基于优化GaitSet模型的步态识别研究

为了能够保留更多的输入步态轮廓图的轮廓和纹理等信息,增加深浅特征融合的输入,提出了基于优化GaitSet模型的步态识别研究.首先,在原模型的基础上,采用了联合Loss优化,步态轮廓图的裁剪对齐为较大图片尺寸,并且进行进一步的论证;其次,增加多尺度的感受野的特征输入和深浅特征融合;最后,在CASIA-B数据库上进行了验证.实验结果表明:LT样本规模及非相同视角下,NM状态下的识别率为97.309%,BG状态下的识别率为94.048%,CL状态下的识别率为81.736%.相比较原模型Rank-1的准确率有较大的提升.

复杂场景下多重损失的步态识别系统的实现

在目前的高校教育制度下,我国的教育事业蓬勃发展,但是在学生课堂早退违纪问题的处理中仍存在不足之处,由于早退学生的过多遮挡以及背景环境较高的复杂程度,因此在识别学生的身份时很难同时兼顾速度和准确性。针对该问题,基于显著性目标检测U2Net网络和多重损失的GaitSet模型,结合步态识别相关技术,设计和实现了针对于高校课堂早退学生身份识别的系统DGRSML,为有效解决高校学生课堂早退违纪现象的身份识别问题提供了帮助。