20181

۲۰۱۸۱

شناسايي افراد با استفاده از الگوهاي حركتي و بهره گيري از دوربين كينكت

كارشناسي ارشد

الكترونيك - سيستم هاي الكترونيك ديجيتال

۱۳۹۷

۱۳۹۷/۱۲/۱۹

دكتر برادران شكوهي

برق

نحوه راه رفتن، يك نوع سبك راه رفتن براي شخص است كه مي تواند براي شناسايي اشخاص مورد استفاده قرار بگيرد. برخلاف ساير روش هاي بيومتريك تشخيص هويت، همانند اثر انگشت، چهره يا قرنيه چشم، كه نياز به همكاري و تماس فيزيكي انسان دارند، شناسايي با استفاده از نحوه راه رفتن، نياز به تعامل انسان با سيستم نداشته و مي تواند با فاصله از شخص يا با وضوح كم در حالت هاي غير انسداد، به صورت پنهاني انجام شود. شناسايي منحصر به فرد افراد با استفاده از داده‌هاي تن سنجي و حركتي امكان استفاده از سيستم‌هاي بيومتريك را فراهم مي‌كند كه در آن نيازي به همكاري افراد مورد شناسايي وجود ندارد. در اين پايان نامه، نتايج آزمايش‌هاي انجام شده با استفاده از يك مجموعه داده جديد و كارآمد متشكل از ۱۴۰ نفر كه در مقابل سنسور كينكت مايكروسافت حركت مي‌كنند، ارائه مي‌شود. چهار نوع ويژگي، مورد استفاده قرار گرفته شده اند: ويژگي هاي تن سنجي بر پايه طول بخش هاي اسكلتي، ويژگي هاي فاصله نسبي بر پايه فواصل نسبي ميان مفاصل اسكلتي، ويژگي هاي زاويه مفاصل بر پايه زوايه بين مفاصل اسكلتي و ويژگي هاي حركتي كه بر پايه حركت يك مفصل ميان دو فريم است. نتايج اعمال الگوريتم‌هاي مختلف يادگيري ماشيني بر روي عملكرد تشخيص افراد نشان داده مي شود. با تمركز بر روي طبقه‌بند KNN، تفاوت ميزان دقت در وضعيت‌هاي مختلف مانند تعداد افراد در مجموعه آموزشي، ويژگي‌هاي مختلف مورد استفاده و تعداد همسايه‌هاي موجود در طبقه بند KNN، مورد بحث و بررسي قرار مي‌گيرند. نتايج آزمايشات نشان مي‌دهد كه دقت تشخيص با ويژگي‌هاي حركتي تا 90% مي‌رسد كه قابل‌ مقايسه با ويژگي‌هاي تن سنجي است. تركيبي از ويژگي‌هاي حركتي و ويژگي‌هاي تن سنجي مي‌تواند دقت بيش از 97% را فراهم كند.

1397/12/20

Human Gait Recognition Using Kinect Skeleton Data

3/11/2019 12:00:00 AM

Gait is a walking style of a person and can be used to recognize the individuals. Unlike other identification modalities such as fingerprints, faces or iris biometric which require a cooperation and physical contact of human, gait collection do not require any interaction of human with the system and can be performed at distance or at low resolution in a noninvasive and hidden manners. Uniquely identifying individuals using anthropometric and gait data allows for passive biometric systems, where cooperation from the subjects being identified is not required. In this thesis, we report on experiments using a novel data set composed of 140 individuals walking in front of a Microsoft Kinect sensor. Four kinds of features are used: anthropometric features, based on the length of the skeleton segments; relative distance features, based on relative distances between the skeleton joints; joint angle features, based on angle between the skeleton joints; and motion features, based on the movement of a joint between two frames. Show results of applying different machine learning algorithms on subject identification tasks. Focusing on KNN classifiers, we discuss how accuracy varies in different settings, including number of individuals in a gallery, types of attributes used and number of considered neighbors. Experimental results show that the recognition accuracy with gait features reaches up to 90%, which is comparable with that of anthropometric features. The combination of gait features and anthropometric features can provide an accuracy of more than 97%.