Este trabalho propõe um novo enfoque em visão computacional aplicado a sequências de vídeo, de pessoas em movimento, para reconhecê-las por meio da marcha. O movimento humano carrega diferentes informações, considerando-se diferentes maneiras de analisá-lo. O esqueleto carrega as informações do movimento global de articulações do corpo humano e como se comportam durante a caminhada e a silhueta carreia informações referentes ao comportamento global do contorno do corpo humano. Além disso, imagens binárias e em escala de cinza possuem diferentes informações sobre o movimento humano. O método proposto considera o conjunto de frames segmentados de cada indivíduo como uma classe e cada frame como um objeto desta classe. A metodologia aplica o Modelo de Mistura de Gaussianas (GMM) para subtração de fundo, redução de escala realizada por meio de técnicas de multiresolução baseadas na Transformada Wavelet (TW) e a extração dos padrões por meio da Análise dos Componentes Principais (PCA). São propostos e ensaiados quatro novos modelos de captura de movimentos globais do corpo humano durante a marcha: o modelo Silhouette-Gray-Wavelet (SGW) captura o movimento baseado nas variações em nível de cinza; o modelo Silhouette-Binary-Wavelet (SBW) captura o movimento baseado nas informações binárias da silhueta; o modelo Silhouette-Edge-Wavelet (SEW) captura o movimento baseado nas informações contidas na borda das silhuetas e o modelo Silhouette-Skeleton-Wavelet (SSW) captura o movimento baseado do esqueleto humano. As taxas de classificações corretas obtidas separadamente a partir destes quatro diferentes modelos são então combinadas utilizando-se uma nova técnica de fusão. Os resultados demonstram excelente desempenho e mostraram a viabilidade para reconhecimento de pessoas. / This paper proposes a novel computer vision approach that processes video sequences of people walking and then recognises those people by their gait. Human motion carries different information that can be analysed in various ways. The skeleton carries motion information about human joints, and the silhouette carries information about boundary motion of the human body. Moreover, binary and gray-level images contain different information about human movements. Our proposed method considers the set of the segmented frames of each individual as a distinct class and each frame as an object of this class. The methodology applies background extraction using the Gaussian Mixture Model (GMM), a scale reduction based on the Wavelet Transform (WT) and feature extraction by Principal Component Analysis (PCA). We propose four new schemas for motion information capture: the Silhouette-Gray-Wavelet model (SGW) captures motion based on grey level variations; the Silhouette-Binary-Wavelet model (SBW) captures motion based on binary information; the Silhouette-Edge-Binary model (SEW) captures motion based on edge information and the Silhouette-Skeleton-Wavelet model (SSW) captures motion based on skeleton movement. The classification rates obtained separately from these four different models are then merged using a new proposed fusion technique. The results suggest excellent performance in terms of recognising people by their gait.

Este trabalho propõe um novo enfoque em visão computacional aplicado a sequências de vídeo, de pessoas em movimento, para reconhecê-las por meio da marcha. O movimento humano carrega diferentes informações, considerando-se diferentes maneiras de analisá-lo. O esqueleto carrega as informações do movimento global de articulações do corpo humano e como se comportam durante a caminhada e a silhueta carreia informações referentes ao comportamento global do contorno do corpo humano. Além disso, imagens binárias e em escala de cinza possuem diferentes informações sobre o movimento humano. O método proposto considera o conjunto de frames segmentados de cada indivíduo como uma classe e cada frame como um objeto desta classe. A metodologia aplica o Modelo de Mistura de Gaussianas (GMM) para subtração de fundo, redução de escala realizada por meio de técnicas de multiresolução baseadas na Transformada Wavelet (TW) e a extração dos padrões por meio da Análise dos Componentes Principais (PCA). São propostos e ensaiados quatro novos modelos de captura de movimentos globais do corpo humano durante a marcha: o modelo Silhouette-Gray-Wavelet (SGW) captura o movimento baseado nas variações em nível de cinza; o modelo Silhouette-Binary-Wavelet (SBW) captura o movimento baseado nas informações binárias da silhueta; o modelo Silhouette-Edge-Wavelet (SEW) captura o movimento baseado nas informações contidas na borda das silhuetas e o modelo Silhouette-Skeleton-Wavelet (SSW) captura o movimento baseado do esqueleto humano. As taxas de classificações corretas obtidas separadamente a partir destes quatro diferentes modelos são então combinadas utilizando-se uma nova técnica de fusão. Os resultados demonstram excelente desempenho e mostraram a viabilidade para reconhecimento de pessoas. / This paper proposes a novel computer vision approach that processes video sequences of people walking and then recognises those people by their gait. Human motion carries different information that can be analysed in various ways. The skeleton carries motion information about human joints, and the silhouette carries information about boundary motion of the human body. Moreover, binary and gray-level images contain different information about human movements. Our proposed method considers the set of the segmented frames of each individual as a distinct class and each frame as an object of this class. The methodology applies background extraction using the Gaussian Mixture Model (GMM), a scale reduction based on the Wavelet Transform (WT) and feature extraction by Principal Component Analysis (PCA). We propose four new schemas for motion information capture: the Silhouette-Gray-Wavelet model (SGW) captures motion based on grey level variations; the Silhouette-Binary-Wavelet model (SBW) captures motion based on binary information; the Silhouette-Edge-Binary model (SEW) captures motion based on edge information and the Silhouette-Skeleton-Wavelet model (SSW) captures motion based on skeleton movement. The classification rates obtained separately from these four different models are then merged using a new proposed fusion technique. The results suggest excellent performance in terms of recognising people by their gait.