本文发表于2012年，专注于研究如何通过步态识别技术有效提取行人的轮廓特征，为身份验证提供一种新的生物识别方法。
本段落提出了一种基于Surendra背景更新算法的背景减除法来检测静态背景下的运动人体，并为视频场景建立自适应背景模型。通过原始图像与背景模型之间的差异，提取前景物体并进行一系列预处理操作以去除噪声和优化信息提取效果，包括二值化、数学形态学分析、连通性分析以及尺度归一化等步骤。
特别地，在本段落中重点讨论了在二值化过程中自适应阈值选择的多种方法，并总结出Kapur熵阈值选取法的优势。这种方法通过最大化图像的信息熵来确定最佳分割点，从而有效减少噪声的影响并提高轮廓提取的质量和准确性。信息熵表示灰度级分布的不确定性；当图像被划分为前景与背景时，每一部分的信息熵应尽可能大以确保两者的最大区别性。
综上所述，本段落介绍了一种用于步态识别中行人轮廓提取的方法：通过动态更新背景模型来检测运动人体，并对获取到的前景物体进行一系列预处理操作。特别是在二值化过程中采用了Kapur熵阈值选取法确定最佳分割点，从而提高了后续跟踪与识别过程中的数据质量。这种方法为实现更精确和可靠的步态识别奠定了坚实基础。
5星
