KinectGaitNet:基于动态的深度卷积神经网络步态识别
摘要
1.简介
2.文献综述
3.建议方法
3.1. 步态周期检测
3.2. 基于人体关节坐标的三维矩阵生成
3.3. 提出的卷积神经网络
4.实验结果
4.1. 优化方法的性能和批量
4.2. 池方法的性能
4.3. 培训和验证分析
4.4. 总体性能比较
4.5. 与最先进作品的比较
5.结论和未来工作
作者贡献
基金
机构审查委员会声明
知情同意书
数据可用性声明
致谢
利益冲突
工具书类
Jain,A.K。; A.罗斯。; Prabhakar,S.生物识别简介。 IEEE传输。 电路系统。 视频技术。 2004 , 14 , 4–20. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Yoo,J.H。; Nixon,M.S.人类步态运动的无标记自动分析,用于识别和分类。 埃特里·J。 2011 , 33 , 259–266. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Gafurov,D.生物特征步态识别调查:方法、安全性和挑战。 2007年11月19日至21日在挪威奥斯陆举行的挪威计算机科学年度会议记录; 第19-21页。 [ 谷歌学者 ] Preis,J。; 凯塞尔,M。; 沃纳,M。; Linnhoff Popien,C.使用kinect识别步态。 2012年6月18日,英国纽卡斯尔,第一届普及计算Kinect国际研讨会论文集; 第1-4页。 [ 谷歌学者 ] Sun,J。; Wang,Y。; 李,J。; Wan,W。; Cheng,D。; Zhang,H.基于运动骨骼特征的视点非变异步态识别。 多模式。 工具应用程序。 2018 , 77 , 24909–24935. [ 谷歌学者 ] [ 交叉参考 ] Gaglio,S。; 关于G.L。; Morana,M.使用三维姿势数据的人类活动识别过程。 IEEE传输。 嗯-马赫。 系统。 2014 , 45 , 586–597. [ 谷歌学者 ] [ 交叉参考 ] Kastaniotis,D。; 西奥多拉科普洛斯,I。; Theoharatos,C。; Economou,G.公司。; Fotopoulos,S.使用Kinect进行基于步态的识别的框架。 模式识别。 莱特。 2015 , 68 , 327–335. [ 谷歌学者 ] [ 交叉参考 ] 巴蒂亚,Y。; A.巴里。; 徐,G.S.J。; Gavrilova,M.使用双模块序列神经网络进行基于运动捕捉传感器的情感识别。 传感器 2022 , 22 , 403. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 苏亚雷斯,J。; Murphy,R.R.将Kinect用于搜索和救援机器人。 2012年11月5日至8日,美国德克萨斯州大学城,安全、安保和救援机器人国际研讨会论文集; 第1-2页。 [ 谷歌学者 ] 加夫里洛娃,M.L。; 艾哈迈德·F。; 巴里,A.H。; 刘,R。; 刘,T。; 马雷特,Y。; 锡尤,B.K。; Sudhakar,T.紧急响应和患者康复的基于多模式运动捕捉的生物特征系统。 在 康复实践与治疗研究选集 ; IGI Global:好时,宾夕法尼亚州,美国,2021年; 第653-678页。 [ 谷歌学者 ] 蒙瓦尔,M.M。; 加夫里洛娃,M。; Wang,Y.一种用于人类生物特征识别的新型模糊多模态信息融合技术。 《IEEE第十届认知信息学和认知计算国际会议论文集》(ICCI-CC’11),加拿大班夫,AB,2011年8月18-20日; 第112-119页。 [ 谷歌学者 ] Chaaraoui,A.A。; Padilla-López,J.R。; Flórez-Revuelta,F.使用关节运动历史特征的RGB-D设备进行异常步态检测。 2015年5月4日至8日在斯洛文尼亚卢布尔雅那举行的2015年IEEE第11届自动面部和手势识别国际会议和研讨会论文集; 第7卷,第1-6页。 [ 谷歌学者 ] 帕克,D.S。; Lee,D.G。; Lee,K。; Lee,G.使用Xbox Kinect进行虚拟现实训练对中风幸存者运动功能的影响:初步研究。 中风脑血管杂志。 数字化信息系统。 2017 , 26 , 2313–2319. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 贝格·R。; Kamruzzaman,J.使用基本、动力学和运动学步态数据自动识别运动模式的机器学习方法。 J.生物技术。 2005 , 38 , 401–408. [ 谷歌学者 ] [ 交叉参考 ] 亚努什凯维奇,S.N。; 斯托伊卡,A。; 斯里哈里,S.N。; 副总裁Shmerko。; Gavrilova,M.生物特征信息模拟:新一代生物特征系统。 《生物识别技术建模与仿真国际研讨会论文集》,加拿大卡尔加里,AB,2004年6月14日至16日; 第87-98页。 [ 谷歌学者 ] Kececi,A。; Yildirak,A。; Ozyazici,K。; Ayluctarhan,G。; 阿格布卢特,O。; Zincir,I.步态识别机器学习算法的实现。 工程科学。 Technol公司。 国际期刊。 2020 , 23 , 931–937. [ 谷歌学者 ] [ 交叉参考 ] 孙,Y。; 薛,B。; 张,M。; Yen,G.G。; Lv,J.使用图像分类的遗传算法自动设计CNN结构。 IEEE传输。 赛博。 2020 , 50 , 3840–3854. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Jin,B。; 克鲁兹,L。; Gonçalves,N.深度面部诊断:从面部识别到面部诊断的深度转移学习。 IEEE接入 2020 , 8 , 123649–123661. [ 谷歌学者 ] [ 交叉参考 ] 杨,B。; 曹,J。; 镍,R。; Zhang,Y.基于双通道人脸图像的加权混合深度神经网络人脸表情识别。 IEEE接入 2017 , 6 , 4630–4640. [ 谷歌学者 ] [ 交叉参考 ] El-Fiqi,H。; 王,M。; 萨利米,N。; Kasmarik,K。; 巴洛,M。; Abbas,H.卷积神经网络,用于使用稳态视觉诱发电位进行人员识别和验证。 《IEEE系统、人与控制论国际会议论文集》,日本宫崎,2018年10月7日至10日; 第1062-1069页。 [ 谷歌学者 ] Sünderhauf,N。; O.布鲁克。; 谢尔,W。; 哈德塞尔,R。; 福克斯博士。; 莱特纳,J。; Upcroft,B。; 阿贝尔,P。; 伯加德,W。; 米尔福德,M。; 等。机器人深度学习的局限性和潜力。 国际J机器人。 物件。 2018 , 37 , 405–420. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 郭毅。; 刘,Y。; 奥尔勒曼斯,A。; 老挝,S。; Wu,S。; Lew,M.S.视觉理解的深度学习:综述。 神经计算 2016 , 187 , 27–48. [ 谷歌学者 ] [ 交叉参考 ] 巴里,A.H。; Gavrilova,M.L.使用Kinect传感器基于人工神经网络的步态识别。 IEEE接入 2019 , 7 , 162708–162722. [ 谷歌学者 ] [ 交叉参考 ] Andersson,V.O。; de Araüjo,R.M.《使用Kinect传感器的人体测量和步态数据进行人的识别》。 2015年1月25日至30日在美国德克萨斯州奥斯汀举行的第二十届AAAI人工智能会议记录; 第425-431页。 [ 谷歌学者 ] 艾哈迈德·F。; 保罗,P.P。; Gavrilova,M.L.DTW-based kernel and rank-level fusion for 3D game recognition using Kinect基于DTW的内核和等级级融合。 视觉。 计算。 2015 , 31 , 915–924. [ 谷歌学者 ] [ 交叉参考 ] Yang,K。; Dou,Y。; 吕,S。; 张,F。; Lv,Q.Kinect步态识别的相对距离特征。 视觉杂志。 Commun公司。 图像表示。 2016 , 39 , 209–217. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] He,K。; 张,X。; 任,S。; Sun,J.图像识别的深度残差学习。 2016年6月27日至30日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第770-778页。 [ 谷歌学者 ] R.P.蒙蒂。; 图图尼安,S。; Cao,R.通过逐步取消跳过连接来避免深度前馈网络的退化。 在 国际人工神经网络会议 ; 施普林格:德国柏林/海德堡,2018年; 第447-456页。 [ 谷歌学者 ] Kingma,D.P。; Ba,J.Adam:一种随机优化方法。 arXiv公司 2014 ,arXiv:1412.6980。 [ 谷歌学者 ] 施密茨,A。; Ye,M。; 夏皮罗,R。; Yang,R。; Noehren,B.使用单摄像机无标记运动捕捉系统测量关节角度的准确性和可重复性。 J.生物技术。 2014 , 47 , 587–591. [ 谷歌学者 ] [ 交叉参考 ] Pöhlmann,S.T。; Harkness,E.F。; 泰勒,C.J。; Astley,S.M.医疗成像用Kinect 3D传感器评估。 医学生物学杂志。 工程师。 2016 , 36 , 857–870. [ 谷歌学者 ] [ 交叉参考 ] R.A.克拉克。; 曼蒂普利,B.F。; Hough,E。; Pua,Y.H.《用于身体功能评估的三维相机和骨骼姿势跟踪:用途、有效性、当前发展和Kinect替代品综述》。 步态姿势 2019 , 68 , 193–200. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 鲍尔,A。; Rye,D。; 拉莫斯,F。; Velonaki,M.从“骨架”数据中对人群进行无监督聚类。 2012年3月5日至8日在美国马萨诸塞州波士顿举行的第七届年度ACM/IEEE人机交互国际会议论文集; 第225-226页。 [ 谷歌学者 ] Nattee,C。; Khamsemanan,N.基于模型步态识别的深度神经网络方法。 泰语J.数学。 2019 , 17 , 89–97. [ 谷歌学者 ] Huynh-The,T。; Hua,C.H。; 图,N.A。; Kim,D.S.通过卷积网络学习三维时空步态特征,用于身份识别。 神经计算 2020 , 397 , 192–202. [ 谷歌学者 ] [ 交叉参考 ] 林,M。; 陈,Q。; Yan,S.网络。 arXiv公司 2013 ,arXiv:1312.4400。 [ 谷歌学者 ] 古德费罗,I。; Y.本吉奥。; 科尔维尔,A。; Y.本吉奥。 深度学习 ; 麻省理工学院出版社:剑桥,马萨诸塞州,美国,2016年; 第1卷。 [ 谷歌学者 ] He,K。; 张,X。; 任,S。; Sun,J.视觉识别深卷积网络中的空间金字塔池。 IEEE传输。 模式分析。 机器。 智力。 2015 , 37 , 1904–1916. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] I.J.古德费罗。; Warde-Farley,D。; 米尔扎,M。; 科尔维尔,A。; Bengio,Y.Maxout网络。 arXiv公司 2013 ,arXiv:1302.4389。 [ 谷歌学者 ]