現(xiàn)今,生物特征識(shí)別技術(shù)在個(gè)人身份鑒定系統(tǒng)中扮演著重要的角色,但是也存在許多問題。例如,人臉識(shí)別易受光照、化妝、年齡和距離等因素的影響,指紋很容易被偽造。步態(tài)識(shí)別是通過人的走路姿態(tài)對(duì)身份進(jìn)行鑒定,步態(tài)特征具有遠(yuǎn)距離性、非接觸性和不易偽裝性等特點(diǎn),可以克服人臉和指紋特征的不足。但是,步態(tài)識(shí)別易受衣著、背包和視角等協(xié)變量的影響。針對(duì)降低協(xié)變量對(duì)步態(tài)識(shí)別的影響,本文對(duì)步態(tài)識(shí)別算法展開深入研究,主要內(nèi)容如下:1、步態(tài)圖像預(yù)處理。分析幀間差分法、背景減除法和光流法等算法的優(yōu)缺點(diǎn),選取背景減除法從步態(tài)視頻圖像序列中提取步態(tài)輪廓圖并進(jìn)行圖像預(yù)處理。采用步態(tài)輪廓圖的寬度與高度之比的變化來檢測步態(tài)周期,從而計(jì)算出步態(tài)能量圖。2、選取最優(yōu)網(wǎng)絡(luò)模型。針對(duì)步態(tài)數(shù)據(jù)集CASIA-B選取LeNet網(wǎng)絡(luò)模型進(jìn)行分析參數(shù)初始化方式、激活函數(shù)和卷積核大小對(duì)網(wǎng)絡(luò)模型性能的影響。通過實(shí)驗(yàn)證明,當(dāng)選取標(biāo)準(zhǔn)正態(tài)分布為參數(shù)初始化方式,ReLU為激活函數(shù),卷積核大小為5×5時(shí),使得網(wǎng)絡(luò)模型的性能更好。在相同的參數(shù)初始化和激活函數(shù)條件下,LeNet相比AlexNet的收斂速度更快而且識(shí)別率高。對(duì)于殘差網(wǎng)絡(luò)模型不僅可以加快網(wǎng)絡(luò)收斂速度,... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

激活函數(shù)曲線

的子集。2.2 開閉運(yùn)算開運(yùn)算實(shí)際上是首先腐蝕然后膨脹的過程，其定義如式(3.10)所示。閉運(yùn)算是首然后腐蝕的過程。閉運(yùn)算可以消除微小的黑洞，并填補(bǔ)輪廓中的斷裂，其定義如式示： ( ) ( π ( ) (中， 表示原圖像， 表示結(jié)構(gòu)元素， 表示開運(yùn)算， π 表示閉運(yùn)算。因?yàn)橥ㄟ^背景減除法從步態(tài)視頻圖像序列中獲取的步態(tài)輪廓圖，存在噪聲、小影響，然而，上述講的四種形態(tài)學(xué)運(yùn)算可以去噪和消除小空洞，所以對(duì)步態(tài)輪廓膨脹、腐蝕和開閉運(yùn)算。如圖 3.2 所示為步態(tài)輪廓圖像進(jìn)行形態(tài)學(xué)處理后的圖像(a) 原圖像 (b) 膨脹后的圖像 (c) 腐蝕后的圖像

保持不動(dòng)的情況下所采集的，因此圖像中人體步態(tài)輪廓圖的尺寸大小不同且不在圖像的正中央。在步態(tài)特征提取時(shí)，不僅要求步態(tài)輪廓圖的尺寸大小一致，而且目標(biāo)也在同一位置，因此，對(duì)步態(tài)輪廓圖進(jìn)行歸一化處理使得不同運(yùn)動(dòng)目標(biāo)在位置和尺寸大小一致。如圖 3.3 所示，圖(a)為原始人體步態(tài)輪廓圖，圖(b)為人體步態(tài)輪廓最小外接矩形框，圖(c)為歸一化后的步態(tài)輪廓圖。(a) 原圖像(b) 人體步態(tài)輪廓最小外接矩形框

【參考文獻(xiàn)】：
期刊論文
[1]多任務(wù)及Resnet網(wǎng)絡(luò)在人臉多屬性識(shí)別中的應(yīng)用[J]. 徐培超,陳雯柏,陳祥鳳,韓琥.  小型微型計(jì)算機(jī)系統(tǒng). 2018(12)
[2]基于塊模型的混合高斯運(yùn)動(dòng)目標(biāo)檢測方法[J]. 趙澤壹,路綱.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(01)
[3]基于多特征融合的人體步態(tài)識(shí)別算法[J]. 袁浩.  信息與電腦(理論版). 2018(17)
[4]一種改進(jìn)的基于冪線性單元的激活函數(shù)[J]. 駱訓(xùn)浩,李培華.  計(jì)算機(jī)應(yīng)用研究. 2019(10)
[5]基于改進(jìn)殘差網(wǎng)絡(luò)的人臉識(shí)別算法[J]. 曹川,張紅英.  傳感器與微系統(tǒng). 2018(08)
[6]四幀間差分與光流法結(jié)合的目標(biāo)檢測及追蹤[J]. 劉鑫,金晅宏.  光電工程. 2018(08)
[7]改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識(shí)別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[8]步態(tài)識(shí)別的深度學(xué)習(xí):綜述[J]. 何逸煒,張軍平.  模式識(shí)別與人工智能. 2018(05)
[9]一種集成卷積神經(jīng)網(wǎng)絡(luò)和深信網(wǎng)的步態(tài)識(shí)別與模擬方法[J]. 何正義,曾憲華,郭姜.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2018(03)
[10]基于數(shù)學(xué)形態(tài)學(xué)的差分圖像目標(biāo)檢測算法研究[J]. 秦雨萍,張雙,張萍,尹福成.  艦船電子工程. 2018(04)

博士論文
[1]基于特征子空間的跨視角步態(tài)識(shí)別研究[D]. 徐萬江.蘇州大學(xué) 2017

碩士論文
[1]基于步態(tài)的目標(biāo)識(shí)別技術(shù)的研究[D]. 陳峰.北京交通大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別算法研究[D]. 楊欣利.蘭州理工大學(xué) 2018
[3]基于動(dòng)靜態(tài)特征融合的多視角步態(tài)識(shí)別方法研究[D]. 魏凡.西安科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的人體步態(tài)識(shí)別算法研究[D]. 余濤.電子科技大學(xué) 2018
[5]基于三維卷積神經(jīng)網(wǎng)絡(luò)步態(tài)識(shí)別方法的研究[D]. 李影.北京交通大學(xué) 2018
[6]基于序列輪廓特征的步態(tài)識(shí)別研究[D]. 孫卓.西安科技大學(xué) 2017
[7]基于步態(tài)能量圖的身份識(shí)別算法研究[D]. 賈令堯.長春工業(yè)大學(xué) 2017
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的身份識(shí)別技術(shù)研究與應(yīng)用[D]. 王洋.大連理工大學(xué) 2017
[9]基于深度學(xué)習(xí)的步態(tài)識(shí)別關(guān)鍵技術(shù)研究[D]. 張誠.北京郵電大學(xué) 2016



本文編號(hào)：3537998