基于轻量级卷积网络的步态识别研究

针对目前深度学习网络参数量大、成本较高等问题，提出了一种将轻量级卷积网络应用在步态识别中的研究，实现对行人步态的准确识别。该方法对数据集图像进行背景减除和归一化等预处理操作，根据每个人的步态特征提取出相应的步态能量图，使用Mobilenet网络模型进行特征学习并完成分类任务。实验结果表明，Mobilenet网络在减少模型参数量的同时，可以提高模型的识别精度，平均准确率和召回率可以达到90.7%、89.99%，能够有效地实现步态的识别及分类。     

基于深度卷积限制玻尔兹曼机的步态识别

传统的步态识别方法难以得到有效的步态特征,而深度学习方法可以通过学习自动获得特征,然而现有的深度学习模型用于步态识别时存在一些问题。深度卷积神经网络训练速度快,但训练精度较低;深度置信网络模型精度较高,但模型收敛速度较慢。针对这两种模型的特点,提出一种两者平衡的算法模型,即深度卷积限制玻尔兹曼机。将卷积神经网络中权值共享、提取图像局部特征等方面的优势融入深度玻尔兹曼机模型中,提高训练精度,减少参数数量。所提算法在CASIA步态数据库上的实验结果验证了该算法在步态识别问题上的有效性和可行性。     

基于BP回归神经网络的人体角度拟合研究

基于深度学习和深度摄像机的人体动作识别方法,受其应用场景所限,均不能对视频中快变场景和静态图像中的人体动作进行识别.本文中定义了人体肢体角度空间,使用基于深度学习的人体骨骼识别框架的骨骼数据,构建8个4层BP回归神经网络.对人体的骨骼数据提取和预处理后,再对训练数据进行增维处理,通过回归神经网络进行拟合,实验和测试结果表明,该方法可以有效的对人体角度进行回归,为快变场景和静态图像中的人的动作识别提供可靠依据.     

基于高斯背景模型的红外人体运动目标检测技术

针对红外监控中人体运动目标的空洞和拖尾问题,提出了一种基于高斯模型的运动目标检测方法。首先,介绍了红外图像的预处理;其次通过与其他经典的人体运动目标检测算法比较与综合,引入高斯模型,建立背景图像的自适应模型。该种模型主要使用了拟合修正的方法处理了红外监控背景图像中的差分信息,过滤图像中的噪声等相关外部环境干扰因素,从而更新红外图像中的背景信息,提高了红外监控系统图像中人体运动目标的检测清晰度,并进一步提高了红外监控图像的精度。同时,还对该方法进行了必要的仿真实验。仿真结果表明,提出的方法可以准确地检测红外监控图像中的人体运动目标,较好地避免了人体运动速度过快或过慢所产生的拖尾或空洞现象。     

基于卷积神经网络与注意力模型的人体步态识别

步态识别是非接触式生物识别领域中一个比较前沿的课题,它主要是利用行走过程中个体步态之间的差异来识别人的身份。近年来,随着可穿戴传感器在人体信息采集中的广泛应用,利用惯性传感器采集步行过程中的线性加速度以及角速度进而实现步态特征提取是该领域中一个研究热点。为了提取更加有效的步态识别特征,利用基于注意力机制的卷积神经网络来进行步态特征的深度学习,其主要流程是先对原始数据进行预处理,接着利用卷积神经网络对处理后的数据提取步态特征,然后利用注意力机制对步态特征进行加强,最后再分类。实验结果证明了本文方法的优越性。     

基于CNN和DLTL的步态虚拟样本生成方法

针对步态识别在反恐、安防领域亟待解决的小样本问题,提出了一种基于深度卷积神经网络（convolutional and neural network,CNN）和DLTL（dual learning and transfer learning）的步态虚拟样本生成方法。首先用基于VGG19的深度卷积神经网络模型低层响应提取步态风格特征图,然后利用基于对抗网络的对偶学习（dual learning,DL）对风格特征图进行风格训练,得到风格特征模型;其次利用VGG19模型的高层响应提取步态内容特征图,然后让步态内容特征图对风格特征模型中的风格特征进行学习;最后使用迁移学习TL（transfer learning）获得步态虚拟偏移样本。实验结果表明,经过DLTL风格学习生成的步态虚拟样本虽然整体风格发生改变,但人体步态特征没有改变,可有效扩充小样本容量;当虚拟样本增加到一定数量时,步态识别率有所提升。该方法与现有步态虚拟样本生成方法进行对比实验,结果表明该算法优于现有方法,能够大量生成虚拟样本且稳定提高步态识别的识别率。     

一种基于轮廓稀疏对抗的视频步态隐私保护算法

深度网络模型可以从视频步态序列中获取人体步态生物特征并识别人物身份,造成严重的隐私泄露安全威胁。现有方法一般通过对视频画面中的人体进行模糊、变形等处理来保护隐私,这些方法可以在一定程度上改变人体外观,但很难改变人物行走姿态,难以逃避深度网络模型的识别,且这种处理往往伴随着对视频质量的严重破坏,降低了视频的视觉可用性。针对该问题,文章提出一种基于轮廓稀疏对抗的视频步态隐私保护算法,通过对步态识别模型的对抗攻击来计算画面中人体轮廓周围的有效修改位置。与传统方法相比,在具有相同隐私保护能力的情况下,该算法减少了对画面的修改,在隐私安全性和视觉可用性上达到了较好的均衡。该算法在公开步态数据库CASIA-B和OUMVLP上对4种步态识别模型进行测试,通过与不同步态隐私保护方法对比,验证了该算法在步态隐私保护上的有效性和可用性。     

基于深度图像的多学习者姿态识别

在数字化学习场景中,人体姿态的识别有助于分析学习者的学习状态。提出了一种基于深度图像的多学习者姿态识别方法。首先通过Kinect的红外传感器获取包含深度信息的图像,利用深度图像进行人像-背景分离;然后提取人体的轮廓特征Hu矩;最后采用SVM分类器对轮廓特征进行分类和识别。实验结果表明,本方法能有效地识别多个学习者的举手、正坐和低头等姿态。     

步态识别中的步态检测与序列预处理

步态检测与序列预处理是步态识别的子课题,在人体检测与分割问题上,分别采用光流法、帧间差分法和背景减除法做对比试验。鉴于各种运动检测算法的有效性和复杂性,最终确定采用背景减除法进行行人的检测与分割。针对室内环境采用直接差分的背景减除方法,而室外环境则采用背景实时更新的背景减除方法。用数学形态学填补二值化图像的空洞;再进行单连通的运动分析,提取人的侧影。为了消除图像尺度对识别的影响,运用形态学操作和图形几何变换实现了图像的标准中心化。本文所采用的步态检测与序列预处理方法对后续的步态识别是有效的。     

一种基于模型的步态识别方法

该文提出了一种简单有效的基于人体骨骼化模型的步态识别方法。首先,对输入的步态序列自动进行背景初始化;然后分割图像中运动人体的侧面影像,并进一步细化为人体的骨骼化模型;从模型中提取人体的静态参数(如身高、步幅)以及动态参数(如运动过程中关节点的位置、肢体角度);最后,应用标准的模式分类技术对个体的身份做出识别。实验结果表明,此方法通过提取可靠的步态特征,降低了数据处理的代价,而且得到了较为良好的识别性能。