计算机视觉中的行为识别：步态分析的ReID应用

最近完成了一个基于步态的行为识别（ReID）的小型项目，旨在帮助老师解决特定场景下的身份识别问题。该项目的核心在于通过分析个体行走时的步态特征来区分不同的人。以下是项目的部分成果展示：

在本项目中，我们提取了几类关键特征用于识别，包括但不限于通用步态图像（GEI）系列特征以及基于光流场的特征。这些特征的结合使用显著提高了识别的准确性。具体来说，GEI系列特征能够捕捉个体行走的整体形态，而光流场特征则有助于分析运动模式的变化。右侧展示的是根据上述特征识别出的对象列表，由于排除了视角变化、服装差异等因素的影响，识别效果较为理想，首位即为正确匹配的对象。

为了实现这一功能，我们预先处理并存储了每个个体的行走序列图，以便于快速比对和识别。下面是一段简化的代码示例，展示了如何从视频流中读取帧并进行初步处理：

int main(int argc, char* argv[]) {
    string video_name = argv[1];
    VideoCapture video(video_name);
    vector frames;
    Mat frame, window_video;
    int frame_num = 0;
    while (true) {
        if (!video.read(frame)) break;
        frame_num++;
        if (!frame.empty()) {
            frame.copyTo(window_video);
            Mat tmp;
            frame.copyTo(tmp);
            frames.push_back(tmp);
        }
        if (frame_num > 40) {
            for (int ci = 0; ci                 Rect rect(ci * feature_width, video_height, feature_width, feature_height);
                Mat feature = getFeature(frames, rect);
                imshow("Gait", feature);
            }
            waitKey(50);
        }
    }
    return 0;
}

除了上述代码外，还有两个重要的函数：process() 和 readFeatures()。前者负责计算识别排序，后者用于加载预先提取的特征数据和对应的行走序列图。为了提高效率，我们还实现了获取前K个最小值的功能，具体实现如下：

void getKMinScores(vector& scores, vector& k_scores, int KNN_K) {
    for (int k = 0; k         k_scores[k] = FLT_MAX;
    }
    int people_size = scores.size();
    for (int pi = 0; pi         int change_id = -1;
        for (int kk = 0; kk             if (scores[pi]                 change_id = kk;
            }
        }
        if (change_id >= 0) {
            if (change_id == (KNN_K - 1) || (change_id <(KNN_K - 1) && scores[pi] != k_scores[change_id + 1])) {
                for (int c = 0; c                     k_scores[c] = k_scores[c + 1];
                }
                k_scores[change_id] = scores[pi];
            }
        }
    }
}

以上就是本次项目的简单介绍。希望对从事相关领域研究的朋友们有所帮助。

（转载须注明出处：http://blog.csdn.net/xiaowei_cqu，未经许可不得用于商业目的）