發(fā)布時間：2022-01-26 07:45

　　步態(tài)作為一種動態(tài)生物特征,能夠在人不配合并且距離相對較遠的情況下被識別,因此步態(tài)識別得到了大量研究者的廣泛關(guān)注。但是步態(tài)識別受目標行走速度,穿戴情況,攝像頭的角度和光照情況等因素的影響。其中穿戴情況的變換是其中最大的挑戰(zhàn)之一。深度學習方法能自動學習步態(tài)的更高層次的特征表達,且其方法也更簡單計算量更小。但深度學習方法使用單一身份信息,提取到的特征信息比較單一,同時存在視野域以及網(wǎng)絡結(jié)構(gòu)自身的問題,提取到的特征表達能力不夠強,因此用深度學習解決步態(tài)識別問題仍有提升空間。為了解決步態(tài)識別中衣服變換問題,提出用深度學習方法解決步態(tài)識別中的衣服變換問題,并針對深度學習方法中特征表達力不夠強、特征單一的問題,提出以下幾點改進:（1）針對深度特征區(qū)分度不夠大的問題,提出使用注意力機制加強深度學習方法中提取到的特征的區(qū)分度和顯著性。同時提出使用驗證損失函數(shù),對學習到的特征值進行約束,加大特征之間的區(qū)分性,使得相同類別之間的特征值距離變得更小,不同損失之間的距離變得更大。（2）提出了將四肢的運動軌跡特征作為深度學習方法的先驗知識,完成局部特征和全局特征的融合。（3）提出用潛在語義分析提取步態(tài)的潛在語義特... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

步態(tài)識別任務的衣服變換隨著人工智能越來越炙手可熱，深度學習的算法在計算機視覺領(lǐng)域的研究也越來

華 中 科 技 大 學 碩 士 學 位 論 文 論 文兩組。每組數(shù)據(jù)都是一個 37-127 幀組成的短視頻。而這里我們是處理的衣服變換，因此選取同一視角（90o）。這個數(shù)據(jù)集本一般用來解決綜合步態(tài)問題：視角變衣服變換。并且大多數(shù)方法在衣服變化的時候，其識別的精確度大大降低。圖 2.3 CASIA 數(shù)據(jù) B 的部分樣本示例。

者等于測試集的數(shù)量。參數(shù)的確定失函數(shù)公式中的兩個不確定變量，我們采用控制變量另外一個變量的最佳選值。這里我們訓練的過程均為對比驗證損失的相對權(quán)重 的確定 2.8 中的 的值，將約束項中的閾值m 設(shè)為 1。 從 取值越小則整個網(wǎng)絡趨近于分類網(wǎng)絡，當 取值越，實驗結(jié)果如圖 2.4 所示，最終我們發(fā)現(xiàn) 取0.2 時效失函數(shù)閾值 m 的確定

【參考文獻】：
期刊論文
[1]基于LBP和HOG特征分層融合的步態(tài)識別[J]. 劉文婷,盧新明.  計算機工程與應用. 2018(24)
[2]基于輪廓分析的廣義步態(tài)識別算法研究[J]. 王浩,范媛媛,方寶富.  小型微型計算機系統(tǒng). 2016(07)
[3]基于時空變化的步態(tài)識別算法研究[J]. 王麗,李紹滋,蘇松志.  心智與計算. 2007(04)



本文編號：3610112