摘要: 步态识别作为生物特征识别的一种，近年来引发越来越多的关注。因其识别过程有着远距离识别、克服遮挡物、非受控制等特点，所以步态识别在公共安全、犯罪预防和侦察等领域有着广泛的应用前景。 目前国内外对于步态识别的研究主要有基于图像和基于... 展开 步态识别作为生物特征识别的一种，近年来引发越来越多的关注。因其识别过程有着远距离识别、克服遮挡物、非受控制等特点，所以步态识别在公共安全、犯罪预防和侦察等领域有着广泛的应用前景。 目前国内外对于步态识别的研究主要有基于图像和基于结构的方法，其中早期基于图像的方法，识别单视角准确率较高，但随着应用场景的不断复杂，单视角的模型方法已经不能达到精确识别的要求。而近些年提出的基于结构的方法，创新性地提出了对关节点序列提取和识别的方法，从根本上转换了数据集和模型构建的思路，在跨视角等复杂应用场景下的识别准确率大大提升。 本文是基于结构的步态识别方法，用于识别跨状态、跨视角步态等情况下的步态识别复杂任务。主要工作如下： 1)提出了基于融合部件的多流图卷积网络步态识别方法。该方法将关节点坐标、骨骼向量和运动位移的信息加以融合相互补充，同时将通道注意力机制集成到时空图卷积中提高学习能力，以及从骨架图和子图中提取细节特征来融合部件级的信息，最终在CASIA-B数据集上取得了先进的结果。 2)提出了基于分部的图卷积网络模型。该方法基于部件融合的思想，对通道拓扑图卷积网络模型进行改进，使用部分近似于算法对人体不同关节点位置进行划分，再使用分部提取关节点图结构特征的方法，以解决整体模型不能很好地表达局部信息的能力，最终在CASIA-B数据集上证明了分部模型的有效性。 3)提出一种基于二元分类的图卷积模型和使用平移、缩放、投影变换的步态关节点的数据增强方法，在CASIA-B数据集上验证了模型和数据增强实验的有效性。同时增加了USF数据集验证和跨数据集验证的实验，说明训练模型应对不同场景下性能的变化情况，提高了步态识别模型的通用性。 收起