عنوان پایان‌نامه
شناسایی افراد با استفاده از تحلیل نحوه راه رفتن
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1596;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41651
- تاریخ دفاع
- ۱۷ مرداد ۱۳۸۸
- دانشجو
- فرزین داداشی
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- در این پایان نامه تعیین هویت افراد بر اساس تحلیل نحوه راه رفتن به عنوان یک سنجه¬ی زیستی-رفتاری مورد بررسی قرار می¬گیرد. ویژگی¬های منحصر به فرد این سنجه مطالعات بر روی آن را در بین محققین بینایی ماشین بسیار گسترش داده است. در پژوهش حاضر ابتدا مساله را در حالتی که زاویه راه رفتن فرد در مقابل دوربین در هنگام یادگیری و تست یکسان است، بررسی می¬کنیم. همچنین سعی شده است که مساله در حالتی که سرعت راه رفتن فرد تغییر می¬کند، مورد بازبینی قرار گیرد. از بازنمایی یک بعدی کناره¬نمای به کمک بسته موجک و بهره گیری از الگوریتم جستجوی همتایی، k تابع پایه از درخت بسته موجک که بیشترین شباهت را به سیگنال مربوطه دارند، انتخاب کرده و ضرایب متناظر را به عنوان ویژگی برمی¬گزینیم. نهایتا به کمک ماشین بردار پشتیبان انتقالی طبقه¬بندی بر روی فضای ویژگی راه رفتن تحت یادگیری با نظارت جزئی صورت می¬پذیرد. همچنین از آنجا که مساله شناسایی اشخاص در زوایای مختلف که بیانگر حالت واقعی مساله در محیط¬های کنترل نشده و لازمه تکامل سیستم¬های شناسایی مبتنی بر ویدئوی راه رفتن افراد است، پیش از این چندان مورد بررسی قرار نگرفته است، بخشی از این پایان¬نامه به آن تخصیص داده شده است. از خانواده تبدیل¬های آفین برای مدلسازی تغییرات تصویر فرد هنگامی که در راستای یکسان با نمونه¬های موجود در دادگان راه نمی¬رود استفاده شده است. نتایج شناسایی با استفاده از ویژگی¬های ناوردا تحت تبدیل آفین، که در دو حوزه تصویر و سیگنال انحنای آفین استخراج می¬شوند، موید آن است که تا هنگامی که شرط تقریبا مسطح بودن کناره¬نمای بدن نقض نشود، روش کارآیی مطلوبی دارد. نرخ شناسایی %73 در چرخش °18 فرد و افزایش سریع رتبه تطابق تجمیعی در بین 10 نزدیکترین همسایه، روش استخراج ویژگی مطرح شده را به عنوان راه¬گشای تحقیقات آتی برای طراحی سیستم¬های عملی قابل پیاده سازی قرار می¬دهد.
- Abstract
- Individual identification methods based on gait, which is an idiosyncratic biometric are proposed. Gait's specific characteristics, such as being the only perceivable biometric that can be obtained at a distance without any obtrusion as well as robustness while using low-resolution images, resulted in growing interest among computer vision researchers. First we examine the gait recognition problem, when training and testing views are identical. An efficient gait recognition method based on describing subject outer body contour deformations using wavelet packets is proposed. With the use of Matching Pursuit algorithm, k bases of wavelet packet tree that have maximum similarity to the signal are selected and corresponding coefficients are used as features. Finally, Transductive Support vector Machine (TSVM) classification is utilized on computed eigengait space for semi-supervised identification. The proposed method of selecting features which uses a complete orthogonal or near orthogonal basis from a wavelet packet library of bases and investigating the correlational structure of gait features for each individual using TSVM, result in encouraging correct classification rate comparing to that of some of well-known methods. Cumulative match score criterion, used for method efficiency examination, as well. A rank 5 correct identification equal to 100% shows system reliability. Moreover, half of the thesis is dedicated to view-invariant gait recognition as this is the case in reality. Regarding the trade-off between specificity and fidelity of features under equivalence classes, affine group of geometric transformations is used for modeling the silhouette deformations due to view changes. View-invariant features of planar projections of the silhouette under affine group are calculated in both image and affine curvature signal domains. The results demonstrate the efficiency of the proposed technique, especially when the difference between training and testing views is less than or equal to 18°. The fast increment of cumulative match score after 10 shots, makes the proposed method a dependable basis for more sophisticated implementable gait recognition systems.
