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.

Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2016-08-10T19:31:03Z No. of bitstreams: 2 Dissertação - Weder Cabral Mendes - 2016.pdf: 1214460 bytes, checksum: 14588573f8f81fe4836a9945adacf37d (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-08-15T13:25:32Z (GMT) No. of bitstreams: 2 Dissertação - Weder Cabral Mendes - 2016.pdf: 1214460 bytes, checksum: 14588573f8f81fe4836a9945adacf37d (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2016-08-15T13:25:32Z (GMT). No. of bitstreams: 2 Dissertação - Weder Cabral Mendes - 2016.pdf: 1214460 bytes, checksum: 14588573f8f81fe4836a9945adacf37d (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-03-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Gait recognition via computer vision attracted increasing interest for its noninvasive characteristic and mainly for your advantage of recognizing people at distance. Recognition is performing extracting features included in gait, this features are extracted from images sequence of people walking. The main challenges of gait recognition is to extract characteristics with unique information for each person, in additional, the use of accessories and clothes difficult the feature extraction process. This paper proposes a gait recognition method using information of people’s contours transformed in domain frequence by Discrete Fourier Transform. A lot of data are generated from the contours, thereby, three different techniques for dimensionality reduction CDA (Class Discrimination Ability), PCA (Principal Component Analysis) and PLS (Partial Least Squares) are employed to reduce the dimensionality of data and generate characteristics that are relevant to the recongnition system. Two classifiers, KNN (K-Nearest Neighbor) and LDA (Linear Discriminant Analysis) classify the characteristics that are returned by the dimensionality reduction methods. The accuracy are achieved by the combination of the dimensionality reduction methods and classifiers, the highest accuracy was 92:67%, which was achieved with the combination between the LDA and PCA (LDAPCA). Therefore, the results show that the information contained in the contours of silhouette are discriminant to recognize people by their gait. / O reconhecimento de pessoas através da marcha humana via visão computacional tem ganhado destaque por ser uma técnica biométrica não invasiva e principalmente por sua vantagem de reconhecer pessoas à distância. O reconhecimento é realizando extraindo características contidas na marcha de cada pessoa, essas características são extraídas de sequências de imagens da pessoa caminhando. Os principais desafios dessa técnica biométrica está em extrair as características com informações que consigam diferenciar uma pessoa da outra, além disso, o uso de acessórios e vestimentas dificultam o processo de extração de características. Este trabalho propõe um método de reconhecimento baseado na marcha humana utilizando informações dos contornos das pessoas transformados para o domínio da frequência por meio da Transformada Discreta de Fourier. Como são geradas muitos dados a partir dos contornos, três técnicas diferentes de redução de dimensionalidade CDA (Class Discrimination Ability), PCA (Principal Component Analysis) e PLS (Partial Least Squares) são empregadas para reduzir a quantidade de dados e gerar características que sejam relevantes para o sistema de reconhecimento. Dois classificadores, KNN (K-Nearest Neighbor) e LDA (Linear Discriminant Analysis) classificam as características retornadas pelos métodos de redução de dimensionalidade. As taxas de acurácia são obtidas pelos resultados gerados entre a combinação dos métodos de redução de dimensionalidade e os classificadores, a maior taxa de acurácia foi de 92;67%, a qual foi alcançada com a combinação entre o LDA e PCA (LDAPCA). Dessa forma, conclui-se que as informações contidas no contorno da silhueta no domínio da frequência são discriminantes para reconhecer pessoas através da marcha.