基于模型和无模型的深度特征融合用于高性能的人类步态识别
Reem N Yousef1, Abeer T Khalil2, Ahmed S Samra2
1Delta Higher Institute for Engineering and Technology, Mansoura, Egypt.
The Journal of supercomputing
|June 26, 2023
概括
这项研究引入了一种新的深度卷积神经网络 (CNN),用于使用步态识别进行非接触式人类身份验证. 该模型实现了高精度,提供了安全有效的生物识别解决方案.
科学领域:
- 计算机科学 计算机科学
- 生物识别信息 生物识别信息
- 人工智能的人工智能
背景情况:
- 在COVID-19流行后,对非接触式生物识别系统的需求增加.
- 需要安全和准确的人类身份验证方法.
- 现有生物识别模型在现实世界的场景中的局限性.
研究的目的:
- 开发一种新的深层卷积神经网络 (CNN),用于非接触式的人类身份验证.
- 为了提高识别准确性和效率,使用步态和姿势分析.
- 为了融合无模型和基于模型的特征提取技术.
主要方法:
- 使用了一种新的深度卷积神经网络 (CNN) 模型.
- 采用了CNN与完全连接的模型的连接融合.
- 从人类轮图像 (无模型) 和联合数据 (基于模型) 中提取特征.
- 在CASIA步态数据集 (casia-A和casia-B) 上测试了该系统.
主要成果:
- 在 (B) 上达到99.8%,在 (A) 上达到99.6%的高准确率.
- 与最先进的研究相比,证明了卓越的性能.
- 在各种共同变量条件下表现出强度.
- 评估了多个性能指标,包括准确性,特异性和灵敏性.
结论:
- 拟议的CNN模型为非接触式的人类身份验证提供了一个高度准确和高效的解决方案.
- 无模型和基于模型的功能融合增强了步态识别能力.
- 该系统提供了一个强大的实时身份验证方法,适合各种条件.
