一种集成卷积神经网络和深信网的步态识别与模拟方法
何正义1,2,曾宪华1,2*,郭姜1,21. 重庆邮电大学计算机科学与技术学院, 重庆 400065;2. 计算智能重庆市重点实验室, 重庆 400065
收稿日期:2017-08-29出版日期:2018-06-20发布日期:2017-08-29通讯作者:曾宪华(1973—),男,四川攀枝花人,教授,博士,主要研究方向为计算机视觉和流形学习. E-mail: zengxh@cqupt.edu.cnE-mail:hzy459176895@sina.com作者简介:何正义(1991—),男,重庆开县人,硕士研究生,主要研究方向为深度学习. E-mail:hzy459176895@sina.com基金资助:国家自然科学基金资助项目(61672120);重庆市基础科学与前沿技术研究资助项目(cstcjcyjBX0037,cstc2015jcyja40036)An ensemble method with convolutional neural network and deep belief network for gait recognition and simulation
HE Zhengyi1,2, ZENG Xianhua1,2*, GUO Jiang1,21. College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China;
2. Chongqing Key Laboratory of Computational Intelligence, Chongqing 400065, China
Received:2017-08-29Online:2018-06-20Published:2017-08-29摘要/Abstract
摘要： 针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。
PDF全文下载地址:
http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1741
