基于改进MobileNet V2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题，在MobileNet V2网络的基础上，提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图，通过调整网络中深度可分离卷积模块，使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks)，对行人步态进行分组实验。实验结果表明，改进后的网络模型能有效进行数据集的分类识别，模型大小为12.55 M，在测试集上的平均识别准确率达到94.27%，比原始网络提高了2.29%。同时，在精度和复杂度上获得了较好的平衡，为步态识别方法在移动端等资源受限的设备上提供思路和参考。     

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。