的基础上,以人耳图像万有引力场转换、特征提取等关键环节为研究重点,力图改善和丰富人耳识别这种新兴的生物特征识别技术,以期对后续研究人员的工作进展有所启发。众所周知,确定特征空间的最终目标是在降低原有的维度空间的同时,又能保持正确分类识别的能力。为了达到这个目标,在人耳生物识别研究领域中,一种新的万有引力场转换理论把图像看作一系列相互吸引的像素粒子,这些粒子就作为万有引力场源。伴随力场产生的还有一个标量势能场,在势能场中,人耳轮廓具有光滑的表面,就像很多由山脊连接的山峰一样。这里的山峰对应的就是势能阱,类似地山脊就对应着势能通道。本文着重描述了如何利用万有引力场转换算法来提取力场特征,利用场线方向来定位势能通道和势能阱,这些势能通道和势能阱最终将构成人耳的特征信息。为了进一步说明力场转换具有可逆性、良好的亮度灵敏性及定位迅速等优点。本文不仅证明了人耳识别是一种有着极大发展潜力的生物识别技术,还证明了力场转换具有很好的鲁棒性,特别是对噪声的容忍度。另外人耳轮廓不必从背景中提取出来,这点也是它的优势所在。总的来说,本文主要从力场转换理论的几个关键环节进行了有益的探索与研究,得到了较好的实验结果,为人耳识别技术的发展和应用提供了有价值的研究思路。
佚名[5]2007年在《自动化技术、计算机技术》文中认为TP13 2007012024一类时滞线性切换系统的稳定性和镇定/陈松林,姚郁(哈尔滨工业大学控制与仿真中心)//黑龙江大学(自然科学学报).―2006,23(2).―206～210.针对一类具有状态延迟的连续线性切换系统,研究了其渐近稳定性及状态反馈和输出反馈镇定控制律的设计问题。首先利用公共李亚普诺夫函数法给出了系统渐近稳定的充分条件及该条件下切换律的构造方法,然后给出了状态反馈和输出反馈镇定的充分条件,同时给出了稳定化控制律的参数化表示和相应切换律的构造方法。最后举例说明了结果的有效性。图2表0参12
佚名[6]2010年在《自动化技术、计算机技术》文中研究表明TP112010051942输出耦合的复杂网络自适应牵制同步/樊春霞,蒋国平(南京邮电大学自动化学院)//应用科学学报.―2010,28(2).―203～208.针对输出耦合复杂网络的同步控制,提出一种自适应牵制控制方法以实现复杂网络同步。不同于现有同步控制方法,该方法利用节点输出变量构造同步控制器,只需控制网络中的部分节点就可根据同步误差自适应
余霞[7]2012年在《监控视频中的人体运动类型和身份识别研究》文中研究说明随着计算机技术的飞速发展和生活水平的提高,人们在许多领域对信息安全要求越来越高,例如用计算机对小区进行智能监控,不仅节约人力资源和成本,也为日后案件的调查提供证据。智能监控就是利用计算机自动检测出视频中的人体运动对象的运动类型并识别出运动对象的身份,目前这方面的研究才刚刚起步。本文研究了理想情况下的智能监控,分别是静止背景的包含人体运动的监控视频和只有虹膜和瞳孔的彩色虹膜图片。这两种理想情况的研究为未来生物特征识别的多模态融合和智能监控提供依据。监控视频中的人体运动识别其主要研究内容是,实时的自适应地提取监控视频的背景,并分割出人体运动对象,提取人体运动对象的SIFT (Scale Invariant Feature Transform)运动特征,最后用SVM识别出人体运动类型；彩色虹膜识别的主要内容是,使用CBSILF(Color-Based Scale-Invariant Local Feature)提取彩色虹膜的特征点并用彩色信息子描述特征点,最后通过匹配进行识别。传统的监控视频的背景提取方法有叁种,一种方法是事先拍摄一张没有运动对象的静态图片作为视频的背景,但分割出来的对象易受光照,天气等因素的影响；一种方法是对视频的图像序列各像素点对应的像素值进行平均,所得的图像作为视频的背景,这种方法分割的对象有噪声；还有一种方法是自适应地提取视频的背景,目前这方面的研究有很多,但效果依旧不理想。与传统的监控视频中背景提取方法不同的是,本文提出的方法能够实时地自适应提取监控视频的背景,分割出的人体运动对象几乎是零噪声的,并且提取的人体运动的SIFT特征能很好地表达各种运动的特点,实验表明所提出的方法识别率高达95%。目前大多数虹膜识别研究都是基于灰度图像的,有的虹膜识别实验数据库是彩色的虹膜图像,但也是转换到256色图像上进行的研究,彩色虹膜的识别研究得较少。本文充分利用了虹膜的彩色信息,提取虹膜的彩色信息描述子,特征信息能较好地反映虹膜特征,实验表明算法的识别率100%。
参考文献：
[1]. 基于轮廓及力场变换的步态识别研究[D]. 唐挺. 四川大学. 2004
[2]. 基于GVF Snake模型的边缘检测研究[D]. 李锐. 河南大学. 2011
[3]. 复杂监控场景下步态识别关键技术研究[D]. 孟一心. 电子科技大学. 2017
[4]. 基于力场转换理论的人耳识别算法[D]. 赵晶. 沈阳工业大学. 2009
[5]. 自动化技术、计算机技术[J]. 佚名. 中国无线电电子学文摘. 2007
[6]. 自动化技术、计算机技术[J]. 佚名. 中国无线电电子学文摘. 2010
[7]. 监控视频中的人体运动类型和身份识别研究[D]. 余霞. 西南大学. 2012
标签：计算机软件及计算机应用论文; 特征提取论文; 图像融合论文;