论文部分内容阅读
步态的识别与步态运动的模拟是生物特征识别和计算机视觉领域的研究热点之一。基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类的步态时序,但是该模型难以识别和预测多类步态时序,且该模型未用于真实步态数据的识别与模拟。因此,本文利用深度学习优秀性能并结合集成学习技巧提高步态识别精度同时实现步态运动的模拟,提出了两种集成深度学习的步态识别与模拟算法。现将本文创新描述如下:1.提出了集成深信网(DBN)的步态识别与模拟算法。针对GCRBM模型难以识别和预测多类真实步态时序的问题,集成多个DBN和GCRBM的深网组合,每一个深网中DBN模型学习每一类步态时序的低维特征,并利用低维特征训练GCRBM模型。在步态识别与模拟时,先通过集成DBN对目标数据采用重构误差最小策略识别到类,再用该类对应的GCRBM预测数据的后期时序,最后用该类对应的DBN将预测的时序数据重构出步态图像。在中科院CASIA步态数据集上的实验结果表明:提出模型对步态平均识别率可高出相关对比方法10%~20%,且它能对识别到的步态进行后期时序的预测和模拟。2.提出了集成卷积神经网络(CNN)和深信网(DBN)的步态识别与模拟算法。针对集成DBN的识别性能还不够高效的问题,在步态识别阶段引入CNN模型,首先利用所有类步态训练多个不同卷积池化结构的CNN基分类器,再训练集成DBN和GCRBM的时序模型。在步态识别与模拟时,首先对所有CNN基分类器的识别结果采用“少数服从多数”的投票策略得到目标数据的类,然后通过识别到的类所对应的GCRBM模型预测目标步态的后期时序,最后将预测的时序数据通过该类对应的DBN模型重构出步态图像。同样,在中科院CASIA步态数据集上进行实验,实验结果表明:提出模型对步态的平均识别率相比于集成DBN进一步提高了5%~8%,而且提出模型还是能够对识别到的步态时序进行预测和模拟。3.实现了一个集成深度学习的步态识别与模拟算法原型系统。通过设计原型仿真系统来执行步态识别与模拟的具体流程,同时验证本文提出算法的有效性。