分享6篇关于步态识别的计算机专业论文

今天分享的是关于步态识别的6篇计算机毕业论文范文, 如果你的论文涉及到步态识别等主题,本文能够帮助到你

基于关节点定位的人体步态识别

这是一篇关于步态识别,关节点定位,HRNet,特征融合,图卷积网络的论文, 主要内容为现代社会的快速发展对人体身份识别提出了更高的要求,传统的生物识别特征容易受到识别距离、配合接触性等因素的影响,极大地限制了应用场景的推广。人体步态作为一种新型生物识别特征,具有伪装难度大、作用距离远、无需配合接触等优势,能够很好地弥补现有生物识别技术的不足。然而现有的步态识别算法大多采用基于轮廓匹配的方法,容易受到观测角度、人体携带物等因素的影响,导致算法鲁棒性不强。基于上述问题,本文采用了基于关节点定位的策略搭建神经网络,实现步态特征的提取和分类。本文首先介绍了步态识别算法的基本原理,分别对关节点定位方法和步态特征提取方法进行了研究分析。针对基于关节点定位的步态识别任务,本文使用两阶段的方法进行实现,即首先使用关节点定位网络获取输入步态序列中的关节点信息,随后再将提取到的关节点信息送入步态识别网络进行特征提取和分类。在关节点定位算法中,通过对比分析自下而上和自上而下两种实现方法的优缺点,选择了自上而下方法中的HRNet作为第一阶段的关节点定位网络。其次,针对基于轮廓匹配的算法鲁棒性较差的问题,本文提出了一种时空特征融合网络,在输入步态序列通过关节点定位网络获得关节点信息后,将其送入并行的Res Net和LSTM网络分别进行空间和时序特征提取。之后将提取出的特征通过全连接层进行特征融合,聚合成具有良好识别能力的一维向量,并通过判别器输出分类结果。实验结果表明,该网络能够实现有效的时空特征融合提取,拥有较好的识别性能和鲁棒性,同时具备一定的泛化能力。最后,考虑到人体关节点特征的图结构性质,单纯地使用卷积神经网络难以准确地提取出人体关节点信息中隐藏的非欧式特征,本文设计了一种图卷积网络实现对人体关节点的特征提取,同时通过使用多分支特征融合的方式丰富关节点特征表达。为了避免产生梯度消失和梯度爆炸现象,本文通过引入残差结构搭建了残差图卷积网络;同时在图卷积模块中使用瓶颈结构减少网络参数,实现了模型的快速训练。实验结果表明,该网络具有较好的泛化能力,能够显著抵御实际应用场景下复杂外界因素的干扰,实现有效的步态特征提取和识别,在当前的步态识别算法中具有较高水平的鲁棒性和识别性能。

基于轻量化网络的人体步态识别算法研究

这是一篇关于步态识别,轻量化网络,步态能量图,注意力机制的论文, 主要内容为新时代的逐步发展,科技也随之进步,个人身份信息的安全性也变得越来越重要。人脸识别、指纹识别和虹膜识别等具有生物特征的识别技术不断受到人们的关注。虽然这些识别技术相比于传统的识别技术具有很大优势,但是也存在很多弊端,例如人脸识别容易受到遮挡物、角度等因素的影响,指纹易受破损等。因此,步态作为行为的生物特征,以其难伪装、无需人配合等优势,成为了近些年的专家学者们研究的热点。但在步态识别技术的研究中发现,还有很多问题等待解决。随着步态帧图像数据量的增多,为了达到高识别率,使得实现步态识别的网络模型越来越大,由于移动端的计算和存储能力有限,导致难以部署到移动端;在步态识别中由于行人衣着、携带物的遮挡等问题导致识别精度下降。针对上述问题,本文结合深度学习的思想以及深度学习在图像分类识别的优势开展步态识别研究,主要完成以下工作:(1)对步态识别的常用网络进行分析,发现传统的卷积神经网络层数多,训练模型数量大,针对上述问题,对传统的轻量化网络Mobile Net V1进行优化改进,提出融合注意力机制的轻量化网络Mobile Net V1模型。该方法通过使用步态能量图作为网络的输入,将注意力CBAM模块融入含有深度可分离卷积的Mobile Net V1网络模型中,利用Mobile Net基础网络模块简单的优势,再融合注意力机制,使得网络能够自主学习图像的重要区域,抑制次要区域,提高识别率且降低计算力,进而提高网络识别性能。(2)在针对行人衣着和携带物等遮挡问题,影响步态识别精确度的研究中发现,普遍使用步态能量图作为特征表述来进行步态识别。通过对步态能量图合成方式的分析,发现步态能量图在合成时忽略了帧与帧之间的相互关系,造成时序信息丢失。针对这一问题,本文提出改进的步态能量图,该方法通过RGB颜色映射的方式将时序信息映射在人体骨架上,以减弱对于步态识别中视角的变化、携带物遮挡等协变量影响,再经过轮廓与含有时序信息的骨架进行融合,得到了改进的步态能量图,同时将其作为网络的输入,输入到融合注意力机制的轻量化网络中来进行步态识别。(3)在中科院自动化研究所公开的CASIA-B数据集对本文所提出的方法进行评估实验。实验结果表明本文所提出的方法均在各种协变量下具有不错的识别效果,通过与其他方法进行对比,实现了较好的识别精度并且识别率具有明显的提升,验证了本文所提出的算法的有效性。

基于轻量化网络的人体步态识别算法研究

基于深度学习的FMCW雷达步态识别算法研究

这是一篇关于步态识别,毫米波雷达,深度学习,小样本,孪生网络的论文, 主要内容为步态识别技术是通过分析人体步态特征对人员进行身份识别,具有可远距离获取、难伪造的特点。近年来,该技术已经被广泛应用在安全检查、健康监测和新型人机交互等领域。基于FMCW(Frequency Modulated Continuous Wave,调频连续波)毫米波雷达的步态识别方法具有独特的优势,能够在完成身份识别的同时保护用户的隐私。随着深度学习技术的飞速发展,不少研究人员将其应用于步态识别任务。研究表明,深度学习网络在解决步态识别问题方面具有良好的应用能力,但也存在一些待解决的缺陷。为了进一步提升识别准确率,本文利用深度学习网络对基于FMCW雷达的步态识别问题进行了研究,主要工作如下。(1)本文提出的步态识别方法都是基于毫米波雷达采集的点云数据。现有的基于毫米波雷达点云的步态识别算法没有充分考虑人体步态点云的所有属性,并且在特征提取的过程中忽略了其中的时序信息,网络提取的特征信息不够丰富,导致识别准确率不足。针对这一问题,本文提出了一种基于Point Net和时序卷积的步态识别算法。该算法充分考虑了人体步态点云的相关属性,聚合了点云的三维空间信息、速度和信噪比等特征,并且利用时序卷积提取其中的时序信息,增强算法对时序特征的感知能力,最后根据提取的特征进行分类识别。本文进行了仿真实验来测试该算法在不同的数据场景下的表现,实验结果表明该算法具有较高的鲁棒性,并且可以实现较高的识别精度。(2)针对样本较少的点云数据,直接使用深度学习模型可能会过拟合,导致识别性能降低。为解决该问题,对特征提取网络进一步进行了优化,提出了一种基于孪生网络和注意力机制的网络模型。通过基于权重共享的并行神经网络提取的特征向量来表示匹配和非匹配的步态点云对,然后利用相似性度量和对比损失函数使相同的步态点云对彼此接近,不同的步态点云对相互远离。针对不同场景,划分多个规模不同的小样本数据集,并在数据集上进行仿真实验,最后实验结果表明,该方法可以在监督样本量较少的情况下实现较高的识别精度。

煤矿井下人员步态识别算法研究与应用

这是一篇关于步态识别,运动目标检测,多特征融合,煤矿安全的论文, 主要内容为近年来,生物识别技术逐渐发展并融入到日常生活中,在指纹识别、人脸识别等领域都取得了很好的应用效果,而步态识别技术作为目前唯一能够实现远距离身份识别的方法,还有很大的改进空间。在某些特殊的应用场合,比如煤矿井下,其环境特点是光线昏暗,且巷道内存在大量浮粉、煤尘等,这就导致依赖于高质量图像信息的人脸识别等身份识别方法失效,由此本文提出将步态识别技术应用于煤矿井下这一特定场景中。为了提高步态识别的准确率以及在煤矿井下的适用性,本文主要做了以下工作:(1)针对煤矿井下环境恶劣导致的传统运动目标检测方法效果不理想,深度学习算法过度依赖大量训练样本的问题,本文提出了一种新的深度学习框架,利用背景信息实现煤矿井下静止场景中训练样本数量较少时的运动目标检测。首先,将固定背景图片与前景图片一起作为输入信息送入到深度学习网络中,并且在主干网络引入简化的Goog Le Net Inception V1结构;然后,利用提取到的监控视频内固定的背景图像信息来指导网络的学习过程,这样网络不仅可以学习对象的特征,还可以学习对象区域与非对象区域的区别信息;最后,通过交并比(Intersection-over-Union,Io U)、召回率(Recall)、精确率(Precision)和平均正确率(Average Precision,AP)四个指标对实验结果分析。实验结果表明,本文提出的网络在小样本训练集的限制条件下,能够准确提取出煤矿井下的运动目标,为后续对运动人体进行步态特征的提取打下良好的基础。(2)针对使用单一特征导致有用信息提取不全面、识别率低的问题,本文提出一种基于多特征的加权融合算法。首先,选取步态能量图、人体轮廓和骨架三个不同维度的步态特征进行对人体运动信息进行表达,并对三种方法有针对性地优化。具体来说,基于PCA(Principal Component Analysis)的步态能量图特征提取,将一个周期内的步态能量图转化为一维向量,通过PCA对数据进行降维,保留包含95%信息量的主成分数据;基于人体轮廓的小波描述子的步态特征提取,在获得边界中心距的小波描述后,仅提取64点低频分量来降低数据的计算量并达到去噪的目的;基于轮廓与骨架定位的骨架特征提取,使用改进的基于轮廓和骨架的方法定位髋关节坐标并获得下肢模型,通过模型中连线与竖直线的四个夹角度数变化来表示人体的运动步态特征。然后,依据各自识别率进行加权特征融合处理并实验。最后,与当前流行的步态识别算法识别率进行对比。实验结果表明,本文提出的多步态特征融合算法在公开的CASIA-B数据集和自建的MINE-GAIT煤矿井下步态数据集中都能实现更好的识别效果。(3)针对煤矿井下矿工身份识别方式落后、数据管理方式落后等问题,本文开发了煤矿井下人员步态识别系统。系统硬件部分采用的是可以在高危可燃性、爆炸性现场使用的煤矿井下专用防爆摄像头;软件部分采用B/S网络架构开发,可以完成数据录入、行人识别和历史数据的查询与统计等功能,结合本文提出的步态识别算法,可以完成井下特定区域内人员身份的识别。实验表明,本文开发的煤矿井下人员步态识别系统能实现巷道内行人识别智能化,在降低人力、物力成本的同时提高识别的准确率,便于巷道内的规范管理。本文针对煤矿井下这一特定环境,首先对目标检测方法提出了改进;其次为了提高步态识别的准确率,提出对三种步态特征进行加权融合的方法;最后结合本文提出的算法开发了适用于煤矿井下的步态识别系统,基本可以实现巷道内行人识别智能化。论文有图68幅,表13个,参考文献80篇。