如今指紋、人臉、虹膜等生物特征在身份鑒別領(lǐng)域中應(yīng)用日益廣泛,生物識(shí)別技術(shù)的發(fā)展為社會(huì)的穩(wěn)定安全運(yùn)行提供了重要保障。步態(tài)特征作為其中一種,憑借其個(gè)體間差異較大、難偽裝并且可在遠(yuǎn)距離非受控狀態(tài)下捕捉等特點(diǎn),克服了傳統(tǒng)生物特征的不足,因此在各場(chǎng)所、各領(lǐng)域逐漸發(fā)揮重要的作用。但是在實(shí)際應(yīng)用中,步態(tài)識(shí)別依舊面臨著諸多問題,如攝像頭角度、目標(biāo)著裝、身心狀況及攜帶物的變化等。本文針對(duì)識(shí)別過程中多視角這一影響較大的問題,基于深度學(xué)習(xí)技術(shù)展開研究。本文的主要工作如下:1)步態(tài)序列的預(yù)處理。分別對(duì)中科院CASIA-B數(shù)據(jù)集以及實(shí)驗(yàn)室采集的DHU-Gait紅外步態(tài)數(shù)據(jù)集進(jìn)行預(yù)處理工作。首先通過對(duì)比目前一些主流的背景差分方法,選擇采用基于混合高斯模型的背景差分法,從步態(tài)序列中得到效果較好的的背景圖像后,通過差分得到初步的步態(tài)二值圖序列,最后對(duì)提取到的步態(tài)圖像進(jìn)行后處理操作,得到歸一化的步態(tài)二值圖,大大提高了用于后續(xù)實(shí)驗(yàn)的前景目標(biāo)圖像的質(zhì)量。2)針對(duì)步態(tài)識(shí)別中多視角問題,采用基于視角轉(zhuǎn)換的特征融合網(wǎng)絡(luò)的步態(tài)識(shí)別方法。在多視角步態(tài)識(shí)別中不同角度的步態(tài)特征間所包含信息量不同,因此采用VTM-GAN網(wǎng)絡(luò)將不同角度下的... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高斯混合模型背景建模實(shí)驗(yàn)結(jié)果

基于深度學(xué)習(xí)的多視角步態(tài)識(shí)別10M0()=%10∑((2(!0)1!$%(2-10)式中，為非負(fù)且均值為0的具有概率密度性質(zhì)的核函數(shù)，其積分值為1。為大于0的帶寬。!(=1,2,,)為獨(dú)立同分布的像素點(diǎn)。算法流程可以概括為：將圖像中的每一個(gè)新像素值與前幾幀中得到的該位置像素點(diǎn)的歷史信息進(jìn)行對(duì)比，如果當(dāng)前新像素點(diǎn)與其歷史信息的差別在指定范圍內(nèi)，那么該點(diǎn)是前景還是背景點(diǎn)與之前的判斷保持一致，并定義其為潛在的像素點(diǎn)。與所有歷史信息比較完成后，若比較次數(shù)大于設(shè)定值，那么該新像素點(diǎn)就被認(rèn)為是潛在的背景點(diǎn)，若屬于背景點(diǎn)的個(gè)數(shù)大于設(shè)定值，那么該新像素點(diǎn)就被分類為真正的背景點(diǎn)。最后將此像素點(diǎn)也歸入歷史信息。本章對(duì)于步態(tài)圖像序列的預(yù)處理操作的實(shí)驗(yàn)環(huán)境都為MacOsCatalina10.15.2+Xcode+OpenCV4.0，實(shí)驗(yàn)數(shù)據(jù)集為CASIA-B及DHU-Gait數(shù)據(jù)集，通過混合高斯模型法以及KNN背景建模法完成背景建模后，背景圖像如圖2.2及圖2.3所示。圖2.2高斯混合模型背景建模實(shí)驗(yàn)結(jié)果圖2.3KNN背景建模實(shí)驗(yàn)結(jié)果完成背景建模后，如圖2.4所示，利用步態(tài)序列中的當(dāng)前幀與實(shí)時(shí)更新的背景幀作減運(yùn)算，并取絕對(duì)值完成背景差分。圖2.4背景差分原理圖

基于深度學(xué)習(xí)的多視角步態(tài)識(shí)別10M0()=%10∑((2(!0)1!$%(2-10)式中，為非負(fù)且均值為0的具有概率密度性質(zhì)的核函數(shù)，其積分值為1。為大于0的帶寬。!(=1,2,,)為獨(dú)立同分布的像素點(diǎn)。算法流程可以概括為：將圖像中的每一個(gè)新像素值與前幾幀中得到的該位置像素點(diǎn)的歷史信息進(jìn)行對(duì)比，如果當(dāng)前新像素點(diǎn)與其歷史信息的差別在指定范圍內(nèi)，那么該點(diǎn)是前景還是背景點(diǎn)與之前的判斷保持一致，并定義其為潛在的像素點(diǎn)。與所有歷史信息比較完成后，若比較次數(shù)大于設(shè)定值，那么該新像素點(diǎn)就被認(rèn)為是潛在的背景點(diǎn)，若屬于背景點(diǎn)的個(gè)數(shù)大于設(shè)定值，那么該新像素點(diǎn)就被分類為真正的背景點(diǎn)。最后將此像素點(diǎn)也歸入歷史信息。本章對(duì)于步態(tài)圖像序列的預(yù)處理操作的實(shí)驗(yàn)環(huán)境都為MacOsCatalina10.15.2+Xcode+OpenCV4.0，實(shí)驗(yàn)數(shù)據(jù)集為CASIA-B及DHU-Gait數(shù)據(jù)集，通過混合高斯模型法以及KNN背景建模法完成背景建模后，背景圖像如圖2.2及圖2.3所示。圖2.2高斯混合模型背景建模實(shí)驗(yàn)結(jié)果圖2.3KNN背景建模實(shí)驗(yàn)結(jié)果完成背景建模后，如圖2.4所示，利用步態(tài)序列中的當(dāng)前幀與實(shí)時(shí)更新的背景幀作減運(yùn)算，并取絕對(duì)值完成背景差分。圖2.4背景差分原理圖

【參考文獻(xiàn)】：
期刊論文
[1]多視角步態(tài)識(shí)別綜述[J]. 王科俊,丁欣楠,邢向磊,劉美辰.  自動(dòng)化學(xué)報(bào). 2019(05)
[2]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)
[3]基于自適應(yīng)混合高斯模型的前景目標(biāo)檢測(cè)[J]. 孟曉燕,董增壽,武霞.  太原科技大學(xué)學(xué)報(bào). 2014(06)
[4]步態(tài)識(shí)別綜述[J]. 王科俊,侯本博.  中國(guó)圖象圖形學(xué)報(bào). 2007(07)



本文編號(hào)：3454202