单视角和多视角的步态识别算法研究

发布时间：2021-08-08 10:47

　　步态识别是利用步态信息对人的身份进行识别的技术。一方面,基于深度学习的步态识别算法学习性能严重依赖调参,以及训练深度学习模型需要大量的训练数据,而现存步态数据库规模有限,因此探索适用于小数据集且参数少的步态识别算法具有重要科研价值和实际意义。另一方面,基于卷积神经网络的步态识别算法在多视角步态识别问题上取得了良好的识别性能,且特征提取对步态识别来说至关重要,但步态特征的提取受到行走角度、携带物以及穿着条件的影响,所以利用卷积神经网络提取更加丰富和具有代表性的多视角步态特征显得很有必要。本文针对上述问题,提出了基于孪生深度森林（SDF）的单视角步态识别算法。该方法需要的参数少,样本量少,给解决单视角步态识别问题提供了另外一种思路。此外,本文创新的将Highway网络应用到多视角步态识别领域,有效提高了多视角步态识别的准确率。本文的主要研究内容及成果如下:（1）针对基于深度学习的步态识别算法需要的参数多、训练数据量大等问题,本文提出了基于SDF的单视角步态识别算法。首先通过分析SDF的训练方式,结合步态识别问题,构造适用于SDF的单视角步态识别数据集。其次通过探讨SDF的权重计算方式、损失... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 引言
    1.2 单视角和多视角步态识别
    1.3 步态识别算法研究现状
    1.4 步态识别研究难点分析
    1.5 本文的主要工作和组织安排
第二章 步态识别研究概述
    2.1 步态识别系统通用框架
    2.2 特征提取主要方法
        2.2.1 基于模型的方法
        2.2.2 基于非模型的方法
    2.3 常用步态数据库
    2.4 步态能量图
    2.5 本章小结
第三章 基于孪生深度森林的单视角步态识别算法
    3.1 相关工作
        3.1.1 孪生网络
        3.1.2 深度森林
    3.2 孪生深度森林
        3.2.1 权重定义
        3.2.2 损失函数
        3.2.3 损失函数分解
        3.2.4 SDF训练算法
    3.3 单视角步态识别数据集的构造
    3.4 基于SDF的单视角步态识别算法
        3.4.1 基于SDF的单视角步态识别训练算法
        3.4.2 基于SDF的单视角步态识别测试算法
        3.4.3 基于SDF的单视角步态识别实验分析
    3.5 基于MSDF的单视角步态识别算法
        3.5.1 SDF损失函数分析
        3.5.2 基于MSDF的单视角步态识别算法
        3.5.3 基于MSDF的单视角步态识别实验分析
    3.6 本章小结
第四章 基于Highway网络的多视角步态识别方法
    4.1 相关工作
        4.1.1 Highway网络
        4.1.2 ResNet网络
        4.1.3 批归一化
        4.1.4 局部响应归一化
    4.2 基于Highway网络的多视角步态识别方法
        4.2.1 识别流程
        4.2.2 网络结构
        4.2.3 特征提取
    4.3 多视角步态数据集的构造
    4.4 网络的参数设置以及训练过程
    4.5 多视角实验结果分析
        4.5.1 网络结构对多视角性能的影响
        4.5.2 本章方法与现有多视角方法的比较
        4.5.3 本章方法与现有征提取方法的比较
    4.6 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 研究展望
参考文献
致谢
作者简介



本文编号：3329821