CN114140873A - 一种基于卷积神经网络多层次特征的步态识别方法 - Google Patents
一种基于卷积神经网络多层次特征的步态识别方法 Download PDFInfo
- Publication number
- CN114140873A CN114140873A CN202111317122.XA CN202111317122A CN114140873A CN 114140873 A CN114140873 A CN 114140873A CN 202111317122 A CN202111317122 A CN 202111317122A CN 114140873 A CN114140873 A CN 114140873A
- Authority
- CN
- China
- Prior art keywords
- layer
- features
- gait
- neural network
- convolutional neural
- 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 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 235000019580 granularity Nutrition 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
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图进行了在线的数据增强,增加了输入数据的多样性,提高了算法在实际情景下对行人轮廓的鲁棒性。
Description
技术领域
本发明涉及的是计算机视觉及深度学习领域,特别涉及一种基于卷积神经网络多层次特征的步态识别方法。
背景技术
步态是描述一个人行走模式的一种生理及生物特征。与人脸、指纹、虹膜等生物特征相比,具有非接触、远距离、不易伪装、无需主动配合等优点,因此步态识别技术广泛运用于门禁***、安全监控、人机交互等领域。
随着深度学习及卷积神经网络技术的发展,步态识别技术也有较大进步。目前主流的步态识别方法一般分为基于模板的方法和基于序列的方法,均通过行人步态轮廓图进行识别。其中基于序列的步态识别方法如GaitSet和GaitPart算法虽然在公开数据集上可以取得不错的效果,但是GaitSet算法是基于整个轮廓图进行识别未抓住局部特征,GaitPart算法能够提取到局部特征,但是提取的特征层次比较单一,两种算法在实际情景下识别准确率均有一定不足。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于卷积神经网络多层次特征的步态识别方法。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种基于卷积神经网络多层次特征的步态识别方法,包括:
S100.读取输入的步态图像序列,并对图像序列进行预处理;
S200.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;
S300.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;
S400.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;
S500.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。
进一步地,S100的具体方法为:下载CASIA-B开源步态识别数据集,对于数据集中的步态序列长度进行判断,若序列长度大于150时取中间的30个图像,若序列长度小于30时,舍弃该序列;将输入步态序列按照高、宽方向的边缘及中心线原则裁剪为64*64大小。
进一步地,S100的具体方法还包括:按一定比例ratio随机对图像进行形态学开运算或闭运算,其开闭运算的核大小设置为3,在训练时,比例ratio设置为0.2,在推理时,比例ratio设置为0;每次的输入序列数为P*K,其中,P为训练或推理时每个批次的行人数,K为选取的每个行人在不同视角、穿衣、背包或行走条件下的步态序列数。
进一步地,S200的具体方法包括:采用1x1、3x3、5x5三种卷积分别对输入图像序列进行不同粒度的特征提取,三种卷积输入通道数均为1,输出通道数均为32,步长为2,输入长宽为64*64大小的n个长度为s=30的图像序列经不同粒度特征提取;再经过Concat层将3种32*32大小的特征图在通道维度拼接,最后通过取到含有不同层次信息的特征图。
进一步地,Block层由两层卷积大小为3、步长为1的卷积层和一个步长为2的最大池化构成,第一层卷积输入通道数为96,输出通道数为64,第二层卷积输入通道数为64,输出通道数为128,经Block层提取到含有不同层次信息的特征图输出为n*30*128*16*16。
进一步地,S300的具体方法包括:采用Block_W层、Block_H层、HPM层、VPM层和Concat2层对S200提取的多层次特征在特征图的w和h方向进行融合;其中,Block_W层和Block_H层均由2层卷积大小为3、步长为1的卷积构成,第一层卷积输入、输出通道数分别为128和256,第二层卷积输入、输出通道数分别为256和256。
进一步地,S300的具体方法还包括:Block_W层在w方向将特征提取层输出的特征均分为n等份,并利用卷积操作对这n个w方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取w方向的条状局部信息;Block_H层在h方向将特征提取层输出的特征均分为n等分,并利用卷积操作对这n个h方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取h方向的条状局部信息;HPM层对每个h方向池化后的特征使用独立的全连接层将其映射到判别空间;VPM层对每个w方向池化后的特征使用独立的全连接层将其映射到判别空间;Concat2层含有一个concat操作将HPM层和VPM层的输出特征图在通道维度拼接到一起组成同时含有w和h方向局部特征的特征图。
进一步地,S400中,采用Treplitloss和Centerloss进行联合训练,其损失函数设计如下:
LOSS=Ltri+β·LCen
其中,联合损失由三元损失Ltri和中心损失LCen及两个损失的权重平衡因子β共同构成;三元损失Ltri中,N为一个训练批次中的样本数,为训练中随机选取的某个样本,该训练样本对应的正样本,为该训练样本对应的负样本,为该随机选取的样本与同类样本的类内欧氏距离,为该随机选取的样本与不同类样本的类间欧式距离,α为样本对应的类间距离与类内距离的最小差值,中心损失LCen中xi为训练中随机选取的某个样本,c为所有样本的类中心,由训练的过程得到。
进一步地,训练过程采用Adam算法进行优化,学习率设置为0.0001,动量为0.9,若训练过程的损失小于0.0000001或迭代次数大于100000次则停止训练。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开的一种基于卷积神经网络多层次特征的步态识别方法,对输入的步态轮廓图进行了在线的数据增强,增加了输入数据的多样性,提高了算法在实际情景下对行人轮廓的鲁棒性;采用了不同感受野的卷积对步态信息进行了提取及并在高度h和宽度w方向分别用不同的局部特征对步态进行表达,在算法的训练过程同时采用三元损失和中心损失,既增大了不同类间的距离又减少了同类间的距离,提高了步态识别的准确率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,一种基于卷积神经网络多层次特征的步态识别方法的流程图;
图2为本发明实施例1中,一种基于卷积神经网络多层次特征的步态识别方法中卷积神经网络结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种基于卷积神经网络多层次特征的步态识别方法。
实施例1
本实施例公开了一种基于卷积神经网络多层次特征的步态识别方法,如图1,包括:
S100.读取输入的步态图像序列,并对图像序列进行预处理;
在本实施例中,S100的具体方法为:下载CASIA-B开源步态识别数据集,对于数据集中的步态序列长度进行判断,若序列长度大于150时取中间的30个图像,若序列长度小于30时,舍弃该序列;将输入步态序列按照高、宽方向的边缘及中心线原则裁剪为64*64大小。
在一些优选实施例中,S100的具体方法还包括:按一定比例ratio随机对图像进行形态学开运算或闭运算,其开闭运算的核大小设置为3,在训练时,比例ratio设置为0.2,在推理时,比例ratio设置为0;每次的输入序列数为P*K,其中,P为训练或推理时每个批次的行人数,K为选取的每个行人在不同视角、穿衣、背包或行走条件下的步态序列数。作为一个实施例P可以设置为8,K可以设置为16。
S200.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;在本实施例中,如图2,S200的具体方法包括:采用1x1、3x3、5x5三种卷积分别对输入图像序列进行不同粒度的特征提取,三种卷积输入通道数均为1,输出通道数均为32,步长为2,输入长宽为64*64大小的n个长度为s=30的图像序列经不同粒度特征提取后特征图为n*30*32*32*32;再经过Concat层将3种32*32大小的特征图在通道维度拼接,输出为n*30*96*32*32;Block层由两层卷积大小为3、步长为1的卷积层和一个步长为2的最大池化构成,第一层卷积输入通道数为96,输出通道数为64,第二层卷积输入通道数为64,输出通道数为128,经Block层提取到含有不同层次信息的特征图输出为n*30*128*16*16。
S300.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;具体的,本实施例中,采用Block_W层、Block_H层、HPM层、VPM层和Concat2层对S200提取的多层次特征在特征图的w和h方向进行融合;其中,Block_W层和Block_H层均由2层卷积大小为3、步长为1的卷积构成,第一层卷积输入、输出通道数分别为128和256,第二层卷积输入、输出通道数分别为256和256。
Block_W层在w方向将特征提取层输出的特征均分为n等份,并利用卷积操作对这n个w方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取w方向的条状局部信息;Block_H层在h方向将特征提取层输出的特征均分为n等分,并利用卷积操作对这n个h方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取h方向的条状局部信息;HPM层对每个h方向池化后的特征使用独立的全连接层将其映射到判别空间;VPM层对每个w方向池化后的特征使用独立的全连接层将其映射到判别空间;Concat2层含有一个concat操作将HPM层和VPM层的输出特征图在通道维度拼接到一起组成同时含有w和h方向局部特征的特征图。
S400.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;
在本实施例中,采用Treplitloss和Centerloss进行联合训练,其损失函数设计如下:
LOSS=Ltri+β·LCen
其中,联合损失由三元损失Ltri和中心损失LCen及两个损失的权重平衡因子β共同构成;三元损失Ltri中,N为一个训练批次中的样本数,为训练中随机选取的某个样本,该训练样本对应的正样本,为该训练样本对应的负样本,为该随机选取的样本与同类样本的类内欧氏距离,为该随机选取的样本与不同类样本的类间欧式距离,α为样本对应的类间距离与类内距离的最小差值,中心损失LCen中xi为训练中随机选取的某个样本,c为所有样本的类中心,由训练的过程得到。在训练过程采用Adam算法进行优化,学习率设置为0.0001,动量为0.9,若训练过程的损失小于0.0000001或迭代次数大于100000次则停止训练。
S500.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。进行步态识别时,先建立查询集,即存储各个目标的步态特征值;对于一个待识别步态目标,根据S100-S300计算其与特征值并逐个计算与已存储目标的欧式距离,取与已存储目标欧氏距离最近的结果为识别结果。
本实施例公开的一种基于卷积神经网络多层次特征的步态识别方法,对输入的步态轮廓图进行了在线的数据增强,增加了输入数据的多样性,提高了算法在实际情景下对行人轮廓的鲁棒性;采用了不同感受野的卷积对步态信息进行了提取及并在高度h和宽度w方向分别用不同的局部特征对步态进行表达,在算法的训练过程同时采用三元损失和中心损失,既增大了不同类间的距离又减少了同类间的距离,提高了步态识别的准确率。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (9)
1.一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,包括:
S100.读取输入的步态图像序列,并对图像序列进行预处理;
S200.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;
S300.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;
S400.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;
S500.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。
2.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S100的具体方法为:下载CASIA-B开源步态识别数据集,对于数据集中的步态序列长度进行判断,若序列长度大于150时,提取中间的30个图像;若序列长度小于30时,舍弃该序列;将输入步态序列按照高、宽方向的边缘及中心线原则裁剪为64*64大小。
3.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S100的具体方法还包括:按一定比例ratio随机对图像进行形态学开运算或闭运算,其开闭运算的核大小设置为3,在训练时,比例ratio设置为0.2,在推理时,比例ratio设置为0;每次的输入序列数为P*K,其中,P为训练或推理时每个批次的行人数,K为选取的每个行人在不同视角、穿衣、背包或行走条件下的步态序列数。
4.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S200的具体方法包括:采用1x1、3x3、5x5三种卷积分别对输入图像序列进行不同粒度的特征提取,三种卷积输入通道数均为1,输出通道数均为32,步长为2,输入长宽为64*64大小的n个长度为s=30的图像序列经不同粒度特征提取;再经过Concat层将3种32*32大小的特征图在通道维度拼接,最后通过取到含有不同层次信息的特征图。
5.如权利要求4所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,Block层由两层卷积大小为3、步长为1的卷积层和一个步长为2的最大池化构成,第一层卷积输入通道数为96,输出通道数为64,第二层卷积输入通道数为64,输出通道数为128,经Block层提取到含有不同层次信息的特征图输出为n*30*128*16*16。
6.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S300的具体方法包括:采用Block_W层、Block_H层、HPM层、VPM层和Concat2层对S200提取的多层次特征在特征图的w和h方向进行融合;其中,Block_W层和Block_H层均由2层卷积大小为3、步长为1的卷积构成,第一层卷积输入、输出通道数分别为128和256,第二层卷积输入、输出通道数分别为256和256。
7.如权利要求6所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S300的具体方法还包括:Block_W层在w方向将特征提取层输出的特征均分为n等份,并利用卷积操作对这n个w方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取w方向的条状局部信息;Block_H层在h方向将特征提取层输出的特征均分为n等分,并利用卷积操作对这n个h方向分割的条状特征图分别提取局部特征,再将这些特征concat聚合起来,再采用全局最大集合池化提取h方向的条状局部信息;HPM层对每个h方向池化后的特征使用独立的全连接层将其映射到判别空间;VPM层对每个w方向池化后的特征使用独立的全连接层将其映射到判别空间;Concat2层含有一个concat操作将HPM层和VPM层的输出特征图在通道维度拼接到一起组成同时含有w和h方向局部特征的特征图。
8.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,S400中,采用Treplitloss和Centerloss进行联合训练,其损失函数设计如下:
LOSS=Ltri+β·LCen
9.如权利要求8所述的一种基于卷积神经网络多层次特征的步态识别方法,其特征在于,训练过程采用Adam算法进行优化,学习率设置为0.0001,动量为0.9,若训练过程的损失小于0.0000001或迭代次数大于100000次则停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317122.XA CN114140873A (zh) | 2021-11-09 | 2021-11-09 | 一种基于卷积神经网络多层次特征的步态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317122.XA CN114140873A (zh) | 2021-11-09 | 2021-11-09 | 一种基于卷积神经网络多层次特征的步态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140873A true CN114140873A (zh) | 2022-03-04 |
Family
ID=80392761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111317122.XA Pending CN114140873A (zh) | 2021-11-09 | 2021-11-09 | 一种基于卷积神经网络多层次特征的步态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140873A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627424A (zh) * | 2022-03-25 | 2022-06-14 | 合肥工业大学 | 一种基于视角转化的步态识别方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
CN110110668A (zh) * | 2019-05-08 | 2019-08-09 | 湘潭大学 | 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 |
CN110969087A (zh) * | 2019-10-31 | 2020-04-07 | 浙江省北大信息技术高等研究院 | 一种步态识别方法及*** |
US20200320284A1 (en) * | 2018-04-12 | 2020-10-08 | Tencent Technology (Shenzhen) Company Ltd | Media processing method, related apparatus, and storage medium |
CN111985332A (zh) * | 2020-07-20 | 2020-11-24 | 浙江工业大学 | 一种基于深度学习的改进损失函数的步态识别方法 |
CN112818755A (zh) * | 2021-01-13 | 2021-05-18 | 华中科技大学 | 一种基于主动学习的步态识别方法 |
WO2021115159A1 (zh) * | 2019-12-09 | 2021-06-17 | 中兴通讯股份有限公司 | 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质 |
US20210224524A1 (en) * | 2020-01-22 | 2021-07-22 | Board Of Trustees Of Michigan State University | Systems And Methods For Gait Recognition Via Disentangled Representation Learning |
-
2021
- 2021-11-09 CN CN202111317122.XA patent/CN114140873A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
US20200320284A1 (en) * | 2018-04-12 | 2020-10-08 | Tencent Technology (Shenzhen) Company Ltd | Media processing method, related apparatus, and storage medium |
CN110110668A (zh) * | 2019-05-08 | 2019-08-09 | 湘潭大学 | 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 |
CN110969087A (zh) * | 2019-10-31 | 2020-04-07 | 浙江省北大信息技术高等研究院 | 一种步态识别方法及*** |
WO2021115159A1 (zh) * | 2019-12-09 | 2021-06-17 | 中兴通讯股份有限公司 | 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质 |
US20210224524A1 (en) * | 2020-01-22 | 2021-07-22 | Board Of Trustees Of Michigan State University | Systems And Methods For Gait Recognition Via Disentangled Representation Learning |
CN111985332A (zh) * | 2020-07-20 | 2020-11-24 | 浙江工业大学 | 一种基于深度学习的改进损失函数的步态识别方法 |
CN112818755A (zh) * | 2021-01-13 | 2021-05-18 | 华中科技大学 | 一种基于主动学习的步态识别方法 |
Non-Patent Citations (1)
Title |
---|
罗金梅;罗建;李艳梅;赵旭;: "基于多特征融合CNN的人脸识别算法研究", 航空计算技术, no. 03, 25 May 2019 (2019-05-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627424A (zh) * | 2022-03-25 | 2022-06-14 | 合肥工业大学 | 一种基于视角转化的步态识别方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784186B (zh) | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 | |
EP3690742A1 (en) | Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same | |
CN112446270B (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
CN112750140B (zh) | 基于信息挖掘的伪装目标图像分割方法 | |
CN110969087B (zh) | 一种步态识别方法及*** | |
CN110659589B (zh) | 基于姿态和注意力机制的行人再识别方法、***、装置 | |
CN112288011B (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
CN109472209B (zh) | 一种图像识别方法、装置和存储介质 | |
CN111476806B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
WO2015192263A1 (en) | A method and a system for face verification | |
CN109034086B (zh) | 车辆重识别方法、装置及*** | |
CN107240087B (zh) | 目标检测***和方法 | |
CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
US20220165048A1 (en) | Person re-identification device and method | |
CN112733665B (zh) | 一种基于轻量化网络结构设计的人脸识别方法及*** | |
CN110991513A (zh) | 一种具有类人连续学习能力的图像目标识别***及方法 | |
CN113869282B (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
CN110968734A (zh) | 一种基于深度度量学习的行人重识别方法及装置 | |
CN115578589B (zh) | 一种无监督超声心动图切面识别方法 | |
CN113962281A (zh) | 基于Siamese-RFB的无人机目标跟踪方法 | |
CN111177447B (zh) | 一种基于深度网络模型的行人图像识别方法 | |
CN114140873A (zh) | 一种基于卷积神经网络多层次特征的步态识别方法 | |
CN110909582B (zh) | 一种人脸识别的方法及设备 | |
CN114358205A (zh) | 模型训练方法、模型训练装置、终端设备及存储介质 |
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 |