基于特征融合的正面步态识别方法研究的任务书.docx

基于特征融合的正面步态识别方法研究的任务书
一、任务背景
步态识别作为计算机视觉中的一个研究热点，具有广阔的应用前景。目前，步态识别技术已被广泛应用于个人身份识别、安全检测、医学健康等众多领域。在运动医学和康复医学领域，步态分析是一种关键的技术手段，可以帮助医生判断患者的恢复情况和康复效果。因此，步态识别技术的研究和应用变得异常重要。
然而，由于步态过程中存在诸多的非线性和不确定性，使得步态数据的采集、特征提取和分类识别等步骤存在许多困难和挑战。当前步态识别的研究中，提高识别准确度是一个始终追求的目标。在此背景下，本论文提出了一种基于特征融合的正面步态识别方法，以提高步态识别的准确度和稳定性。
二、研究内容
（一）步态数据采集
本研究使用的数据集是来自公开数据集CASIA-B的人体步态数据。采集正面步态的视频数据，每个被试者的数据包括多次步态数据，每次包含4-5步。对数据进行预处理，包括步态分割和姿态标定，保证输入数据的正确性和准确性。
（二）特征提取
本研究采用深度学习方法提取步态特征，分别使用卷积神经网络（CNN）和长短时记忆网络（LSTM）提取空时域特征。CNN提取空域图像特征，LSTM提取时间序列特征。通过将两种特征进行融合，实现特征提取的多角度性。
（三）特征融合
本研究提出了一种基于特征融合的步态识别方法，在两个深度学习模型每一层的特征表示中，提取不同特征子空间，采用矩阵拼接融合不同子空间特征，最终产生整体特征表达。
（四）分类识别
本研究采用支持向量机（SVM）算法作为分类器，通过训练得到可以将步态数据进行准确分类的模型。在模型训练过程中，采用交叉验证法进行参数选择和模型评价。
三、预期成果
本论文的主要预期成果如下：
（一）构建基于特征融合的正面步态识别方法，实现步态识别的高准确性、高稳定性。
（二）对比不同特征提取和特征融合方法对识别准确度的影响。
（三）在CASIA-B数据集上进行实验测试，对比本论文方法在步态识别中的准确性和稳定性与其他方法的差异。
（四）撰写论文并提交期刊或会议发表。
四、参考文献
[1]LiuJ,HeH,WenJ,etal.GaitrecognitionusingCNN-LSTMnetworkwithattentionmechanism[J].SignalProcessing,2020,176:107699.
[2]WangH,WangY,WangJ,etal.GaitIDNet:multi-taskrepresentationlearningforgaitrecognition[J].IEEETransactionsonInformationForensicsandSecurity,2020,15:938-953.
[3]GuanX,LiC,ZhaoF,etal.Gaitrecognitionbasedonmulti-scalefeatureslearnedbyadeepneuralnetwork[J].IEEETransactionsonInformationForensicsandSecurity,2018,14:3111-3123.
[4]HanQ,LaiY,LiJ,etal.GaitrecognitionbasedonrobustFourierfeatureandgroupsparserepresentation[J].NeuralProcessingLetters,2020,51:1727-1742.
[5]BuschB,WilskeC,FeldmannT,etal.Gait-basedpersonrecognitionusingneuralnetworks[C]//InternationalWorkshoponPatternRecognitioninInformationSystems.Springer,Cham,2020:44-53.