【摘要】：步態(tài)識(shí)別作為一種新興生物識(shí)別技術(shù),因其與傳統(tǒng)人臉識(shí)別和指紋識(shí)別等技術(shù)相比具有識(shí)別距離遠(yuǎn)、偽裝困難等優(yōu)點(diǎn),得到了國內(nèi)外專家學(xué)者的廣泛關(guān)注與研究。但運(yùn)動(dòng)目標(biāo)的衣著、移動(dòng)速度及與采集設(shè)備間的角度發(fā)生變化時(shí),會(huì)對識(shí)別的準(zhǔn)確率產(chǎn)生較大影響。為此,論文對基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的步態(tài)識(shí)別方法進(jìn)行了深入研究,為解決上述技術(shù)難題,提出了一種基于虛擬三維卷積神經(jīng)網(wǎng)絡(luò)(P3D CNN)的步態(tài)識(shí)別算法,具有重要的理論研究意義及工程應(yīng)用價(jià)值。論文首先建立了步態(tài)圖像的樣本庫,采用背景減除法對其中的運(yùn)動(dòng)目標(biāo)進(jìn)行了提取,通過膨脹和腐蝕等形態(tài)學(xué)處理方法完成了噪聲和空洞等干擾的消除,并對步態(tài)圖像進(jìn)行了歸一化處理。然后,分別對二維卷積神經(jīng)網(wǎng)絡(luò)(2D CNN)和三維卷積神經(jīng)網(wǎng)絡(luò)(3D CNN)的步態(tài)識(shí)別模型進(jìn)行了詳細(xì)探討,并對上述模型的卷積核大小、數(shù)目及網(wǎng)絡(luò)層數(shù)等超參數(shù)進(jìn)行了設(shè)計(jì),實(shí)驗(yàn)結(jié)果表明,2D CNN的運(yùn)行速度較快,但由于只采集空間信息,導(dǎo)致識(shí)別率較低,而3D CNN因其同時(shí)對空間和時(shí)間域特征進(jìn)行提取而提高了識(shí)別率,但引起參數(shù)數(shù)量增加,導(dǎo)致訓(xùn)練時(shí)占用內(nèi)存多;最后,論文對傳統(tǒng)3D CNN進(jìn)行了改進(jìn),提出了一種基于P3D CNN的步態(tài)識(shí)別算法,在保證較高識(shí)別率的基礎(chǔ)上,降低了計(jì)算復(fù)雜度,加快了運(yùn)行速度;同時(shí),為了減輕衣著變化對于識(shí)別率的影響,對步態(tài)圖像進(jìn)行了背景化處理,并對處理前后的識(shí)別效果進(jìn)行了對比,指出經(jīng)過背景化處理后可以顯著提高識(shí)別率。論文以Tensorflow為開發(fā)平臺(tái),采用Python編程語言結(jié)合C++完成了基于卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別系統(tǒng)的開發(fā),對上述理論分析進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,所提出的P3D CNN步態(tài)識(shí)別算法既能獲得較高的識(shí)別率又可以降低占用的內(nèi)存資源;同時(shí),對步態(tài)圖像進(jìn)行背景化處理后,可大大減弱運(yùn)動(dòng)目標(biāo)衣著對識(shí)別率的影響。
【圖文】：

（a）指紋 （b）虹膜 （c）人臉 （d）DNA （e）步態(tài)圖 1.1 幾種典型的生物特征其中，指紋識(shí)別、虹膜識(shí)別、人臉識(shí)別和 DNA 識(shí)別屬于生理特征識(shí)別，而步態(tài)識(shí)別則屬于行為特征識(shí)別。但是，在需要遠(yuǎn)距離識(shí)別且檢測對象拒不配合的場合中，如果采用上述生理特征識(shí)

圖 2.1 幀差法流程圖先，在視頻中選取連續(xù)兩幀圖片，通過對當(dāng)前幀圖片 I(s;t)和前一幀圖片即可得到差分圖像 D(s;t)。通過設(shè)置合理的像素閾值，，將像素值大于該閾為前景區(qū)域，而將像素值小于該閾值的區(qū)域認(rèn)定為背景區(qū)域，即可完成步
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 張付瑤;吳波;聶愛婷;劉燦剛;胡利平;劉浩東;;血清中提取DNA進(jìn)行個(gè)人身份識(shí)別鑒定[J];生物技術(shù)世界;2015年07期

2 馬小虎;譚延琪;;基于鑒別稀疏保持嵌入的人臉識(shí)別算法[J];自動(dòng)化學(xué)報(bào);2014年01期

3 盧世軍;;生物特征識(shí)別技術(shù)發(fā)展與應(yīng)用綜述[J];計(jì)算機(jī)安全;2013年01期

4 賁f[燁;徐森;王科俊;;行人步態(tài)的特征表達(dá)及識(shí)別綜述[J];模式識(shí)別與人工智能;2012年01期

5 趙凌燕;劉秉昊;張立勛;李金;;正常步態(tài)下髖關(guān)節(jié)運(yùn)動(dòng)數(shù)學(xué)模型[J];哈爾濱工程大學(xué)學(xué)報(bào);2011年04期

6 吳巾一;周德龍;;人臉識(shí)別方法綜述[J];計(jì)算機(jī)應(yīng)用研究;2009年09期

7 王蘊(yùn)紅,朱勇,譚鐵牛;基于虹膜識(shí)別的身份鑒別[J];自動(dòng)化學(xué)報(bào);2002年01期

相關(guān)碩士學(xué)位論文 前6條

1 余濤;基于深度學(xué)習(xí)的人體步態(tài)識(shí)別算法研究[D];電子科技大學(xué);2018年

2 賈令堯;基于步態(tài)能量圖的身份識(shí)別算法研究[D];長春工業(yè)大學(xué);2017年

3 張誠;基于深度學(xué)習(xí)的步態(tài)識(shí)別關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2016年

4 涂潤;非模型步態(tài)識(shí)別的算法研究[D];華中科技大學(xué);2015年

5 高海燕;人體步態(tài)識(shí)別研究[D];北京交通大學(xué);2010年

6 周彬;基于數(shù)學(xué)形態(tài)學(xué)的圖像處理算法研究[D];華北電力大學(xué)（北京）;2008年

本文編號(hào)：2657695