5、基于轮廓的步态识别方法解析

基于轮廓的步态识别方法解析

1. 概述

在当前的步态识别方法中，大多数都基于对轮廓的分析。这类似于早期的分析方法，即从背景中提取行走的主体，然后得出一组描述该轮廓在一系列图像中形状和运动的测量值。这种方法与经典的计算机视觉通过物体形状描述来识别物体的方法类似，例如通过最优阈值法获取物体形状描述。

当前的方法通常可用于描述移动物体，其分析大致可分为基于模型的方法和无模型的方法。基于模型的方法利用已知结构或建模确定的步态信息，其优点是不受服装和轻微视角变化的影响，但通常计算复杂度较高。无模型的方法又可分为基于移动形状的方法和在描述中整合形状与运动的方法。

以下是一些常见的步态识别方法：
|方法|描述|
| ---- | ---- |
|隐藏马尔可夫模型（HMM）|UMD的Kale等人和Sundaresan等人采用该模型，考虑二值化轮廓的外轮廓宽度和整个二值轮廓这两个不同的图像特征。|
|自相似性和结构步幅参数|UMD的BenAbdelkader等人使用PCA处理通过差分得到的自相似性图，自相似性矩阵编码了步态的频率和相位，保留了步态的动态信息，通过k近邻分类进行识别。|
|轮廓的时间相关性|NIST/USF的Sarkar等人通过轮廓的时间相关性进行识别，半自动定义边界框来匹配轮廓，估计步态周期用于时间分类。|
|关系统计变化|Vega等人利用检测到的图像特征之间的关系统计变化进行识别，该方法可处理跑步，无需物体模型、完美分割或部件级跟踪。|
|平均轮廓|Liu等人开发了平均轮廓作为识别特征，使用平均轮廓表示之间的欧几里得距离进行识别，速度比基线算法快。|
|关键帧分析|CMU的Collins等人使用关键帧