9、步态识别算法的多维度分析与应用

步态识别算法的多维度分析与应用

1. 算法对比与影响因素

在三种变量中，视角似乎对结果影响最小，而表面类型的影响最大。整体而言，有一种方法在使用 USF 数据库进行识别时，识别率仅略逊于另一种方法，但在计算成本方面却远远更优。

对于识别率问题，噪声分割结果会对该方法的特征训练和提取产生重大影响。同时，椭圆形的行走路径也给基于视角的算法带来了挑战，因为在数据采集时采用的是近乎线性的行走路径，这与大多数过往数据库一致，且在实际情况中可能更符合现实。大多数现有算法在处理线性行走和侧面视角的序列时，其性能受到上述两个方面的严重影响，甚至可能无法有效工作。

在计算成本方面，另一种基线算法本质上属于无限制的时空相关过程。它与以往的工作不同，由于没有明确的训练过程来为每个序列提取真正紧凑的特征向量，所以它会反复使用分割后的轮廓图像进行序列间的相关性计算，以衡量任意两个序列之间的相似度。不过，这些只是基本的比较结果，还需要在更大、更真实的数据集上进行更详细的统计研究，以进一步量化算法性能。

2. 基于 HMM 的步态识别

2.1 HMM 基础概念

隐马尔可夫模型（HMM）是一种用于建模生成序列的统计工具，这些序列由一组可观测序列表征。HMM 框架用于对随机过程进行建模，其中系统的不可观测状态由马尔可夫过程控制，而系统的可观测序列集具有潜在的概率依赖性。HMM 在语音处理、自然语言处理等许多领域都有应用。

一个系统的 HMM 由以下参数定义：(\lambda = (\pi, A, B))，其中 (A) 是状态转移概率矩阵，(B) 是观测概率矩阵，(\pi) 是初始状态分布。系统有 (N) 个状态 ((s_1,