基于双流神经网络的煤矿井下人员步态识别方法

TP393; 人脸、指纹和虹膜等生物识别方法在井下复杂环境限制下常常比较模糊,导致基于这些生物特征的煤矿井下人员身份识别率不高.本文在残差神经网络和栈式卷积自动编码器的基础上,提出了一种基于双流神经网络(TS-GAIT)的步态识别方法.主要利用残差神经网络提取步态模式中包含时空信息的动态特征,利用栈式卷积自动编码器提取包含生理信息的静态特征,并采用一种新颖的特征融合方法实现动态特征和静态特征的融合表征.提取的特征对角度、衣着和携带条件具有鲁棒性.在CASIA-B步态数据集和采集的煤矿工人步态数据集(CM-GAIT)上对该方法进行实验评估.结果表明,采用该方法进行煤矿井下人员步态识别是有效可行的...

Celý popis

Podrobná bibliografie

Vydáno v:	矿业科学学报 Ročník 6; číslo 2; s. 218 - 227
Hlavní autoři:	刘晓阳, 刘金强, 郑昊琳
Médium:	Journal Article
Jazyk:	čínština
Vydáno:	中国矿业大学(北京)机电与信息工程学院,北京 100083 01.04.2021
Témata:	残差神经网络 栈式卷积自动编码器 步态识别 双流神经网络 煤矿井下人员
ISSN:	2096-2193
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!