CN112163487A - 一种基于改进时空步态能量图的步态身份识别方法 - Google Patents
一种基于改进时空步态能量图的步态身份识别方法 Download PDFInfo
- Publication number
- CN112163487A CN112163487A CN202010994932.8A CN202010994932A CN112163487A CN 112163487 A CN112163487 A CN 112163487A CN 202010994932 A CN202010994932 A CN 202010994932A CN 112163487 A CN112163487 A CN 112163487A
- Authority
- CN
- China
- Prior art keywords
- gait
- time
- improved space
- recognition
- energy diagram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010586 diagram Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 24
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 210000004394 hip joint Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 210000001503 joint Anatomy 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004791 biological behavior Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进时空步态能量图的步态身份识别方法,将改进时空步态能量图与卷积神经网络GoogLeNet相结合建立步态识别模型,以改进时空步态能量图作为输入进行步态识别特征提取和分类,提取人体下半身关节间规律变化,摆幅特征,利用伪彩色编码技术将时序信息映射到下半身关节点间上,最大限度保留步态模板内部动态信息,由此获取更丰富、有效的步态模板,生成改进时空步态能量图。解决了基于模型步态识别时间长、建模复杂,基于图像步态识别跨视角准确度不高的缺点,提高现代生物行为特征识别技术,保证远距离身份识别安全性的同时,减少步态身份识别所需时间,为有效实时身份识别技术提供方法保证。
Description
技术领域
本发明涉及步态识别技术领域,具体涉及一种基于改进时空步态能量图的步态身份识别方法。
背景技术
步态是指人们走路时的姿态,是一种可远距离感知的生物行为特征。步态识别即根据不同个体的步态差异进行身份识别的技术,其主要优势在于可实现远距离、隐蔽的身份识别,在智能视频监控领域应用广泛。目前,已有的步态识别方法分为基于模型和非模型两种。基于模型的步态识别方法(GEI),包含对人体的静态结构建模。基于模型的方法直接使用人体静态和运动参数作为步态特征,在一定程度上能处理遮挡和噪声。然而,基于模型的方法首先要准确定位人体关节点的位置,比较容易受到图像质量影响,而且建模过程时间长、复杂,因此一般很难抽取出步态运动的本质模型。基于非模型的步态识别方法主要对人体步态的轮廓、外形原始图像等进行特征分析从而进行身份识别,基于非模型的步态识别方法因没有复杂的建模过程从而在计算复杂度上优于基于模型的方法,但是在解决遮挡、跨视角等步态识别的挑战上基于模型的步态识别方法有着明显的优势。
针对基于非模型(图像)步态识别跨视角下准确率低下,基于模型步态识别单视角下准确率不高的问题,本发明结合基于模型和非模型的步态识别方法,提出基于改进时空步态能量图的步态模板。并结合深度学习方法进行步态识别研究,以提高跨视角、跨状态步态识别准确率。
发明内容
为了解决现有技术中存在的某种或某些技术问题,本发明提供一种基于改进时空步态能量图的步态身份识别方法,解决了基于模型步态识别时间长、建模复杂,基于图像步态识别跨视角准确度不高的缺点,提高现代生物行为特征识别技术,保证远距离身份识别安全性的同时,减少步态身份识别所需时间,为有效实时身份识别技术提供方法保证。
为解决上述现有的技术问题,本发明采用如下方案:
一种基于改进时空步态能量图的步态身份识别方法,将改进时空步态能量图与卷积神经网络GoogLeNet相结合建立步态识别模型,以改进时空步态能量图作为输入进行步态识别特征提取和分类,所述改进时空步态能量图生成步骤如下:
(1)将步态数据库中所有步态轮廓图,进行图像提取、中心标准化为同一尺度等预处理;
(2)利用已有相关算法确定所给步态轮廓图髋关节和两个踝关节坐标,获得关节点定位信息,提取人体下半身关节间规律变化;
(3)把髋关节和左、右踝关节的距离连线,获取下半身关节点间规律变化,摆幅特征;
(4)将伪彩色编码技术与步幅相结合,把时序信息映射到下半身关节点间上,通过伪色彩描述步态轮廓图的时序信息;
(5)通过步态周期检测将数据库中所有步态轮廓图周期化,将周期内的步态轮廓图经过步骤(1)(2)(3)处理后平均叠加,即得到一种包含时间信息和关节点动态信息的新步态模板。
进一步地,将处理过后的步态数据集划分为若干子测试集和子训练集,结合GoogLeNe深度卷积神经网络,将已划分为子训练集的新步态模板作为输入进行步态识别特征提取训练,同时用子测试集新步态模板来验证本发明提出的改进时空步态能量图的有效性。
进一步地,所述子训练集训练集设置为正常状态下0°-180°步态序列。
进一步地,所述子训练集训练集设置的步态序列角度不包含0°、54°、90°和126°。
进一步地,所述子训练集设置为正常状态下36°-144°步态序列。
相比现有技术,本发明的有益效果在于:
提取人体下半身关节间规律变化,摆幅特征,利用伪彩色编码技术将时序信息映射到下半身关节点间上,最大限度保留步态模板内部动态信息,由此获取更丰富、有效的步态模板,生成基于改进时空步态能量图(ICGI),本文将此方法结合卷积神经网络GoogLeNet建立步态识别模型,与基于传统步态能量图、时空步态能量图的步态识别预测模型相比,所提出的基于改进时空步态能量图的步态身份识别方方法,步态识别准确率更高,本发明解决了基于模型步态识别时间长、建模复杂,基于图像步态识别跨视角准确度不高的缺点,提高现代生物行为特征识别技术,保证远距离身份识别安全性的同时,减少步态身份识别所需时间,为有效实时身份识别技术提供方法保证。
附图说明
图1为生成进时空步态能量图示意图。
图2为基于GoogLeNet的步态识别模型。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1和图2所示,一种基于改进时空步态能量图的步态身份识别方法,将改进时空步态能量图与卷积神经网络GoogLeNet相结合建立步态识别模型,以改进时空步态能量图作为输入进行步态识别特征提取和分类,所述改进时空步态能量图生成步骤如下:
(1)将步态数据库中所有步态轮廓图,进行图像提取、中心标准化为同一尺度等预处理;
(2)利用已有相关算法确定所给步态轮廓图髋关节和两个踝关节坐标,获得关节点定位信息,提取人体下半身关节间规律变化;
(3)把髋关节和左、右踝关节的距离连线,获取下半身关节点间规律变化,摆幅特征;
(4)将伪彩色编码技术与步幅相结合,把时序信息映射到下半身关节点间上,通过伪色彩描述步态轮廓图的时序信息;
(5)通过步态周期检测将数据库中所有步态轮廓图周期化,将周期内的步态轮廓图经过步骤(1)(2)(3)处理后平均叠加,即得到一种包含时间信息和关节点动态信息的新步态模板。
进一步地改进为,将处理过后的步态数据集划分为若干子测试集和子训练集,结合GoogLeNe深度卷积神经网络,将已划分为子训练集的新步态模板作为输入进行步态识别特征提取训练,同时用子测试集新步态模板来验证本发明提出的改进时空步态能量图的有效性。
根据已有相关算法确定人体下半身髋关节和左、右踝关节坐标,将关节点间距离用伪色彩编码技术加入彩色线条,提取人体下半身关节间规律变化,摆幅特征,利用伪彩色编码技术将时序信息映射到下半身关节点间上,最大限度保留步态模板内部动态信息,将周期内处理完的单帧步态轮廓图按加权平均合成一副图像,由此获取更丰富、有效的步态模板,生成基于改进时空步态能量图ICGI(Improved Chrono-Gait energy Image),结合卷积神经网络GoogLeNet建立步态识别模型,以改进时空步态能量图作为输入进行步态识别特征提取和分类。与基于传统步态能量图、时空步态能量图的步态识别预测模型相比,所提出的基于改进时空步态能量图的步态身份识别方方法,利用现有数据库对其识别效果进行验证,结果表明与传统机器学习步态识别方法相比有较大提高,步态识别准确率更高,本发明解决了基于模型步态识别时间长、建模复杂,基于图像步态识别跨视角准确度不高的缺点,提高现代生物行为特征识别技术,保证远距离身份识别安全性的同时,减少步态身份识别所需时间,为有效实时身份识别技术提供方法保证。
改进时空步态能量图ICGI生成示意图,包括先对所用步态数据集的提取、中心标准化,并结合人体工程学和相关算法定位人体下半身髋关节和左右踝关节坐标。利用伪彩色编码技术和下半身关节点信息,将周期内处理完的单帧步态轮廓图按加权平均合成一副图像,即步态时空能量图。根据已有相关算法确定人体下半身髋关节和左、右踝关节坐标,将关节点间距离用伪色彩编码技术加入彩色线条,将周期内处理完的单帧步态轮廓图按加权平均合成一副图像,生成一种新的步态模板ICGI(Improved Chrono-Gait energyImage),结合GoogLeNet深度卷积神经网络,以改进时空步态能量图作为输入进行步态识别特征提取和分类。利用现有数据库对其识别效果进行验证,结果表明与传统机器学习步态识别方法相比有较大提高。本发明解决了基于模型步态识别时间长、建模复杂,基于图像步态识别跨视角准确度不高的缺点,为有效实时身份识别技术提供方法保证。
所述的基于改进时空步态能量图与卷积神经网络GoogLeNet结合建立步态识别模型,其结构如图2所示。模型输入为改进时空步态能量图,由于输入图像尺寸可能会有些差别,因此在对图像进行学习分类之前,必须先对图像进行归一化处理。本发明模型采用传统的卷积神经网络卷积层和池化层提取特征,中间层增加2条额外的全连接Softmax分类器,以消除网络层次过深易导致随机梯度下降算法优化过程中的梯度消失的问题。输出层以全连接层和Softmax分类器输出分类结果。模型训练过程中,中间层增加的2条分支分类器与模型主干分类器同时工作并降低损失函数、更新网络模型参数。模型测试过程中,只用模型主干全连接层和Softmax分类器输出分类结果。
进一步地改进为,所述子训练集训练集设置为正常状态下0°-180°步态序列;所述子训练集训练集设置的步态序列角度不包含0°、54°、90°和126°;所述子训练集设置为正常状态下36°-144°步态序列。
与现有方法相比具有突出的区别和贡献在于:
1、将伪彩色编码技术与步幅相结合,把时序信息映射到下半身关节点上,由此将原灰度步态轮廓图转换成具有RGB色彩的步态轮廓图,将周期内的彩色步态轮廓图平均叠加,即得到一种新的包含时间信息和关节点间摆幅信息的步态模板。
2、本发明涉及改进时空步态能量图与卷积神经网络模型相结合,GoogLeNet作为一种CNN网络模型,通过设计Inception模块作为卷积层,引入多尺度卷积提取多尺度局部特征,能够对不同形态的改进时空步态能量图进行特征提取和学习,本发明将处理后的步态数据集划分为若干子测试集和子训练集,结合GoogLeNet深度卷积神经网络,将划分为子训练集的新步态模板作为输入进行步态识别特征提取训练,用划分为子测试集的新步态模板来验证本发明所提出的改进时空步态能量图的有效性。
3、实验效果如表1所示:本文提出跨视角步态识别方法的识别精度与现有基于步态聚类的步态识别方法(CMCC_2014年),基于视角不变投影的步态识别方法(VIDP_2013年,DPLCR_2018)相比有十分明显的提高。当训练集设置为正常状态下0°-180°步态序列(不包含测试角度)0°、54°、90°、126°,平均准确率达90%以上。较近年较热门基于步态能量图的深度卷积神经网络步态识别方法(GEI CNN_2017年),基于骨架步态能量图的深度卷积神经网络步态识别方法(SGEI CNN_2018年)相比,平均准确度提高15%以上。当训练集设置正常状态下36°-144°步态序列(不包含测试角度),平均识别准确率也达到95%以上,较深度卷积神经网络步态识别精度提高约10%。此外,本文还对大衣状态、背包状态下进行了跨视角步态识别实验,当前缺乏此类相关步态识别实验,故验证本文所提出方法的有效性仅与当前CASIA-B数据库基线准确率相比。训练集设置与正常状态下一致,训练正常状态下36°-144°步态序列(不包含测试角度)54°、90°、126°,测试集为大衣状态、背包状态下54°、90°、126°,实验结果大衣状态下跨视角步态识别平均准确率为:66.78%,背包状态下跨视角步态识别平均准确率为:90.07%,于CASIA-B数据库基线准确率相比,实验精度有明显的提高。
表1正常状态下跨视角步态识别
本发明实验数据集采用中科院自动化所公开的大型步态数据库CASIA-B,CASIA-B数据库包含124人(男93人,女31人),每个人有三种行走状态:正常状态(包含6个文件NM1、NM2、NM3、NM4、NM5、NM6),大衣状态(包含2个文件CL1、CL2),背包状态(包含2个文件BG1、BG2),每人每个文件下包含11个视角文件(0°、18°、36°、54°、72°、90°、108°、126°、144°、162°、180°)。
图2为本发明基于GoogLeNet的步态识别模型,具体实施如下:
改进时空步态能量图作为GoogLeNet深度卷积神经网络的输入,靠近图像输入层采用传统CNN网络基本模块,即卷积层和池化层,考虑到中间层次的特征已经具备一定程度的鉴别能力,同时考虑到因网络层次过深易导致随机梯度下降算法优化过程中的梯度消失问题,GoogLeNet在主干网络的旁侧增加2条额外的全连接Softmax分类器。模型优化过程中,用主干与分支分类器损失函数梯度之和更新网络模型参数,测试过程中,则去掉相应分支分类器,只用主干分类器进行步态身份识别。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (5)
1.一种基于改进时空步态能量图的步态身份识别方法,其特征在于:将改进时空步态能量图与卷积神经网络GoogLeNet相结合建立步态识别模型,以改进时空步态能量图作为输入进行步态识别特征提取和分类,所述改进时空步态能量图生成步骤如下:
(1)将步态数据库中所有步态轮廓图,进行图像提取、中心标准化为同一尺度等预处理;
(2)利用已有相关算法确定所给步态轮廓图髋关节和两个踝关节坐标,获得关节点定位信息,提取人体下半身关节间规律变化;
(3)把髋关节和左、右踝关节的距离连线,获取下半身关节点间规律变化,摆幅特征;
(4)将伪彩色编码技术与步幅相结合,把时序信息映射到下半身关节点间上,通过伪色彩描述步态轮廓图的时序信息;
(5)通过步态周期检测将数据库中所有步态轮廓图周期化,将周期内的步态轮廓图经过步骤(1)(2)(3)处理后平均叠加,即得到一种包含时间信息和关节点动态信息的新步态模板。
2.根据权利要求1所述的一种基于改进时空步态能量图的步态身份识别方法,其特征在于:将处理过后的步态数据集划分为若干子测试集和子训练集,结合GoogLeNe深度卷积神经网络,将已划分为子训练集的新步态模板作为输入进行步态识别特征提取训练,同时用子测试集新步态模板来验证本发明提出的改进时空步态能量图的有效性。
3.根据权利要求2所述的一种基于改进时空步态能量图的步态身份识别方法,其特征在于:所述子训练集训练集设置为正常状态下0°-180°步态序列。
4.根据权利要求3所述的一种基于改进时空步态能量图的步态身份识别方法,其特征在于:所述子训练集训练集设置的步态序列角度不包含0°、54°、90°和126°。
5.根据权利要求4所述的一种基于改进时空步态能量图的步态身份识别方法,其特征在于:所述子训练集设置为正常状态下36°-144°步态序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994932.8A CN112163487A (zh) | 2020-09-21 | 2020-09-21 | 一种基于改进时空步态能量图的步态身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010994932.8A CN112163487A (zh) | 2020-09-21 | 2020-09-21 | 一种基于改进时空步态能量图的步态身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163487A true CN112163487A (zh) | 2021-01-01 |
Family
ID=73863100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010994932.8A Pending CN112163487A (zh) | 2020-09-21 | 2020-09-21 | 一种基于改进时空步态能量图的步态身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111797A (zh) * | 2021-04-19 | 2021-07-13 | 杭州电子科技大学 | 一种结合自编码器与视角变换模型的跨视角步态识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
WO2017006314A1 (en) * | 2015-07-05 | 2017-01-12 | THE WHOLLYSEE.Ltd. | Optical identification and characterization system and tagss |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
US20190172232A1 (en) * | 2017-12-05 | 2019-06-06 | Samsung Eletrônica da Amazônia Ltda. | Method and system for sensor data recognition using data enrichment for the learning process |
CN110097029A (zh) * | 2019-05-14 | 2019-08-06 | 西安电子科技大学 | 基于Highway网络多视角步态识别的身份认证方法 |
CN111259700A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于生成步态识别模型的方法和装置 |
-
2020
- 2020-09-21 CN CN202010994932.8A patent/CN112163487A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
WO2017006314A1 (en) * | 2015-07-05 | 2017-01-12 | THE WHOLLYSEE.Ltd. | Optical identification and characterization system and tagss |
US20190172232A1 (en) * | 2017-12-05 | 2019-06-06 | Samsung Eletrônica da Amazônia Ltda. | Method and system for sensor data recognition using data enrichment for the learning process |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
CN111259700A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于生成步态识别模型的方法和装置 |
CN110097029A (zh) * | 2019-05-14 | 2019-08-06 | 西安电子科技大学 | 基于Highway网络多视角步态识别的身份认证方法 |
Non-Patent Citations (1)
Title |
---|
蒋敏兰等: "基于改进时空步态图的步态识别", 《信息技术与网络安全》, vol. 38, no. 12, pages 53 - 55 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111797A (zh) * | 2021-04-19 | 2021-07-13 | 杭州电子科技大学 | 一种结合自编码器与视角变换模型的跨视角步态识别方法 |
CN113111797B (zh) * | 2021-04-19 | 2024-02-13 | 杭州电子科技大学 | 一种结合自编码器与视角变换模型的跨视角步态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及*** | |
CN110135375B (zh) | 基于全局信息整合的多人姿态估计方法 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和*** | |
CN105574518B (zh) | 人脸活体检测的方法和装置 | |
CN108256421A (zh) | 一种动态手势序列实时识别方法、***及装置 | |
CN110516571A (zh) | 基于光流注意力神经网络的跨库微表情识别方法及装置 | |
CN110084156A (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN105138954A (zh) | 一种图像自动筛选查询识别*** | |
CN114187665B (zh) | 一种基于人体骨架热图的多人步态识别方法 | |
CN106056053A (zh) | 基于骨骼特征点提取的人体姿势识别方法 | |
CN110008913A (zh) | 基于姿态估计与视点机制融合的行人再识别方法 | |
CN114067358A (zh) | 一种基于关键点检测技术的人体姿态识别方法及*** | |
CN114998934B (zh) | 基于多模态智能感知和融合的换衣行人重识别和检索方法 | |
CN112131970A (zh) | 一种基于多通道时空网络和联合优化损失的身份识别方法 | |
CN111191564A (zh) | 基于多角度神经网络的多姿态人脸情绪识别方法及*** | |
CN112446302A (zh) | 一种人体姿态检测方法、***、电子设备和存储介质 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN113920326A (zh) | 基于人体骨骼关键点检测的摔倒行为识别方法 | |
CN111680550B (zh) | 情感信息识别方法、装置、存储介质及计算机设备 | |
CN108960076A (zh) | 基于卷积神经网络的耳朵识别与跟踪方法 | |
CN109325408A (zh) | 一种手势判断方法及存储介质 | |
CN110263605A (zh) | 基于二维人体姿态估计的行人服饰颜色识别方法及装置 | |
CN111126240A (zh) | 一种三通道特征融合人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210101 |
|
WD01 | Invention patent application deemed withdrawn after publication |