论文部分内容阅读
步态识别是一种新兴的生物特征识别技术,与传统生物特征识别技术相比具有非接触性、远距离识别、难以伪装等优点,得到了广泛的关注与研究。但是在步态识别过程中的影响因素也有很多,包括拍摄角度、行人装扮等,会对识别准确率带来很大的影响。当前,深度学习在图像识别与特征提取方面优势明显,本文基于深度学习对步态识别方法进行了研究,主要的研究内容如下:提出了一种基于生成对抗网络的多视角步态识别模型。视角转换是解决步态识别问题的有效方法,即将任意视角的步态图转换到特定视角。但步态图特定视角的转换会导致步态特征丢失,为了解决视角转换过程中的特征丢失问题,本文设置了多个模型来同时进行多个视角的转换,利用多张生成步态图来同时保留不同的特征信息,在实现上,鉴于生成对抗网络在图像处理领域的优秀性能,使用生成对抗网络来建立多视角转换模型,使得在识别过程中能利用更多的特征信息来确定行人的身份,达到提升识别率的目标。在多视角模型中,角度的数目与视角均会影响步态识别的精度,为了发现获取这些因素对识别结果的影响,重点针对模型的角度个数和角度组合进行研究,分别给出了对应的选择策略,通过实验确定了兼顾识别率与效率的模型参数。最后通过与现有其它方法的对比,证明了本模型的有效性。之前研究中的步态识别方法采用了基于K近邻的方法完成行人的识别,但在本文的多视角转换模型中,K近邻算法在多个角度下会获得不同的近邻,为了综合这些近邻数据,获取更好的识别效果,本文从K近邻算法相关性计算与近邻数据的权重方面开展研究,分析了不同相似度函数对步态识别精度的影响,给出了考虑近邻权重的加权分类算法。通过与原本方法的实验对比,结果表明,选择合适的相似度函数在忽略行人背包、穿着等影响因素的一般情况下有助于提高识别率,考虑权重则可以在综合考虑这些影响因素的复杂情况下全面提高步态识别的精度。