17644

17644

طراحي سيستم بيومتريك حركتي مبتني بر مدل آزاد

كارشناسي ارشد

الكترونيك

فروردين ماه 1396

دكتر شهريار برادران شكوهي

برق

بيومتريك يكي از روش¬هاي تشخيص و احراز هويت افراد با استفاده از ويژگي¬هاي منحصربفرد آن¬ها است. در مقايسه با بيومتريك¬هاي فيزيكي مانند اثر انگشت و عنبيه چشم، مهم¬ترين امتياز بيومتريك رفتاري گيت (نحوه راه رفتن)، تشخيص هويت افراد از فاصله دور و بدون نياز به آگاهي و همكاري افراد مي¬باشد. عوامل متعددي مي¬توانند باعث ايجاد اختلال در فرآيند بازشناسي گيت شوند. نوع لباس، كفش، تغيير زاويه ديد، سطح زمين و وضعيت حمل اشياء از جمله اين موارد مي¬باشند. شناخت صحيح اين عوامل و ميزان اثربخشي هريك از آن¬ها، در ارائه راهكارهاي قدرتمند براي بازشناسي گيت ضروري است. در اين پايان‌نامه، دو الگوي ويژگي توسعه يافته و بكارگيري شده است. ابتدا با استفاده از فيلترهاي مكاني و زماني مناسب تصوير انرژي فضا زماني گيت (GSTEI) توليد و سپس الگوي ديگري با كمك تبديل ويولت مختلط (DT-CWT) توسعه داده‌ شده است. در ادامه اين الگوها جهت بازشناسي گيت بكار گرفته شده¬اند. براي چارچوب طبقه‌بندي، روش زير فضاي تصادفي (RSM) مورد استفاده قرارگرفته است. پس از ساخت فضاي ويژگي اصلي با استفاده از 2DPCA، تعداد زيادي زيرفضاي تصادفي از فضاي ويژگي اصلي تشكيل داده مي¬شود. هريك از زير فضاها داراي يك طبقه¬بند پايه بوده و طبقه‌بندي نهايي با استفاده از تجميع نتايج همه¬ي طبقه¬بند¬ها انجام مي¬شود. تركيب اين چارچوب طبقه‌بندي با الگوهاي ويژگي توليدشده، يك سيستم بازشناسي گيت با دقت بالا و سرعت مناسب به وجود آورده است. براي ارزيابي عملكرد روش پيشنهادي در اين كار از دو مجموعه داده شناخته‌شده گيت يعني مجموعه داده USF و مجموعه داده CASIA-B استفاده‌شده است. با انجام آزمايش¬هاي گوناگون روي اين مجموعه داده¬ها، عملكرد الگوهاي ويژگي ارائه‌شده و تركيب آن¬ها با چارچوب طبقه‌بندي RSM مورد ارزيابي قرارگرفته است. در مجموعه داده¬ USF نرخ تشخيص Rank-1 براي آزمايش A برابر با %95 بدست آمده است. همچنين نرخ تشخيص ميانگين Rank-1 در مجموعه داده USF برابر با 74.48% و در مجموعه داده CASIA برابر با 93% مي¬باشد.

1396/04/27

1/1/1900 12:00:00 AM

Gait recognition is an interesting research field in computer vision. Gait recognition means identifying people by the way they walk. In this thesis, two feature templates are introduced for gait recognition. First one is generated by aggregating the responses of convolving spatial and temporal kernels to the input video sequence. Derivative of Gaussian and truncated cosine are used as kernels to extract spatial and temporal information, respectively. Aggregation of responses over the given gait cycles, form a Gait Spatio-temporal Energy model Image (GSTEI). Furthermore, Dual-Tree Complex Wavelet Transform (DT-CWT) is used to generate the second feature template. DT-CWT is applied to gait images in an arbitrary decomposition level and the magnitude of the resulting six band-pass sub-images is computed. The feature template is generated by concatenating these sub-images into a single image. Besides, overlearning is a common problem in gait recognition, which caused by the high dimensionality of the feature space compared to the small number of training samples. To avoid overlearning, and reduce the effect of covariate factors, a classifier ensemble method called Random Subspace Method (RSM) is used for classification. Experimental results on well-known public databases (i.e., USF and CASIA-B) demonstrate the efficiency of the proposed framework and the combination of the developed feature templates with RSM classification. The averaged Rank-1 and Rank-5 Identification rates in the USF dataset are 72.25% and 85.64% for the GSTEI template and 74.48% and 85.21% for the DT-CWT template, respectively.