基于改进MobileNetV2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题,在MobileNet V2网络的基础上,提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图,通过调整网络中深度可分离卷积模块,使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks),对行人步态进行分组实验。实验结果表明,改进后的网络模型能有效进行数据集的分类识别,模型大小为12.55 M,在测试集上的平均识别准确率达到94.27%,比原始网络提高了2.29%。同时,在精度和复杂度上获得了较好的平衡,为步态识别方法在移动端等资源受限的设备上提供思路和参考。