9、基于模型的2D和3D步态人体识别技术解析

基于模型的2D和3D步态人体识别技术解析

1. 2D步态识别

在2D步态识别中，我们首先关注单目图像序列的性能评估。实验使用的视频数据是在户外环境中记录的真实人体行走数据。八位不同的人在相对于正前方±45°的范围内行走。我们手动将视频数据划分为单周期序列，平均每个序列有16帧，且每个序列中只有一个人沿同一方向行走。数据库中共有110个单周期序列，每人的序列数量在11到16之间，图像尺寸为180×240。

我们使用遗传算法进行模型参数估计，对提取的运动学和静态特征进行归一化处理，公式为( \frac{x - \mu}{\sigma} )，其中(x)是特定特征值，(\mu)和(\sigma)分别是该特征在整个数据库中的均值和标准差。实验中的识别结果通过留一法最近邻分类方法获得。

1.1 静态特征分类器性能

静态特征分类器使用不同数量的特征时，识别率有所不同。具体数据如下表所示：
| 特征数量 | 静态特征 | 识别率 |
| ---- | ---- | ---- |
| 1 | 颈部 | 31% |
| 2 | 颈部，躯干 | 32% |
| 3 | 颈部，躯干，上臂 | 45% |
| 4 | 颈部，躯干，上臂，前臂 | 50% |
| 5 | 颈部，躯干，上臂，前臂，大腿 | 55% |
| 6 | 颈部，躯干，上臂，前臂，大腿，小腿 | 59% |
| 7 | 颈部，躯干，上臂，前臂，大腿，小腿，足部 | 62% |

从表中可以看出，随着特征数量的增加，识别率提高，说明每个特征对整体识别性能都有贡献，但不同特征的贡献程度不同。例如，在已有颈部长度