大数据-算法-步态识别中的不变特征提取算法设计和研究.pdf

在大数据和算法领域，步态识别是一种利用生物特征进行身份识别的技术，其独特之处在于可以从远处无接触地获取，且不易伪装。步态识别尤其在监控场景中具有很高的实用价值，因为摄像头与行人间距离较远，无法获取如面部、指纹或虹膜等常见生物特征。然而，步态识别面临着诸多挑战，如视角变化、衣着改变和携带物品等因素导致行人步态轮廓的扭曲和变形，使得提取不变的步态特征变得困难，从而难以区分不同的行人，因此当前的步态识别技术尚未能广泛应用到实际场景。 针对多视角问题，已有研究者提出视图转换模型，试图将步态特征从一个视角转换到另一个视角。这些模型通常需要估计步态序列的视角，并且通常只能在固定的两个视角之间进行转换，无法有效地将步态序列的任意视角转换为特定视角。同时，它们往往需要结合其他模型来处理其他变化。 本文提出了两种步态不变特征提取模型。第一种是基于多层堆叠自编码器（SPAE）的方法，利用堆叠的多层自编码器和渐进式的方式生成步态不变特征。自编码器是一种神经网络结构，能够学习数据的压缩表示，通过训练可以自动提取出对识别任务重要的特征。SPAE通过多层自编码器逐步提取和精炼特征，以达到消除视角影响并提取出稳定不变的步态特征。 第二种方法是基于生成对抗网络（GaitGAN）的模型，由生成模型、真实/假鉴别器和相关鉴别器三部分组成。生成模型的作用是将受到不同因素（如不同视角）影响的步态序列转换为统一形式的步态序列，以降低视角变化的影响。真实/假鉴别器负责区分转换后的步态序列是否真实，而相关鉴别器则关注步态序列之间的相关性，以确保转换后的步态特征仍能保留个体的独特性。 生成对抗网络（GAN）是一种深度学习框架，通过生成器与鉴别器之间的博弈过程，可以学习到高保真的数据分布，生成接近真实的数据样本。在步态识别中，生成器的目标是学习到一个能够将各种条件下步态转换为标准形式的映射，而鉴别器则试图区分转换后的步态序列和真实的步态序列，两者相互作用，共同提升步态特征的不变性和识别性能。 这两种模型都致力于解决步态识别中的视角变化问题，通过深度学习技术提取出对各种环境变化鲁棒的步态特征，提高识别的准确性和实用性。未来的研究可能需要进一步探索如何处理更多的干扰因素，如衣物、光照、行走速度变化等，以推动步态识别技术在更复杂实际环境中的应用。