近年來(lái),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(lái)越廣泛。同時(shí)監(jiān)控系統(tǒng)隨著計(jì)算機(jī)視覺(jué)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(dòng)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(chǎng)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(shí)別到的目標(biāo)往往不會(huì)主動(dòng)配合,這使得部分可疑人員可以很容易地避開(kāi)這些監(jiān)控。由于人臉識(shí)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(shí)別與傳統(tǒng)的靜態(tài)識(shí)別技術(shù)相比,具有檢測(cè)距離長(zhǎng)、易識(shí)別、無(wú)需協(xié)作等優(yōu)點(diǎn),一定程度上能夠預(yù)防犯罪,對(duì)該局限性進(jìn)行了良好的改善,對(duì)生物識(shí)別技術(shù)領(lǐng)域進(jìn)行了完善和補(bǔ)充,解決了傳統(tǒng)生物特征識(shí)別時(shí)的難題。因此,研究步態(tài)識(shí)別技術(shù)對(duì)生物識(shí)別技術(shù)領(lǐng)域進(jìn)行完善和補(bǔ)充,解決傳統(tǒng)生物特征識(shí)別時(shí)的難題,具有重要意義。針對(duì)目前深度學(xué)習(xí)在步態(tài)識(shí)別方法上的應(yīng)用,本文首先使用了背景減除法對(duì)步態(tài)目標(biāo)進(jìn)行檢測(cè)獲取,再對(duì)Canny算子進(jìn)行改進(jìn),將這些像素點(diǎn)組合成一個(gè)分割區(qū)域,從而將步態(tài)目標(biāo)分割出來(lái)形成一個(gè)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(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2深度學(xué)習(xí)結(jié)構(gòu)和卷積過(guò)程

國(guó)防科技大學(xué)研究生院博士學(xué)位論文第14頁(yè),nnfrelupoolconvfc(2.1)其中，relu為激活函數(shù)，pool為池化函數(shù)，conv為卷積過(guò)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(gè)序列當(dāng)中輪廓的寬度統(tǒng)計(jì)

基于深度學(xué)習(xí)的多視角步態(tài)識(shí)別算法設(shè)計(jì)與研究指在運(yùn)動(dòng)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(gè)步態(tài)周期也被稱(chēng)為步幅[19]。目前大多數(shù)步態(tài)特?fù)?jù)來(lái)進(jìn)行提取，因?yàn)槊總�(gè)人之間的步頻都會(huì)存在一定的差廓作為依據(jù)，則評(píng)判標(biāo)準(zhǔn)會(huì)存在較大差異。所以步態(tài)周期重要的影響。在行走過(guò)程中，輪廓的寬....

圖4.12實(shí)驗(yàn)二與GEI在背包行走序列上的多視角rank準(zhǔn)確率對(duì)比，從上往下依次為實(shí)驗(yàn)二以及GEI的結(jié)果

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

圖4.18實(shí)驗(yàn)四與GEI在正常行走序列多視角平均準(zhǔn)確率上的對(duì)比，上方為實(shí)驗(yàn)四結(jié)果

基于深度學(xué)習(xí)的多視角步態(tài)識(shí)別算法設(shè)計(jì)與研究0）�？梢钥闯鰧�(shí)驗(yàn)四所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(lái)的準(zhǔn)確率不

本文編號(hào)：4020872