CN108563939B - 基于步态轨迹曲线特征的人体身份识别 - Google Patents
基于步态轨迹曲线特征的人体身份识别 Download PDFInfo
- Publication number
- CN108563939B CN108563939B CN201810379948.0A CN201810379948A CN108563939B CN 108563939 B CN108563939 B CN 108563939B CN 201810379948 A CN201810379948 A CN 201810379948A CN 108563939 B CN108563939 B CN 108563939B
- Authority
- CN
- China
- Prior art keywords
- curve
- gait
- angle
- track
- fourier
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Abstract
本发明公开了一种基于步态轨迹曲线特征的人体身份识别方法。根据步态加速度数据在时域的曲线图,将步态身份识别问题转换为轨迹曲线形状的匹配问题。从图像学角度出发,论文利用傅里叶描述子来描述步态曲线的较粗轮廓的全局轨迹曲线特征,并提出方向角描述子的概念来进一步刻画步态曲线细致的局部轨迹曲线特征,最后将二者结合完成步态轨迹曲线的匹配。结果表明,论文所提出的步态轨迹曲线特征能够很好的用于身份识别。
Description
技术领域
本发明属于信息安全领域,具体涉及一种基于步态轨迹曲线特征的人体身份识别方法。
背景技术
据中国台湾《电子时报》报道,工信部的统计数据显示,截止到2014年5月底中国的手机用户数量已达到12.56亿人,相较4月份增长了0.36%,比去年同期增长了7.82%,相当于中国 90.8%的人都在使用手机。2016年5月17日,中国互联网协会、国家互联网应急中心(CNCERT) 在京首次联合发布了《中国移动互联网发展状况及其安全报告(2016)》。报告显示,2015年中国境内活跃的手机网民数量达7.8亿,占全国人口数量的56.9%。手机安全问题依然严峻,而用户身份识别是保护信息安全的首要步骤。目前智能手机大都配备了摄像头、加速度传感器、陀螺仪等各种传感器,这些传感器能够记录下每个人所特有的生物特征,目前常见的生物特征有签名、指纹、声音、虹膜和步态等。由于生物特征是人本身固有的,具有不易丢失、盗取和遗忘的优点。但这些生物特征识别方式也存在一些缺点,例如指纹、虹膜、人脸等生物特征识别需要用户近距离接触,而且也需要高分辨率的图像,应用范围有限。人类的步态包含非常独特的模式,可用于身份的识别和验证。加速度传感器以其低廉的价格、高的灵敏度和较小的体积被广泛应用于智能手机中。其具有的独特优势使研究人员逐渐认识到它在基于步态的身份识别领域的应用前景。基于步态的身份识别主要的难点和重点集中在特征提取和分类识别方法上,特征提取是为了从步态加速度传感器信号中提取可以表征人体身份的特征向量,是基于智能手机传感器的用户身份识别技术中的关键所在,其好坏会直接影响分类器的识别率。
目前基于加速度信号特征提取的方法可以分为:时域分析法、频域分析法和时频域法。时域阶段提取简单特征,虽然计算量小,但是所取得识别率并不是很高;针对上述问题,在此基础上添加了频域的特征,因为频域丢弃了时域的信号特征,所以一般需要融合这两类特征,融合后识别率得到了很大的提高,但是由于频域阶段提取的特征的维数较高,需要对特征进行降维或优化处理,这些处理的好坏将直接影响最终的结果。时-频方法能够在时间和频率两个空间内更好的观察信息特性,但冗余度较大。随着基于加速度传感器的步态身份识别研究的不断深入,研究人员不断尝试通过提取新的特征来提高身份识别率。
针对上述问题,提出一种基于步态轨迹曲线特征的人体身份识别方法。该方法根据步态加速度数据在时域的曲线图,将步态身份识别问题转换为曲线轨迹的形状匹配问题。从图像学角度出发,利用傅里叶描述子来描述步态曲线的较粗轮廓的轨迹形状特征,并提出方向角描述子的概念来进一步刻画曲线细致的轨迹特征,最后将二者结合完成步态轨迹曲线的匹配。结果表明,提出的步态曲线形状特征能够很好的用于身份识别。
发明内容
针对目前基于智能手机的安全防护问题,本发明通过进一步挖掘新的步态特征用于身份识别,傅里叶描述子是一种新型的描述图像特征的数学方法,已成功运用于图形图像领域中的曲线轨迹形状匹配。因此,根据步态加速度数据在时域的曲线图,本发明将步态身份识别问题转换为轨迹曲线形状的匹配问题。从图像学角度出发,利用傅里叶描述子来描述步态曲线的较粗轮廓的全局轨迹曲线特征,为了能够进一步细致的刻画轨迹曲线特征,弥补傅里叶描述子不能描述局部特征,本发明又提出方向角描述子的概念来进一步刻画步态曲线细致的局部轨迹曲线特征,最后将二者结合形成从整体到局部的步态轨迹曲线匹配。
实现本发明的技术方案如下:
一种基于步态轨迹曲线特征的人体身份识别方法,包括较粗轮廓的曲线轨迹特征提取步骤和较细致的局部曲线轨迹特征提取步骤;
所述较粗轮廓的曲线轨迹特征提取步骤包括:
(1)数据获取:利用智能手机内置加速度传感器采集步态加速度数据,采样频率为100Hz。手机内置加速度传感器分为三个方向,即X,Y,Z三个轴,为了消除方向的影响,采用合加速度,单位m/s2;
(2)数据预处理:在数据采集的过程中,手机传感器容易受到外界环境、高频干扰以及人呼吸所引起的身体起伏影响,导致采集到的数据含有许多高频噪声信号。为了使得采集到的数据有效,需要对数据进行一系列的去除重力、去噪声等预处理;
(3)标准步态曲线获取:已知步态数据是时变的周期信号,为减少计算量,论文只考虑步态的单个周期,利用单个标准周期能够表征整个步态特征;
(4)步态曲线的闭合化:步态时序曲线是一条未封闭的曲线,而傅里叶描述符不能对非闭合曲线轮廓特征进行描述,因为非闭合曲线收尾两点信号不连续,会导致了信号不连续。为了能够使用傅里叶形状描述子模型进行曲线轮廓提取,论文将非闭合步态曲线闭合化的操作。对首尾点做连线并以此连线为轴进行镜像处理,构成封闭的曲线,镜像部分与原曲线形状完全相同,可视为原曲线的对偶形状(首尾曲线坐标不是原点的连线,而是曲线首尾坐标的连线);
(5)粗轮廓的曲线轨迹特征提取:傅里叶描述子是一种基于频域变换的形状表示算法。经过大量的研究实验表明,傅里叶描述子对于轨迹曲线特征有很强的描述和识别的能力,并且计算简单,运行速度快,精度也较高。基本思想:首先将轮廓曲线表示成一个一维的封闭的曲线函数,可以表示为以周长为周期的函数;然后对此封闭的轮廓曲线函数进行傅里叶变换,傅里叶级数中的一系列的级数被称为傅里叶形状描述子。
进一步,所述步骤(5)的具体步骤如下:
1)假设在xy平面上有N个坐标点,假设P0,P1,P2,...,PN-1该封闭曲线上的点,以P0为起始点,PN-1为结束点(P0=PN-1),以顺时针方向经过P0(x0,y0),P1(x1,y1),...,PN-1(xn-1,yn-1)后可回到原始位置,并可反复循环。设x(k)=xk,y(k)=yk,所以一条封闭曲线的边界点可表示为 Z(k)=(x(k),y(k)),k=0,1,...,N-1,每一个坐标又可以处理成复数的形式:
X(k)为复数坐标的实部,Y(k)为复数坐标的虚部;
Si(0≤i≤N-1)为点Pi到起始点P0的曲线长,并且Si≤k≤Si+1,0≤i≤N-1。函数的傅里叶级数表达式为:
其中,L为封闭曲线的周长,傅里叶的系数表达式为:
2)傅里叶级数的各项系数Cn为复数,模向量C=(||c1||,||c2||,...,||ck||),研究表明,向量C与形状的尺度、方向和选择的起始点有关,为了使其具有选择、平移和尺度的不变性,则需要对C进行归一化处理,得到傅里叶形状描述子。归一化后的傅里叶形状描述子d(i)定义为:
3)由于步态形状的全局特征大都集中在低频部分,而高频部分更能体现步态形状的细节特征,尽管系数选择的越多,变换后的数据与原数据的误差越小,但是本发明的目的在于分类识别,而不在于精确的原数据重构,而且选择的系数越多并不代表识别的效果越好。根据实验选取前15个低频傅里叶系数,它们对应着目标的总体形状特征,用FD表示此部分提取的特征集合。
所述较细致的局部曲线轨迹特征提取步骤包括:
(6)细致的局部曲线轨迹特征提取:一个目标的整体轮廓特征主要反映在傅里叶描述子的低频系数部分,而高频系数则描述了目标轮廓的局部细节信息,由于高频部分的特征一般难以提取利用,所以,大多数研究都是选取低频部分的特征,虽然减少了计算的复杂度,但是也忽略了其细节特征,造成无法判断出一些变化较大的点在空间的具体位置和分布情况。为了改进此种情况,本发明提出了方向角描述子的概念,角度特征不仅能够描述方向变化的特征,也具备旋转不变性原则。利用曲线的局部角度方向变化的特征来进一步描述曲线局部细节变化情况,从而有效的改善了因忽略高频部分特征而造成的局部细节的丢失情况。首先计算步态曲线轨迹上所有点方向角序列,得到所有角度点切线以及方向角序列的质心,利用角度点切线与质心的夹角描述曲线轨迹的变化。
进一步,所述步骤(6)的具体步骤如下:
1)设曲线轨迹有N个数据点,则有N-1个角度点,则角度:
2)角度点的质心为:
3)每个角度点到其质心的距离r可以用欧式距离表示为:
4)再求出r与坐标轴之间的夹角α作为最终的方向角。其中α的大小反映了曲线上各个点的角度变化情况。为了消除其他因素的影响,将夹角α进行归一化操作,即选则最大夹角αmax,将每个夹角除以αmax得到归一化后的r,即:
5)归一化后选取前K个最大值来表征该曲线的局部方向变化特征,我们使用AD来表示这一类角度特征。利用从步态曲线中提取曲线轮廓的轮廓特征和角度特征组合形状特征。
其中,N表示第N个周期,FD表示傅里叶描述子的形状特征,AD表示角度变化特征。
进一步,将粗轮廓特征的傅里叶描述子和细致局部特征的方向角描述子结合作为步态曲线轨迹特征用于身份识别。
本方法发明的有益效果:
(1)从不同角度提取步态特征
从图像学角度出发,将步态身份识别问题转换为步态加速度数据的平面轨迹曲线匹配问题。
(2)结合步态曲线轨迹的粗轮廓特征和细致局部特征进行身份识别
对于步态曲线轨迹,分别从整体粗轮廓和局部细节方面充分挖掘步态曲线轨迹的形状特征,二者结合使用随机森林分类方法进行身份识别,提高了准确率。
附图说明
图1数据采集方式,(a)实验环境;(b)步态行走方式;(c)加速度传感器三轴方向;(d)手机放置的位置
图2方向角描述子
图3基于随机森林的步态识别方法
图4基于步态轨迹曲线特征的身份识别框架
具体实施方式
在步态曲线轨迹特征提取方面:由于提取的步态轨迹特征将用于身份识别,故而对于正确识别率要求较高。经研究表明:目前基于步态加速度的身份识别方法大都采用传统统计特征,并且识别率较高。因此,对基于步态曲线轨迹特征的身份识别率要求较高。
在曲线轨迹特征提取方面:对于表示粗轮廓特征的傅里叶描述子和表示细致局部特征的方向角描述子,无论二者单独还是结合使用都具有较好的有效性和鲁棒性。
具体方案:
1.首先从一组步态数据中提取单个标准周期来表征整个步态。为了能够从图像学角度提取步态曲线的轨迹特征。对非闭合步态曲线进行闭合化操作,对标准步态曲线的首尾点做连线并以此连线作为轴进行镜像处理,构成封闭的曲线。
2.其次分别从步态曲线轨迹的整体粗轮廓和细致的局部变化提取相应的特征:傅里叶描述子、方向角描述子。对于傅里叶描述子,首先将步态轨迹曲线表示成一个一维的封闭的曲线函数,也可以表示成以周长为周期的函数,然后对此封闭的轮廓曲线函数进行傅里叶变换,傅里叶级数中的一系列的级数被称为傅里叶形状描述子。由于步态形状的全局特征大都集中在低频部分,而高频部分更能体现步态形状的细节特征,尽管系数选择的越多,变换后的数据与原数据的误差越小,但是本发明的目的在于分类识别,而不在于精确的原数据重构,而且选择的系数越多并不代表识别的效果越好。根据实验,选取前15个低频傅里叶系数,它们对应着目标的总体形状特征,用FD表示此部分提取的特征集合。
3.傅里叶描述子隐藏了空间域中的位置信息,往往更倾向于表现全局特征,为了弥补傅里叶描述子在局部表征上的欠缺,提出方向角描述子,角度特征不仅能够描述曲线局部方向变化的特征,也具备旋转不变性原则。首先求出步态曲线轨迹上所有点方向角序列,如图2 所示。并求出所有角度的切线以及方向角序列的质心,利用角度点切线与质心的夹角描述曲线轨迹的变化。选取前10个最大值来表征该曲线的局部方向变化特征,用AD来表示。利用从步态曲线中提取曲线轮廓的整体特征和局部角度特征组合成轨迹特征。最后将步态轨迹曲线特征利用随机森林分类器进行分类识别。
下面结合附图对本发明作进一步说明。
一、数据采集方式:
对于步态数据,使用智能手机的内置加速度传感器采集步态的加速度数据,并且设置手机的采样频率为100Hz。为了使得最终的分类结果更加可信,采集了40名健康志愿者的加速度数据,其中9名男性,31名女性,平均年龄为23~26岁,身高为155cm~185cm。全体志愿者将三星Note II手机放置在裤子的前侧的右边口袋中,手机频率朝外,如图1的(d)所示。在采集数据时,志愿者们以其正常的步行速度在平坦的地面上行走大约200米左右,重复30次,具体如图1的(a)所示。
二、方向角描述子:
对于傅里叶描述子则隐藏了空间域中的位置信息,往往更倾向于表现整体的粗轮廓特征。方向角描述子能够弥补傅里叶描述子在局部表征上的欠缺。更能反映步态轨迹曲线的局部方向变化的细致特征。具体计算步骤如下:
1.计算步态曲线轨迹上所有点的方向角序列
首先计算步态曲线轨迹上各个数据点的余弦夹角,如图2中的(a)所示,具体公式见(6)。将所得到的所有角度点组成角度序列集合,再求该集合的质心,公式见(7),将所有角度点的切线和质心间的夹角用于描述曲线轨迹的方向角变化。
2.方向角归一化及提取
为了消除其他因素的影响,将方向角归一化,具体公式如式(9),归一化后提取前K个最大值来表征该曲线的局部方向变化特征。
三、基于随机森林的步态识别方法:
随机森林算法是采用自主聚类把多个不同的决策树集成为一个学习机的集成学习方法。 Bagging方法从全部的训练样本集合中通过可重复采样技术得到不同的训练子集,利用随机产生的多个训练样本子集训练模型,生成多个相应的决策树。在分类识别时,对每个决策树的分类结果进行投票,取票数最多的类别作为测试数据的最终类别。随机森林算法能够处理高纬度的数据,并且不用做特征选择,泛化能力强,相对于其他算法有较大的优势,因此,选择随机森林算法用于身份识别。
提出的基于步态特征的身份识别方法的框架结构如图3所示。该方法包括两个阶段:训练阶段和测试阶段。在训练阶段,将步态的轨迹曲线特征用训练随机森林分类器进行训练,产生训练模型;在测试阶段,对测试数据获取轨迹去线特征后,基于训练阶段产生的训练模型利用测试随机森林分类器通过投票产生分类结果。
四、基于步态轨迹曲线特征的身份识别框架
观察步态加速度数据在时域上的曲线形状,发现同一个人的步态曲线具有较大的相似性,而不同人的步态曲线具有较大的差异性。之前的身份识别研究工作中,大多数方法都是直接从步态数据本身出发。对于最能反映步态曲线的形状特征却没有深入的研究,事实上,形状是最能反映其变化的特征。因此,从图像学形状角度出发,根据步态轨迹曲线特征来完成身份识别,具体流程图如图4所示。主要分为四个阶段:数据采集、数据预处理、步态轨迹曲线特征提取和分类识别。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之。
Claims (1)
1.一种基于步态轨迹曲线特征的人体身份识别方法,其特征在于,包括粗轮廓的全局轨迹曲线特征提取步骤和细致的局部轨迹曲线特征提取步骤;
(1)数据获取:利用智能手机内置加速度传感器采集步态加速度数据,采样频率为100Hz;
(2)数据预处理:对原始步态数据进行预处理的主要目的就是为了减少噪声干扰,其中噪声主要来源于一些不可避免的因素,包括呼吸、晃动造成的人体自然生理抖动、传感器自身的噪声和重力加速度的干扰,预处理技术包括:有效步态数据截取、滤波去噪和归一化;
(3)标准步态曲线获取:已知步态数据是时变的周期信号,为减少计算量,只考虑步态的单个标准周期,利用单个标准周期特征来表征整个步态特征;
(4)步态曲线的闭合化:步态时序曲线是一条未封闭的曲线,而傅里叶描述符不能对非闭合曲线轮廓特征进行描述,因此对步态数据首尾点做连线并以此连线为轴进行镜像处理,构成封闭的曲线;
(5)粗轮廓的轨迹曲线特征提取:
1)假设在xy平面上有N个坐标点,假设P0,P1,P2,...,PN-1该封闭的曲线上的点,以P0为起始点,PN-1为结束点,P0=PN-1,以顺时针方向经过P0(x0,y0),P1(x1,y1),...,PN-1(xn-1,yn-1)后回到原始位置,并可反复循环,设x(k)=xk,y(k)=yk,所以一条封闭曲线的边界点表示为Z(k)=(x(k),y(k)),k=0,1,...,N-1,每一个坐标处理成复数的形式:
Si(0≤i≤N-1)为点Pi到起始点P0的曲线长,并且Si≤k≤Si+1,0≤i≤N-1,函数的傅里叶级数表达式为:
其中,L为封闭曲线的周长,傅里叶的系数表达式为:
2)傅里叶级数的各项系数Cn为复数,模向量C=(||c1||,||c2||,...,||cK||),向量C与形状的尺度、方向和选择的起始点有关,为了使其具有选择、平移和尺度的不变性,则需要对C进行归一化处理,得到傅里叶形状描述子,归一化后的傅里叶形状描述子d(i)定义为:
选取前15个低频傅里叶系数作为傅里叶描述子的形状特征,用FD表示,
(6)细致的局部曲线轨迹特征提取:
1)设曲线轨迹有N个数据点,则有N-1个角度点,则角度:
2)角度点的质心为:
3)每个角度点到其质心的距离r用欧式距离表示为:
4)再求出每个角度点和质心间的连线与坐标轴之间的夹角α作为最终的方向角,其中α的大小反映了曲线上各个点的角度变化情况,为了消除其他因素的影响,将夹角α进行归一化操作,即选择最大夹角αmax,将每个夹角αi除以αmax得到归一化后的夹角,即:
选取前K个最大值来表征该曲线的局部角度变化特征,用AD来表示;
(7)轨迹曲线特征:将提取的曲线粗轮廓特征和局部角度特征组合成轨迹曲线特征:
其中,N表示第N个周期,FD表示傅里叶描述子的形状特征,AD表示角度变化特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379948.0A CN108563939B (zh) | 2018-04-25 | 2018-04-25 | 基于步态轨迹曲线特征的人体身份识别 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379948.0A CN108563939B (zh) | 2018-04-25 | 2018-04-25 | 基于步态轨迹曲线特征的人体身份识别 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563939A CN108563939A (zh) | 2018-09-21 |
CN108563939B true CN108563939B (zh) | 2022-05-20 |
Family
ID=63536621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810379948.0A Active CN108563939B (zh) | 2018-04-25 | 2018-04-25 | 基于步态轨迹曲线特征的人体身份识别 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563939B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543626B (zh) * | 2018-11-27 | 2023-04-07 | 济南大学 | 一种机械装备旋转部件轴心轨迹识别方法 |
CN110057733B (zh) * | 2019-04-30 | 2022-02-11 | 常州大学 | 一种暖体假人呼吸系统实验装置 |
CN111027643B (zh) * | 2019-12-26 | 2024-03-08 | 北京奇艺世纪科技有限公司 | 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
CN107831907A (zh) * | 2017-12-07 | 2018-03-23 | 深圳先进技术研究院 | 基于步态识别的身份认证方法及装置 |
-
2018
- 2018-04-25 CN CN201810379948.0A patent/CN108563939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
CN107831907A (zh) * | 2017-12-07 | 2018-03-23 | 深圳先进技术研究院 | 基于步态识别的身份认证方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108563939A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhanu et al. | Deep learning for biometrics | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN110516576A (zh) | 基于深度神经网络的近红外活体人脸识别方法 | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
Singh et al. | Gender and ethnicity classification of iris images using deep class-encoder | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
CN108563939B (zh) | 基于步态轨迹曲线特征的人体身份识别 | |
CN103218624A (zh) | 基于生物特征的识别方法及装置 | |
CN103268497A (zh) | 一种人脸姿态检测方法与在人脸识别中的应用 | |
Raghavendra et al. | A low cost wrist vein sensor for biometric authentication | |
CN110929558B (zh) | 一种基于深度学习的行人重识别方法 | |
Wazirali et al. | Hybrid Feature Extractions and CNN for Enhanced Periocular Identification During Covid-19. | |
Tahmasebi et al. | Robust intra-class distance-based approach for multimodal biometric game theory-based rank-level fusion of ear, palmprint and signature | |
CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
Kranthi Kumar et al. | Effective deep learning approach based on VGG-mini architecture for iris recognition | |
Chen et al. | Contour detection by simulating the curvature cell in the visual cortex and its application to object classification | |
Kim et al. | Facial age estimation via extended curvature Gabor filter | |
CN112613430B (zh) | 一种基于深度迁移学习的步态识别方法 | |
Jayalakshmi et al. | A study of Iris segmentation methods using fuzzy C-means and K-means clustering algorithm | |
Rafi et al. | A parametric approach to gait signature extraction for human motion identification | |
Zhen-Yan | Chinese character recognition method based on image processing and hidden markov model | |
CN110032976B (zh) | 一种基于掩膜处理新型步态能量图的获取及身份识别方法 | |
Turky et al. | The use of SOM for fingerprint classification | |
Ahmad et al. | An accurate multi-biometric personal identification model using histogram of oriented gradients (HOG) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |