步態(tài)識(shí)別是利用步態(tài)信息對(duì)人的身份進(jìn)行識(shí)別的技術(shù)。一方面,基于深度學(xué)習(xí)的步態(tài)識(shí)別算法學(xué)習(xí)性能嚴(yán)重依賴調(diào)參,以及訓(xùn)練深度學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù),而現(xiàn)存步態(tài)數(shù)據(jù)庫規(guī)模有限,因此探索適用于小數(shù)據(jù)集且參數(shù)少的步態(tài)識(shí)別算法具有重要科研價(jià)值和實(shí)際意義。另一方面,基于卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別算法在多視角步態(tài)識(shí)別問題上取得了良好的識(shí)別性能,且特征提取對(duì)步態(tài)識(shí)別來說至關(guān)重要,但步態(tài)特征的提取受到行走角度、攜帶物以及穿著條件的影響,所以利用卷積神經(jīng)網(wǎng)絡(luò)提取更加豐富和具有代表性的多視角步態(tài)特征顯得很有必要。本文針對(duì)上述問題,提出了基于孿生深度森林（SDF）的單視角步態(tài)識(shí)別算法。該方法需要的參數(shù)少,樣本量少,給解決單視角步態(tài)識(shí)別問題提供了另外一種思路。此外,本文創(chuàng)新的將Highway網(wǎng)絡(luò)應(yīng)用到多視角步態(tài)識(shí)別領(lǐng)域,有效提高了多視角步態(tài)識(shí)別的準(zhǔn)確率。本文的主要研究內(nèi)容及成果如下:（1）針對(duì)基于深度學(xué)習(xí)的步態(tài)識(shí)別算法需要的參數(shù)多、訓(xùn)練數(shù)據(jù)量大等問題,本文提出了基于SDF的單視角步態(tài)識(shí)別算法。首先通過分析SDF的訓(xùn)練方式,結(jié)合步態(tài)識(shí)別問題,構(gòu)造適用于SDF的單視角步態(tài)識(shí)別數(shù)據(jù)集。其次通過探討SDF的權(quán)重計(jì)算方式、損失... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 引言
    1.2 單視角和多視角步態(tài)識(shí)別
    1.3 步態(tài)識(shí)別算法研究現(xiàn)狀
    1.4 步態(tài)識(shí)別研究難點(diǎn)分析
    1.5 本文的主要工作和組織安排
第二章 步態(tài)識(shí)別研究概述
    2.1 步態(tài)識(shí)別系統(tǒng)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 常用步態(tài)數(shù)據(jù)庫
    2.4 步態(tài)能量圖
    2.5 本章小結(jié)
第三章 基于孿生深度森林的單視角步態(tài)識(shí)別算法
    3.1 相關(guān)工作
        3.1.1 孿生網(wǎng)絡(luò)
        3.1.2 深度森林
    3.2 孿生深度森林
        3.2.1 權(quán)重定義
        3.2.2 損失函數(shù)
        3.2.3 損失函數(shù)分解
        3.2.4 SDF訓(xùn)練算法
    3.3 單視角步態(tài)識(shí)別數(shù)據(jù)集的構(gòu)造
    3.4 基于SDF的單視角步態(tài)識(shí)別算法
        3.4.1 基于SDF的單視角步態(tài)識(shí)別訓(xùn)練算法
        3.4.2 基于SDF的單視角步態(tài)識(shí)別測試算法
        3.4.3 基于SDF的單視角步態(tài)識(shí)別實(shí)驗(yàn)分析
    3.5 基于MSDF的單視角步態(tài)識(shí)別算法
        3.5.1 SDF損失函數(shù)分析
        3.5.2 基于MSDF的單視角步態(tài)識(shí)別算法
        3.5.3 基于MSDF的單視角步態(tài)識(shí)別實(shí)驗(yàn)分析
    3.6 本章小結(jié)
第四章 基于Highway網(wǎng)絡(luò)的多視角步態(tài)識(shí)別方法
    4.1 相關(guān)工作
        4.1.1 Highway網(wǎng)絡(luò)
        4.1.2 ResNet網(wǎng)絡(luò)
        4.1.3 批歸一化
        4.1.4 局部響應(yīng)歸一化
    4.2 基于Highway網(wǎng)絡(luò)的多視角步態(tài)識(shí)別方法
        4.2.1 識(shí)別流程
        4.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.3 特征提取
    4.3 多視角步態(tài)數(shù)據(jù)集的構(gòu)造
    4.4 網(wǎng)絡(luò)的參數(shù)設(shè)置以及訓(xùn)練過程
    4.5 多視角實(shí)驗(yàn)結(jié)果分析
        4.5.1 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)多視角性能的影響
        4.5.2 本章方法與現(xiàn)有多視角方法的比較
        4.5.3 本章方法與現(xiàn)有征提取方法的比較
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡介



本文編號(hào)：3329821