基于深度学习的红外图像人体步态识别方法

对基于深度学习的红外图像步态识别方法进行研究,利用卷积神经网络相关技术搭建一个深度学习模型,以此对红外图像中人体步态轮廓特征进行学习,对红外图像中人体步态身份做出识别。使用图像形态学中的闭运算对图片进行数据预处理,实验结果表明,经过预处理后的红外图像能够有效减少因红外相机成像原理导致的图像中产生冗余信息,有效提高模型的泛化能力。经过对实验数据的对比与分析,该模型及数据预处理的方法对红外图像中的人体步态识别有着比较显著的效果。

基于确定性学习的人体步态识别方法研究

基于确定性学习理论,提出了一种基于关节角时序数据序列的人体步态识别方法。首先,由人体运动捕捉设备获取关节角时序数据序列,则局部准确的人体步态的内部动力学可通过径向基函数（RBF）网络得到逼近。进一步,证明了逼近误差和相关神经网络（NN）参数的收敛。接下来,通过将NN逼近得到的步态动力学知识存储于常值的RBF网络,可实现人体移动步态特征的有效表达。最后,通过构建步态模式的相似性定义,提出了一种步态时序数据识别的方法,最终可实现准确的步态识别。仿真实验采用类圆规双足机器人验证了所提方法的有效性。

基于可穿戴惯性传感技术的人体步态阶段识别

为了实现基于可穿戴惯性传感技术的人体步态阶段识别,开发了基于特征选择的人体步态阶段识别模型、基于时间比例优化的人体步态阶段识别模型和基于机器学习多数据类型、多特征、多分类器的人体步态阶段识别模型,并对比了3种模型的步态阶段识别效果。结果表明:基于特征选择的人体步态阶段识别模型的平均识别准确率为73.66%;基于时间比例优化的人体步态阶段识别模型的平均识别准确率为90.96%;利用脚背处俯仰角数据和加速度数据训练得到的基于机器学习的人体步态阶段识别模型的平均识别准确率分别为97.04%、86.80%;针对不同的步态阶段和使用场景,可差异化选择不同的识别方法以获得理想的识别效果;综合采用时间比例优化算法和机器学习方法可以获得较高的综合识别准确率。该研究可为进一步开展基于可穿戴式传感器的人体行为相关研究提供参考。