基于深度学习的多视角步态识别

发布时间：2021-10-24 00:20

　　如今指纹、人脸、虹膜等生物特征在身份鉴别领域中应用日益广泛,生物识别技术的发展为社会的稳定安全运行提供了重要保障。步态特征作为其中一种,凭借其个体间差异较大、难伪装并且可在远距离非受控状态下捕捉等特点,克服了传统生物特征的不足,因此在各场所、各领域逐渐发挥重要的作用。但是在实际应用中,步态识别依旧面临着诸多问题,如摄像头角度、目标着装、身心状况及携带物的变化等。本文针对识别过程中多视角这一影响较大的问题,基于深度学习技术展开研究。本文的主要工作如下:1)步态序列的预处理。分别对中科院CASIA-B数据集以及实验室采集的DHU-Gait红外步态数据集进行预处理工作。首先通过对比目前一些主流的背景差分方法,选择采用基于混合高斯模型的背景差分法,从步态序列中得到效果较好的的背景图像后,通过差分得到初步的步态二值图序列,最后对提取到的步态图像进行后处理操作,得到归一化的步态二值图,大大提高了用于后续实验的前景目标图像的质量。2)针对步态识别中多视角问题,采用基于视角转换的特征融合网络的步态识别方法。在多视角步态识别中不同角度的步态特征间所包含信息量不同,因此采用VTM-GAN网络将不同角度下的... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

高斯混合模型背景建模实验结果

基于深度学习的多视角步态识别10M0()=%10∑((2(!0)1!$%(2-10)式中，为非负且均值为0的具有概率密度性质的核函数，其积分值为1。为大于0的带宽。!(=1,2,,)为独立同分布的像素点。算法流程可以概括为：将图像中的每一个新像素值与前几帧中得到的该位置像素点的历史信息进行对比，如果当前新像素点与其历史信息的差别在指定范围内，那么该点是前景还是背景点与之前的判断保持一致，并定义其为潜在的像素点。与所有历史信息比较完成后，若比较次数大于设定值，那么该新像素点就被认为是潜在的背景点，若属于背景点的个数大于设定值，那么该新像素点就被分类为真正的背景点。最后将此像素点也归入历史信息。本章对于步态图像序列的预处理操作的实验环境都为MacOsCatalina10.15.2+Xcode+OpenCV4.0，实验数据集为CASIA-B及DHU-Gait数据集，通过混合高斯模型法以及KNN背景建模法完成背景建模后，背景图像如图2.2及图2.3所示。图2.2高斯混合模型背景建模实验结果图2.3KNN背景建模实验结果完成背景建模后，如图2.4所示，利用步态序列中的当前帧与实时更新的背景帧作减运算，并取绝对值完成背景差分。图2.4背景差分原理图

基于深度学习的多视角步态识别10M0()=%10∑((2(!0)1!$%(2-10)式中，为非负且均值为0的具有概率密度性质的核函数，其积分值为1。为大于0的带宽。!(=1,2,,)为独立同分布的像素点。算法流程可以概括为：将图像中的每一个新像素值与前几帧中得到的该位置像素点的历史信息进行对比，如果当前新像素点与其历史信息的差别在指定范围内，那么该点是前景还是背景点与之前的判断保持一致，并定义其为潜在的像素点。与所有历史信息比较完成后，若比较次数大于设定值，那么该新像素点就被认为是潜在的背景点，若属于背景点的个数大于设定值，那么该新像素点就被分类为真正的背景点。最后将此像素点也归入历史信息。本章对于步态图像序列的预处理操作的实验环境都为MacOsCatalina10.15.2+Xcode+OpenCV4.0，实验数据集为CASIA-B及DHU-Gait数据集，通过混合高斯模型法以及KNN背景建模法完成背景建模后，背景图像如图2.2及图2.3所示。图2.2高斯混合模型背景建模实验结果图2.3KNN背景建模实验结果完成背景建模后，如图2.4所示，利用步态序列中的当前帧与实时更新的背景帧作减运算，并取绝对值完成背景差分。图2.4背景差分原理图

【参考文献】：
期刊论文
[1]多视角步态识别综述[J]. 王科俊,丁欣楠,邢向磊,刘美辰.  自动化学报. 2019(05)
[2]步态识别的深度学习:综述[J]. 何逸炜,张军平.  模式识别与人工智能. 2018(05)
[3]基于自适应混合高斯模型的前景目标检测[J]. 孟晓燕,董增寿,武霞.  太原科技大学学报. 2014(06)
[4]步态识别综述[J]. 王科俊,侯本博.  中国图象图形学报. 2007(07)



本文编号：3454202