CN102982323A - 快速步态识别方法 - Google Patents
快速步态识别方法 Download PDFInfo
- Publication number
- CN102982323A CN102982323A CN2012105523393A CN201210552339A CN102982323A CN 102982323 A CN102982323 A CN 102982323A CN 2012105523393 A CN2012105523393 A CN 2012105523393A CN 201210552339 A CN201210552339 A CN 201210552339A CN 102982323 A CN102982323 A CN 102982323A
- Authority
- CN
- China
- Prior art keywords
- gait
- human body
- human
- video
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明提出了一种快速步态识别方法,属于步态识别领域。该方法中步态特征包括5个分量,首先通过身高筛选,然后通过性别年龄筛选,最后通过步态信息分量筛选,将身份识别问题逐层分解,采用决策级信息融合的策略,提高了步态识别的速度;步态信息分量以步态信息文件指针的方式存储至步态特征数据库中,将步态识别问题完全转换成了数据库查询问题,可以通过该步态信息文件指针快速查找到对应的步态信息分量,由此进一步提高了步态识别的速度。此外,在获取步态信息分量过程中将人体区域图转换为人体轮廓线图,提高了数据压缩率,节约了存储空间,并且将人体轮廓线图转换为时空能量图,以时空能量图作为步态新型分量,提高了步态识别的精确度。
Description
技术领域
本发明涉及一种步态识别方法,尤其涉及一种基于时空轮廓分析的快速步态识别方法。
背景技术
步态识别是一种新兴的生物特征识别技术,同样也是计算机视觉领域一个重要研究课题,旨在根据人们走路的姿势进行身份识别。人们可以把人脸、指纹等静态图像的识别归结为第一代生物识别技术,那么可以把新兴的这种识别技术称为第二代生物识别技术。
步态识别具有远距离和非侵犯性等优势,受到现代智能监控系统研究者的越来越多的关注。在视频监控系统中,人脸及步态特征一直都被认为是两个重要的可利用的特征。但人脸识别容易受化妆、佩戴物及距离等因素的影响,步态识别可克服以上缺陷,在远距离非接触的状态下进行,具有可远距离获取,非接触性和非侵犯性,以及难以隐藏,难以模仿或盗用的优点。从视频监控技术日趋走向智能化、无线化道路上来看,步态是远距离情况下最有潜力的生物特征,并且是进一步从精细化监控功能的必要线索,在辅助身份识别的同时,还可以实现目标对象的年龄和性别,甚至可用于辨别目标对象的种族类型。
而步态识别技术的关键问题是步态特征的表征方法,很多算法的共同思路是利用人体外形提取步态特征。和虹膜人脸指纹等生物特征相比,步态包含更为复杂的属性,因此有效地步态特征提取一直是一个没有很好解决的问题。
发明内容
本发明旨在解决现有技术中存在的技术问题,特别创新地提出了一种快速步态识别方法,将身份识别问题逐层分解,采用决策级信息融合的策略,提高了步态识别的速度。
为了实现本发明的上述目的,本发明提供了一种快速步态识别方法,其特征在于包括以下步骤:
S1、建立由步态特征组成的步态特征数据库,其中每一步态特征对应于一个人员,且每一步态特征均包括5个分量:个人编号、身高、性别、年龄和步态信息文件指针,每一步态信息文件指针对应于一个步态信息分量;
S2、采集待识别人体的身高,并获取待识别人体的步态信息分量;
S3、根据该待识别人体的身高,对该步态特征数据库中的人员进行筛选;
S4、根据该待识别人体的性别和年龄,对该步态特征数据库中的人员进行进一步筛选;
S5、分别计算出该待识别人体的步态信息分量与上述筛选出的各人员的步态信息分量之间的欧几里德距离,并将欧几里德距离最小的人员识别为该待识别人体。
本发明中步态特征包括5个分量,首先通过身高筛选,然后通过性别年龄筛选,最后通过步态信息分量筛选,本发明将身份识别问题逐层分解,采用决策级信息融合的策略,提高了步态识别的速度;此外,步态信息分量以步态信息文件指针的方式存储至步态特征数据库中,将步态识别问题完全转换成了数据库查询问题,在步态信息分量筛选过程中可以通过该步态信息文件指针快速查找到对应的步态信息分量,由此进一步提高了步态识别的速度。
建立支持该特征存储和快速检索的步态数据库,最终基于时空轮廓分析算法选择时空能量图(Spatio-Temporal Energy,STE)作为步态信息的特征图,提出结构化快速步态识别的方法,使得每个阶段的问题处理都更简便,速度更快,从而使得最终识别性能更好。
在所述步骤S1中,该身高h通过直尺测量获取,单位精确至毫米mm;该性别s直接输入,由0表示男性,1表示女性;该年龄a根据当前日期与出生日期的差值确定。
所述步骤S1中在获取该步态信息文件指针*P时首先获取步态信息分量,再建立与该步态信息分量对应的步态信息文件指针*P;
所述步骤S1和步骤S2中在获取步态信息分量时,均按照以下步骤执行:
A1、采集包括人体的步态视频流以及不包括人体的背景图像;
A2、将该步态视频流中的各视频帧以及该背景图像分别转换为灰度图像,并将该步态视频流中各视频帧与该背景图像分别做差分运算,从而获得各视频帧的人体区域图;
A3、将该人体区域图转换为人体轮廓线图;
A4、对该人体轮廓线图进行标准化处理;
A5、将标准化后的人体轮廓线图转换为时空能量图,并将该时空能量图作为步态信息分量。
本发明将人体区域图转换为人体轮廓线图,提高了数据压缩率,节约了存储空间,并且将人体轮廓线图转换为时空能量图,以时空能量图作为步态新型分量,由于时空能量图对噪声干扰影响不敏感,由此提高了步态识别的精确度。
所述步骤A2还包括对各视频帧的人体区域图进行处理的过程:
A2-1、对各视频帧中人体区域图进行自适应阈值处理;
A2-2、对各视频帧中人体区域图进行高斯平滑滤波和形态学处理,去除该人体区域的灰度级图像中的噪声;
A2-3、对各视频帧中人体区域图进行n次腐蚀运算,进一步去除噪声,并且对该人体区域图进行膨胀运算,进行边缘补偿,其中n为大于零的整数。
本发明中对各视频帧的人体区域图的处理过程,进一步提高了步态识别的精确度。
所述步骤A3由以下步骤组成:
A3-1、对人体区域图进行边缘检测,从而获得人体边缘图像;
A3-2、对人体边缘图像进行查找轮廓运算:如果像素点在表示人体可运动部分的轮廓线上,则将该像素点的像素值设置为1,否则将该像素点的像素值设置为0;
A3-3、查找人体边缘图像的外部轮廓,进行多边形逼近,使得顶点数目减少后接近人体真实轮廓,并且绘制出人体外部轮廓线,从而获得人体轮廓线图。
所述步骤A4由以下步骤组成:
A4-1、确定在该人体轮廓线图中仅包括人体轮廓的最小矩形框图f(x,y),并且计算出该最小矩形框图f(x,y)的像素点总数N×M,其中N表示该最小矩形框图f(x,y)中每行的像素点个数;
A4-2、按照缩放比例对该最小矩形框图f(x,y)进行尺寸缩放,其中h表示身高,则尺寸缩放后,该最小矩形框图f′(x′,y′)中x′=ax,y′=ay,由N′表示尺寸缩放后,该最小矩形框图f′(x′,y′)中每行的像素点个数;
A4-3、沿着直线y′=y′c,确定在该人体轮廓上相距最近的两个点(x′1,y′c)和(x′2,y′c),这两个点对应于人体颈部最细的位置,其中y′c∈[0,round(N′/3)],round()为取整运算;
A4-4、根据公式计算出人体颈部最细位置处的中轴线x′c,并且以该中轴线x′c为对称轴,在该最小矩形框图f′(x′,y′)的左右和上部添加像素值为0的像素点,将该最小矩形框图f′(x′,y′)缩放至标准的尺寸,从而实现人体轮廓线图的标准化。
本发明在对该人体轮廓线图进行标准化处理时,以人体颈部最细位置处的中轴线x′c为对称轴对人体轮廓部分进行缩放,既保持了每个人身高与步幅的比例,也保留了身高信息。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中步态特征包括5个分量,首先通过身高筛选,然后通过性别年龄筛选,最后通过步态信息分量筛选,本发明将身份识别问题逐层分解,采用决策级信息融合的策略,提高了步态识别的速度;此外,步态信息分量以步态信息文件指针的方式存储至步态特征数据库中,将步态识别问题完全转换成了数据库查询问题,在步态信息分量筛选过程中可以通过该步态信息文件指针快速查找到对应的步态信息分量,由此进一步提高了步态识别的速度;
2、将人体区域图转换为人体轮廓线图,提高了数据压缩率,节约了存储空间,并且将人体轮廓线图转换为时空能量图,以时空能量图作为步态新型分量,由于时空能量图对噪声干扰影响不敏感,由此提高了步态识别的精确度;
3、对各视频帧的人体区域图进一步的处理过程,进一步提高了步态识别的精确度;
4、本发明在对该人体轮廓线图进行标准化处理时,以人体颈部最细位置处的中轴线x′c为对称轴对人体轮廓部分进行缩放,既保持了每个人身高与步幅的比例,也保留了身高信息。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是快速步态识别方法的流程图;
图2是建立步态特征数据库的流程图;
图3是本发明的第一实施例中,激光测量仪测量待识别身高的示意图;
图4是本发明的第一实施例中,获取人体区域图的流程图;
图5是本发明的第一实施例中,获取人体轮廓线图并进行对该人体轮廓图进行标准化处理的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,该快速步态识别方法包括以下步骤:
步骤一、建立由步态特征组成的步态特征数据库,其中每一步态特征对应于一个人员,且每一步态特征均包括5个分量:个人编号ID、身高h、性别s、年龄a和步态信息文件指针*P,每一步态信息文件指针*P对应于一个步态信息分量。该步态特征定义为:
struct GaitFeature //步态特征
{char ID[maxSize]; //个人编号
float h; //身高
int s[2]; //性别
int a; //年龄
FILE *P;}; //步态信息文件指针
如图2所示,建立由步态特征组成的步态特征数据库时,步态特征中身高h通过直尺测量获取,单位精确至毫米mm;性别s直接输入,由0表示男性,1表示女性;年龄a根据当前日期与出生日期的差值确定,由此该年龄a信息可以自动更新。
获取该步态特征中步态信息文件指针*P时首先获取步态信息分量,再建立与该步态信息分量对应的步态信息文件指针*P。
步骤二、采集待识别人体的身高,并获取该待识别人体的步态信息分量。
在本发明的第一实施例中,采用激光测量仪采集待识别人员的身高。如图3所示,将激光测量仪与摄像机安放在一起,使得激光测量仪的扫描平面与地面正交,一旦待识别人体行至扫描平面则能瞬间获得其身高。如图5所示,激光测量仪测量出r、θ1、θ2,则待识别人体的身高h=h1+h2=rtanθ1+rtanθ2,其中r表示待识别人体的腰部与激光测量仪的距离。
步骤三、根据该待识别人体的身高,对该步态特征数据库中的人员进行筛选。在本发明的第一实施例中,设定步态特征数据库中存储步态特征的表名为GaitFeature1,检索表名为GaitFeature1的各步态特征中的身高值,即
SELECT ID FROM GaitFeature1 WHERE ID=’h’
定义类型为vector<int>的容器Re,把得到的结果放入Re中。调用Re.size()得到Re中元素的个数n。(Re是一个包含当前待识别者的人员步态特征初步集合,且集合中每个人的身高都在[h-Δh,h+Δh]范围内(Δh为误差),表示有n个人与被识别者的步态信息分量距离都很接近,被识别者是这n个人之一。)
步骤四、根据该待识别人体的性别和年龄,对该步态特征数据库中的人员进行进一步筛选。本发明中根据待识别人体的实际情况,可以采用人为判断并手动输入的方式进行筛选。
步骤五、分别计算出该待识别人体的步态信息分量与上述筛选出的各人员的步态信息分量之间的欧几里德距离,并将欧几里德距离最小的人员识别为该待识别人体。
上述步骤一和步骤二中在获取步态信息分量时,均按照以下步骤执行:
A1、采集包括人体的步态视频流以及不包括人体的背景图像.
A2、将该步态视频流中的各视频帧以及该背景图像分别转换为灰度图像,将该步态视频流中各视频帧与该背景图像分别做差分运算,从而获得各视频帧的人体区域图。
应注意的是:该步态视频流包括多个步态序列,其中每一步态序列对应于一个步态周期,即每一步态序列的起始视频帧对应的人体动作相同,并且在采集步态视频流的同时需要记录行人相对于摄像机的距离以及行走方向。
此外,上述步骤A2中还包括对各视频帧的人体区域图进行处理的过程,具体为:
A2-1、对各视频帧中人体区域图进行自适应阈值处理;
A2-2、对各视频帧中人体区域图进行高斯平滑滤波和形态学处理,去除该人体区域的灰度级图像中的噪声;
A2-3、对各视频帧中人体区域图进行n次腐蚀运算,进一步去除噪声,并且对该人体区域图进行膨胀运算,进行边缘补偿,其中n为大于零的整数。
在本发明的第一实施例中,在C++环境下调用OpenCV视觉库实现上述步骤,如图4所示,具体为:
第一步、采集不包括人体的背景图像ImgbackGround并通过图像加载函数cvLoadImage(“ImgbackGround.jpg”,-1)将该背景图像导入OpenCV视觉库中,建立背景模型,其中该图像加载函数cvLoadImage(“ImgbackGround.jpg”,-1)中的参数-1表示在导入该背景图像之前将该背景图像转化为灰度图;
第二步、采集包括人体的步态视频流gaitFeature.avi并通过视频获取函数cvCreateFileCapture(“gaitFeature.avi”)将该步态视频流gaitFeature.avi导入该OpenCV视觉库中;
第三步、通过视频帧查询函数cvQueryFrame()获取该步态视频流gaitFeature.avi的当前视频帧FrameCur;
第四步、将该当前视频帧FrameCur转化为灰度图像,并通过函数cvAbsDiff(FrameCur,ImgbackGround,frameForgeground)对当前视频帧FrameCur与背景图像ImgbackGround进行差分运算,从而获得人体区域的灰度级图像frameForgeground;
第五步、通过函数cvAdaptiveThresholde()对该人体区域的灰度级图像frameForgeground进行自适应阈值处理;
第六步、设置函数cvSmooth()的参数smoothtype为CV_GAUSSIAN,通过该函数cvSmooth()对该人体区域的灰度级图像进行高斯平滑滤波和形态学处理,去除该人体区域的灰度级图像中的噪声;
第七步、通过函数cvErode()对该人体区域的灰度级图像进行n次腐蚀运算,进一步消除噪声,并且通过函数cvDilate()对该人体区域的灰度级图像进行膨胀运算,进行边缘补偿,其中n为大于零的整数,可以实际实验情况自行选择。
A3、将人体区域图转换为人体轮廓线图,具体的步骤为:
A3-1、对人体区域图进行边缘检测,从而获得人体边缘图像;
A3-2、对人体边缘图像进行查找轮廓运算:如果像素点在表示人体可运动部分的轮廓线上,则将该像素点的像素值设置为1,否则将该像素点的像素值设置为0;
A3-3、查找人体边缘图像的外部轮廓,进行多边形逼近,使得顶点数目减少后接近人体真实轮廓,并且绘制出人体外部轮廓线,从而获得人体轮廓线图。
本发明将人体可运动部分视为刚体,由于刚体的轮廓信息就足以表示人体的步态特征,因此本发明去掉刚体内部像素信息,只保留人体轮廓线,这样的人体二值轮廓线图与人体区域图相比,数据压缩率很高,可节约存储空间。
在本发明的第一实施例中,在C++环境下调用OpenCV视觉库实现上述步骤,如图5所示,具体为:
第一步、通过边缘检测函数cvCanny()对人体区域图进行边缘检测,从而获得人体边缘图像ImgCanny;
第二步、通过轮廓查找函数cvFindContours()对人体边缘图像ImgCanny进行查找轮廓运算,其中将该轮廓查找函数cvFindContours()的内参数mode设置为CV_RETR_EXTERNAL(即只检测出最外部轮廓),内参数method设置为CV_CHAIN_CODE(即用Freeman链码输出轮廓);
第三步、通过逼近多边函数cvApproxPoly()对查找人体边缘图像ImgCanny的外部轮廓,进行多边形逼近,使得顶点数目减少后接近人体真实轮廓,并且通过轮廓绘制函数cvDrawContours()绘制出人体外部轮廓线,从而获得人体轮廓线图ImgContours。
A4、在采集步态视频流时,由于摄像机焦距不同,摄像速率不同等诸多因素会造成人体在不同图像上的位置和大小存在很大差别,因此为了以相同的标准表示每个人的步态特征,便于快速步态识别,本发明对人体轮廓线图进行标准化处理,具体的步骤为:
A4-1、确定在该人体轮廓线图中仅包括人体轮廓的最小矩形框图f(x,y),并且计算出该最小矩形框图f(x,y)的像素点总数N×M,其中N表示该最小矩形框图f(x,y)中每行的像素点个数;
A4-2、由于目前人体的身高大多不超过2m,因此按照缩放比例对该最小矩形框图f(x,y)进行尺寸缩放,其中h表示身高(单位为mm),则尺寸缩放后,该最小矩形框图′(x′,y′)中x′=ax,y′=ay,由N′来表示尺寸缩放后,该最小矩形框图f′(x′,y′)中每行的像素点个数。
A4-3、沿着直线y′=y′c,确定在人体轮廓上相距最近的两个点(x′1,y′c)和(x′2,y′c),这两个点对应于人体颈部最细的位置,其中y′c∈[0,round(N′/3)],round()为取整运算;
A4-4、根据公式计算出人体颈部最细位置处的中轴线x′c,并且以该中轴线x′c为对称轴,在该最小矩形框图f′(x′,y′)的左右和上部添加像素值为0的像素点,将该最小矩形框图f′(x′,y′)缩放至标准的尺寸,从而实现人体轮廓线图的标准化。
本发明以人体颈部最细位置处的中轴线x′c为对称轴对人体轮廓部分进行缩放,既保持了每个人身高与步幅的比例,也保留了身高信息。
在本发明的第一实施例中,在C++环境下调用OpenCV视觉库实现上述步骤,如图5所示,具体为:
第一步、通过矩形边界函数cvBoundingRect()获取人体轮廓线图ImgContours中包含人体轮廓部分的最小矩形框Rect1,其中该最小矩形框Rect1包含的信息有矩形框起始坐标(x,y)以及长宽(height,width),则该最小矩形框Rect1的像素点总数为Rect1.height*Rect1.width;
第二步、通过图像截取函数cvGetSubRect()从人体轮廓线图ImgContours中截取出人体轮廓部分并保存为ImgContour1;
第三步、通过尺寸缩放函数cvReSize()将人体轮廓部分ImgConTour1进行尺寸缩放为100×64,从而获得标准化后的人体轮廓线图ImgConTour2。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种快速步态识别方法,其特征在于包括以下步骤:
S1、建立由步态特征组成的步态特征数据库,其中每一步态特征对应于一个人员,且每一步态特征均包括5个分量:个人编号、身高、性别、年龄和步态信息文件指针,每一步态信息文件指针对应于一个步态信息分量;
S2、采集待识别人体的身高,并获取待识别人体的步态信息分量;
S3、根据该待识别人体的身高,对该步态特征数据库中的人员进行筛选;
S4、根据该待识别人体的性别和年龄,对该步态特征数据库中的人员进行进一步筛选;
S5、分别计算出该待识别人体的步态信息分量与上述筛选出的各人员的步态信息分量之间的欧几里德距离,并将欧几里德距离最小的人员识别为该待识别人体。
2.根据权利要求1所述的快速步态识别方法,其特征在于:在所述步骤S1中,该身高h通过直尺测量获取,单位精确至毫米mm;该性别s直接输入,由0表示男性,1表示女性;该年龄a根据当前日期与出生日期的差值确定。
3.根据权利要求1所述的快速步态识别方法,其特征在于:所述步骤S1中在获取该步态信息文件指针*P时首先获取步态信息分量,再建立与该步态信息分量对应的步态信息文件指针*P;
所述步骤S1和步骤S2中在获取步态信息分量时,均按照以下步骤执行:
A1、采集包括人体的步态视频流以及不包括人体的背景图像;
A2、将该步态视频流中的各视频帧以及该背景图像分别转换为灰度图像,并将该步态视频流中各视频帧与该背景图像分别做差分运算,从而获得各视频帧的人体区域图;
A3、将该人体区域图转换为人体轮廓线图;
A4、对该人体轮廓线图进行标准化处理;
A5、将标准化后的人体轮廓线图转换为时空能量图,并将该时空能量图作为步态信息分量。
4.根据权利要求3所述的快速步态识别方法,其特征在于所述步骤A2还包括对各视频帧的人体区域图进行处理的过程:
A2-1、对各视频帧中人体区域图进行自适应阈值处理;
A2-2、对各视频帧中人体区域图进行高斯平滑滤波和形态学处理,去除该人体区域的灰度级图像中的噪声;
A2-3、对各视频帧中人体区域图进行n次腐蚀运算,进一步去除噪声,并且对该人体区域图进行膨胀运算,进行边缘补偿,其中n为大于零的整数。
5.根据权利要求3所述的快速步态识别方法,其特征在于所述步骤A3由以下步骤组成:
A3-1、对人体区域图进行边缘检测,从而获得人体边缘图像;
A3-2、对人体边缘图像进行查找轮廓运算:如果像素点在表示人体可运动部分的轮廓线上,则将该像素点的像素值设置为1,否则将该像素点的像素值设置为0;
A3-3、查找人体边缘图像的外部轮廓,进行多边形逼近,使得顶点数目减少后接近人体真实轮廓,并且绘制出人体外部轮廓线,从而获得人体轮廓线图。
6.根据权利要求3所述的快速步态识别方法,其特征在于所述步骤A4由以下步骤组成:
A4-1、确定在该人体轮廓线图中仅包括人体轮廓的最小矩形框图f(x,y),并且计算出该最小矩形框图f(x,y)的像素点总数N×M,其中N表示该最小矩形框图f(x,y)中每行的像素点个数;
A4-2、按照缩放比例对该最小矩形框图f(x,y)进行尺寸缩放,其中h表示身高,则尺寸缩放后,该最小矩形框图f′(x′,y′)中x′=ax,y′=ay,由N′表示尺寸缩放后,该最小矩形框图f′(x′,y′)中每行的像素点个数;
A4-3、沿着直线y′=y′c,确定在该人体轮廓上相距最近的两个点(x′1,y′c)和(x′2,y′c),这两个点对应于人体颈部最细的位置,其中y′c∈[0,round(N′/3)],round()为取整运算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210552339.3A CN102982323B (zh) | 2012-12-19 | 2012-12-19 | 快速步态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210552339.3A CN102982323B (zh) | 2012-12-19 | 2012-12-19 | 快速步态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982323A true CN102982323A (zh) | 2013-03-20 |
CN102982323B CN102982323B (zh) | 2016-05-11 |
Family
ID=47856308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210552339.3A Active CN102982323B (zh) | 2012-12-19 | 2012-12-19 | 快速步态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982323B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268500A (zh) * | 2013-05-29 | 2013-08-28 | 山东大学 | 一种对行走状态变化具有鲁棒性的步态识别方法 |
CN103514302A (zh) * | 2013-10-28 | 2014-01-15 | 深圳先进技术研究院 | 人体步态数据库及其建立方法 |
CN104200200A (zh) * | 2014-08-28 | 2014-12-10 | 公安部第三研究所 | 融合深度信息和灰度信息实现步态识别的系统及方法 |
CN104331705A (zh) * | 2014-10-28 | 2015-02-04 | 中国人民公安大学 | 融合时空信息的步态周期自动检测方法 |
CN104980619A (zh) * | 2014-04-10 | 2015-10-14 | 富士通株式会社 | 图像处理设备和电子装置 |
CN105678792A (zh) * | 2016-02-25 | 2016-06-15 | 中南大学 | 一种人体轮廓提取方法及系统 |
CN105844746A (zh) * | 2016-03-23 | 2016-08-10 | 上海斐讯数据通信技术有限公司 | 一种通过步态信息识别身份的门禁控制装置、系统及方法 |
CN103839081B (zh) * | 2014-02-25 | 2017-06-16 | 银河水滴科技(北京)有限公司 | 一种基于拓扑表达的跨视角步态识别方法 |
CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
CN109543546A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于深度序分布回归的步态年龄估计方法 |
CN110102906A (zh) * | 2019-05-10 | 2019-08-09 | 定颖电子(黄石)有限公司 | 一种镭刻打码系统及镭刻打码工艺 |
CN110378414A (zh) * | 2019-07-19 | 2019-10-25 | 中国计量大学 | 基于进化策略的多模态生物特征融合的身份识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN101635031A (zh) * | 2009-08-27 | 2010-01-27 | 上海交通大学 | 小样本人物轮廓特征提取与识别方法 |
US20120072166A1 (en) * | 2010-09-22 | 2012-03-22 | Invensense, Inc. | Deduced reckoning navigation without a constraint relationship between orientation of a sensor platform and a direction of travel of an object |
-
2012
- 2012-12-19 CN CN201210552339.3A patent/CN102982323B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN101635031A (zh) * | 2009-08-27 | 2010-01-27 | 上海交通大学 | 小样本人物轮廓特征提取与识别方法 |
US20120072166A1 (en) * | 2010-09-22 | 2012-03-22 | Invensense, Inc. | Deduced reckoning navigation without a constraint relationship between orientation of a sensor platform and a direction of travel of an object |
Non-Patent Citations (3)
Title |
---|
GARY BRADSKI ETAL: "《学习OpenCV(中文版)》", 31 October 2009, 清华大学出版社, article "学习OpenCV(中文版)", pages: 259-267 - 272 * |
刘慧英,王小波: "基于OpenCV的车辆轮廓检测", 《科学技术与工程》, vol. 10, no. 12, 30 April 2010 (2010-04-30) * |
韦素媛,等: "结构化步态特征表征和快速步态识别方法", 《模式识别与人工智能》, vol. 25, no. 2, 30 April 2012 (2012-04-30) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268500A (zh) * | 2013-05-29 | 2013-08-28 | 山东大学 | 一种对行走状态变化具有鲁棒性的步态识别方法 |
CN103268500B (zh) * | 2013-05-29 | 2016-04-06 | 山东大学 | 一种对行走状态变化具有鲁棒性的步态识别方法 |
CN103514302A (zh) * | 2013-10-28 | 2014-01-15 | 深圳先进技术研究院 | 人体步态数据库及其建立方法 |
CN103839081B (zh) * | 2014-02-25 | 2017-06-16 | 银河水滴科技(北京)有限公司 | 一种基于拓扑表达的跨视角步态识别方法 |
CN104980619B (zh) * | 2014-04-10 | 2018-04-13 | 富士通株式会社 | 图像处理设备和电子装置 |
CN104980619A (zh) * | 2014-04-10 | 2015-10-14 | 富士通株式会社 | 图像处理设备和电子装置 |
CN104200200A (zh) * | 2014-08-28 | 2014-12-10 | 公安部第三研究所 | 融合深度信息和灰度信息实现步态识别的系统及方法 |
CN104200200B (zh) * | 2014-08-28 | 2017-11-10 | 公安部第三研究所 | 融合深度信息和灰度信息实现步态识别的系统及方法 |
CN104331705B (zh) * | 2014-10-28 | 2017-05-10 | 中国人民公安大学 | 融合时空信息的步态周期自动检测方法 |
CN104331705A (zh) * | 2014-10-28 | 2015-02-04 | 中国人民公安大学 | 融合时空信息的步态周期自动检测方法 |
CN105678792A (zh) * | 2016-02-25 | 2016-06-15 | 中南大学 | 一种人体轮廓提取方法及系统 |
CN105844746A (zh) * | 2016-03-23 | 2016-08-10 | 上海斐讯数据通信技术有限公司 | 一种通过步态信息识别身份的门禁控制装置、系统及方法 |
CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
CN109543546A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于深度序分布回归的步态年龄估计方法 |
CN110102906A (zh) * | 2019-05-10 | 2019-08-09 | 定颖电子(黄石)有限公司 | 一种镭刻打码系统及镭刻打码工艺 |
CN110378414A (zh) * | 2019-07-19 | 2019-10-25 | 中国计量大学 | 基于进化策略的多模态生物特征融合的身份识别方法 |
CN110378414B (zh) * | 2019-07-19 | 2021-11-09 | 中国计量大学 | 基于进化策略的多模态生物特征融合的身份识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102982323B (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982323B (zh) | 快速步态识别方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN106446779B (zh) | 身份识别方法和装置 | |
CN104091171B (zh) | 基于局部特征的车载远红外行人检测系统及方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN108090428B (zh) | 一种人脸识别方法及其系统 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN107230207A (zh) | 轮胎的检测方法及系统 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN103913166A (zh) | 一种基于能量分布的星点提取方法 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
Lili et al. | The algorithm of iris image preprocessing | |
CN102722701B (zh) | 指纹采集过程中的视觉监控方法及其设备 | |
KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
CN104573628A (zh) | 一种三维人脸识别方法 | |
CN109215059A (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
Liu et al. | Implementation System of Human Eye Tracking Algorithm Based on FPGA. | |
CN105335717B (zh) | 基于智能移动终端视频抖动分析的人脸识别系统 | |
CN108280846A (zh) | 基于几何图形匹配的目标跟踪修正方法及其装置 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
Kuang et al. | An effective skeleton extraction method based on Kinect depth image | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN110765925A (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |