论文部分内容阅读
步态识别是一种利用行人走路姿态进行识别或者辅助鉴别身份的生物特征识别方法。相比其他方法有其独特的优势,具有广阔的应用前景。但在步态识别的研究过程中,仍有许多问题有待解决,例如:视角变化或携带物时易导致步态轮廓形变,步态模板内部大量关节信息丢失,未能充分利用步态序列间的时序信息等,导致步态识别效果并不明显。针对以上问题,本文结合深度学习在图像分类识别的优势并展开步态识别研究,主要完成以下工作:(1)基于改进时空步态图和多特征三元组网络的步态识别针对时空步态图(Chrono-Gait Image)轮廓内丢失动态信息,且引入时序信息易受视角等协变量影响,本文提出了一种改进时空步态图。基于步态轮廓关节定位加入动态信息,同时将时序信息映射在下肢关节构成的骨架上,以减弱视角变化、携带物等协变量影响,为后续特征提取及分类提供更具步态特征表述力的步态模板。同时,为提升三元组网络特征相似性学习的效果,提出一种基于改进时空步态图和多特征三元组网络的步态识别方法。充分提取改进时空步态图中全局特征及局部特征,并将融合特征输入特征度量网络进行相似度学习,以提升步态识别准确率。实验结果表明本文所提改进时空步态图具备更丰富的步态特征表述力,基于改进时空步态图和多特征三元组网络的步态识别方法与近年同类方法相比更具优势,总体平均准确率提高了4.9%-8.2%,能较好克服视角变化下携带物、穿着等协变量影响,提高了步态精度。(2)基于多通道时空网络和联合优化损失的步态识别基于步态骨架序列的步态识别方法在视角变化、携带物场景下鲁棒性更强,同时也丢失大量极具判别性的轮廓特征。其优缺点刚好与基于步态轮廓序列的步态识别方法形成互补,因此本文提出一种多通道时空网络,以步态骨架、轮廓序列共同作为输入,并结合注意力机制充分提取步态序列间时空特征,在第三章度量学习和分类网络基础上建立步态识别模型。并进一步优化该网络三元损失函数在训练过程中正负样本的挑选方式,同时加入标签平滑正则化(Label Smoothing Regularization,LSR)方法来优化交叉熵损失函数。联合以上两类优化策略共同监督网络训练,在增强特征距离度量学习网络泛化性的同时,提高视角变化时携带物、穿着等场景下分类识别准确率。实验结果表明本文所提方法较近年同类方法相比总体平均精度提高了11.5%-14.2%,在视角变化、携带物等场景下更具优势。(3)基于深度学习的步态识别系统设计与实现利用本文提出鲁棒性更强、识别精度更高的基于多通道时空网络和联合优化损失的步态识别算法,结合Pytorch深度学习框架、OpenCV库等设计了基于深度学习的步态识别系统,并通过实际场景下采集的步态数据集验证了基于深度学习的步态识别系统的可行性和本文所提步态识别算法的有效性。