一个新的多尺度深度卷积结构,用于精确的人类步态认证.
Reem N Yousef1, Mohamed Maher Ata2,3, Amr E Eldin Rashed4
1Delta Higher Institute for Engineering and Technology, Mansoura 35681, Egypt.
Biomimetics (Basel, Switzerland)
|June 26, 2024
概括
一个新的深度学习模型,多尺度深度卷积结构用于精确的人类步态认证 (MSDCS-PHGA),增强了人类步态识别的准确性. 该系统为安全识别提供无接触解决方案,准确度超过99.8%.
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:
- 随着COVID-19的流行,人们越来越需要非交互式的人类识别系统.
- 无接触式生物识别解决方案对于保持用户安全和设备隔离至关重要.
研究的目的:
- 引入一个新的多尺度深度卷积结构,用于精确的人类步态认证 (MSDCS-PHGA).
- 使用深度卷积神经网络 (CNN) 提高人类步态识别的准确性和效率.
主要方法:
- 该MSDCS-PHGA方法细分,预处理,并将轮图像调整到三个尺度.
- 步行特征是使用自定义的卷积层提取的,并融为一个集成的特征集.
- 一个深度的CNN架构用于步态认证.
主要成果:
- 拟议的MSDCS-PHGA模型在三个基准数据集中实现了高精度:CASIA (99.9%),OU-ISIR (99.9%) 和OU-MVLP (99.8%).
- 该模型在步态识别方面表现出优越的性能,与现有的预训练模型相比.
- 训练时间很短,大约3分钟,表明计算效率.
结论:
- 多个尺度的深度卷积方法显著提高了步态识别的准确性.
- MSDCS-PHGA为非接触式人类身份验证提供了一个高度准确和高效的解决方案.
- 开发的CNN模型有效地解决了对非交互式生物识别系统的需求.
