發(fā)布時間：2024-12-27 00:39

　　近年來,隨著攝像頭的數(shù)據(jù)互聯(lián)網(wǎng)化,監(jiān)控系統(tǒng)的應(yīng)用越來越廣泛。同時監(jiān)控系統(tǒng)隨著計算機視覺和人工智能技術(shù)的不斷發(fā)展下,也逐漸變得智能化,收集的數(shù)據(jù)能夠自動處理,以人工檢查和監(jiān)督的形式在逐步減少。然而在這些場景中,監(jiān)控的目標(biāo)和拍攝設(shè)備都存在一定的距離,監(jiān)控識別到的目標(biāo)往往不會主動配合,這使得部分可疑人員可以很容易地避開這些監(jiān)控。由于人臉識別技術(shù)在有面部遮擋或者拍攝角度不佳等情況下,只能捕捉人臉的特性,所以往往不能發(fā)揮其有效的作用,具有很大的局限性。而步態(tài)識別與傳統(tǒng)的靜態(tài)識別技術(shù)相比,具有檢測距離長、易識別、無需協(xié)作等優(yōu)點,一定程度上能夠預(yù)防犯罪,對該局限性進(jìn)行了良好的改善,對生物識別技術(shù)領(lǐng)域進(jìn)行了完善和補充,解決了傳統(tǒng)生物特征識別時的難題。因此,研究步態(tài)識別技術(shù)對生物識別技術(shù)領(lǐng)域進(jìn)行完善和補充,解決傳統(tǒng)生物特征識別時的難題,具有重要意義。針對目前深度學(xué)習(xí)在步態(tài)識別方法上的應(yīng)用,本文首先使用了背景減除法對步態(tài)目標(biāo)進(jìn)行檢測獲取,再對Canny算子進(jìn)行改進(jìn),將這些像素點組合成一個分割區(qū)域,從而將步態(tài)目標(biāo)分割出來形成一個平滑的步態(tài)輪廓圖;然后根據(jù)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neur...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2深度學(xué)習(xí)結(jié)構(gòu)和卷積過程

國防科技大學(xué)研究生院博士學(xué)位論文第14頁,nnfrelupoolconvfc(2.1)其中，relu為激活函數(shù)，pool為池化函數(shù)，conv為卷積過程。設(shè)mnA為mn的矩陣，rcB為rc的矩陣，兩者的卷積可以表示為：1100,,*,mnijCstAijBsitj(2.2)其中，s....

圖3.3一個序列當(dāng)中輪廓的寬度統(tǒng)計

基于深度學(xué)習(xí)的多視角步態(tài)識別算法設(shè)計與研究指在運動中一只腳觸地到下一次同一只腳再次觸地之間前進(jìn)，一個步態(tài)周期也被稱為步幅[19]。目前大多數(shù)步態(tài)特?fù)?jù)來進(jìn)行提取，因為每個人之間的步頻都會存在一定的差廓作為依據(jù)，則評判標(biāo)準(zhǔn)會存在較大差異。所以步態(tài)周期重要的影響。在行走過程中，輪廓的寬....

圖4.12實驗二與GEI在背包行走序列上的多視角rank準(zhǔn)確率對比，從上往下依次為實驗二以及GEI的結(jié)果

基于深度學(xué)習(xí)的多視角步態(tài)識別算法設(shè)計與研究GEI在正常行走序列上的多視角rank準(zhǔn)確率對比，從上往下GEI的結(jié)果

圖4.18實驗四與GEI在正常行走序列多視角平均準(zhǔn)確率上的對比，上方為實驗四結(jié)果

基于深度學(xué)習(xí)的多視角步態(tài)識別算法設(shè)計與研究0）�？梢钥闯鰧嶒炈乃�采用的框架可以非常好的解決多視角較好的解決著裝變化以及攜帶背包所帶來的準(zhǔn)確率不

本文編號：4020872