一种基于3D稠密卷积神经网络的步态识别方法.pdf
盼易****君a
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于3D稠密卷积神经网络的步态识别方法.pdf
本发明公开了一种基于3D稠密卷积神经网络的步态识别方法,该方法中的网络利用3D卷积提取步态在时间维度上的变换特征,同时拥有DenseNet结构的特征保留能力。本发明在网络深度较浅,训练样本较少的情况下训练出性能优越的可根据视频中的步态识别其身份的分类识别模型。通过在CASIA步态数据库的DatasetA上进行测试,证明该方法能在训练样本不充足的情况下训练出实用的步态识别模型,且具有训练速度快,模型参数少,识别率高的优点,并在单一视角或跨视角情况下都具有可观的识别能力。
一种基于反馈权重卷积神经网络和胶囊神经网络的步态识别方法.pdf
本发明公开了一种基于反馈权重卷积神经网络和胶囊神经网络的步态识别方法,具体包括以下步骤:将一对步态能量图作为网络的输入;从底层开始匹配输入图像的特征;用卷积神经网络提取输入图像的步态特征;通过像素级反馈权重更新输入图像;使用初级胶囊神经网络将数据形状进行重塑;使用改进的胶囊神经网络输出图像的相似性。该方法在数据集较小的情况下具有较强的鲁棒性,能有效地体现身体不同部位对步态识别准确率的重要性,采用向量的方式表示实体,保留了步态特征的等变性,有效提高了跨视角步态识别的准确率。
一种基于卷积神经网络多层次特征的步态识别方法.pdf
一种基于卷积神经网络多层次特征的步态识别方法,包括:读取输入的步态图像序列,并对图像序列进行预处理;通过不同卷积大小的特征提取分支对图像序列进行不同层次的特征提取;对提取的不同层次的特征进行不同方式的融合,得到最终用于步态识别的特征并进行存储;根据特征图及标签,利用损失函数计算损失,并采用反向传播算法更新卷积神经网络模型,直到满足预设条件时,生成最终识别模型;将待识别步态目标输入到最终识别模型,并将模型输出结果与已存储的特征值进行匹配,将与已存储的特征值中相似度最高的结果为识别结果。本发明对输入的步态轮廓
基于图卷积网络的步态识别方法.pdf
本发明公开了基于图卷积网络的步态识别方法,具体按照以下步骤实施:步骤1、获取行人步态训练数据;步骤2、对步骤1得到的训练数据进行预处理,再利用分区策略对预处理得到的图像求取图像各分区重心得到训练样本;步骤3、搭建图卷积网络;步骤4、设计损失函数;步骤5、初始化神经网络参数;步骤6、训练搭建好的神经网络,将步骤2得到的训练样本作为输入,对应的实际身份标签作为输出,成批次地输入到网络中,计算前向传播的损失,使用反向传播算法,调整各层神经元参数;步骤7、使用训练好的神经网络进行识别,得到未知身份样本的身份信息。
一种基于卷积神经网络的步态周期检测方法.pdf
本发明提供一种基于卷积神经网络的步态周期检测方法,对步态视频进行预处理,包括视频解码,行人轮廓提取和质心归一化的图像预处理操作;训练用于提取步态周期性特征的卷积神经网络;将待测的步态视频帧序列送入卷积神经网络中,输出波形经过滤波后,通过确定相邻的波峰与波谷的位置即得到一个步态周期。该方法对角度变化、服饰和携带物变化都有很强的鲁棒性,解决了在正面和背面视角下难以检测步态周期的问题,本发明方法对提高复杂环境中步态识别精度有重要意义,可用于步态识别中的前端,适用于安全监控、人机交互、医疗诊断和门禁系统等中的身份