基于深度学习的步态识别新兴趋势:一项调查
Vaishnavi Munusamy1, Sudha Senthilkumar1
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamilnadu, India.
PeerJ. Computer science
|August 15, 2024
概括
深度学习显著提升了步态识别,这是一种用于识别的生物识别方法. 先进的神经网络有效地应对各种条件等挑战,提高安全和法医学的准确性.
科学领域:
- 生物识别信息 生物识别信息
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 步态识别是一种非侵入性的生物识别方法,其价值在于远距离捕捉和假冒抵抗力.
- 深度学习通过从数据中提取复杂的特征来彻底改变步态识别.
研究的目的:
- 提供目前基于深度学习的步态识别方法的概述.
- 分析步态识别在法医和安全领域的发展和应用.
- 讨论挑战和深度神经网络在解决这些问题的有效性.
主要方法:
- 分析最先进的深度神经网络架构:卷积神经网络 (CNN),循环神经网络 (RNN) 和注意力机制.
- 评估各种步行识别模型,包括GaitNet,GA-ICDNet,MSTFE,GaitGraph等.
- 评估模型在各种条件下的性能,包括步行变化,视角和服装.
主要成果:
- 深度学习模型在捕捉不同条件下的独特步态模式方面表现出令人印象深刻的准确性.
- 盖特网实现了99.7%的识别准确度;GA-ICDNet显示了0.67%的等错率.
- 性能不同,GaitGraph和Koopman Operator模型显示中度准确性,而GCPFP和MFINet面临着特定数据集和条件的挑战.
结论:
- 深度神经网络在克服步态识别挑战方面非常有效,大大提高了识别准确性.
- 这项研究强调了CNN,RNN和注意力机制等先进架构的潜力,以进行强大的步态分析.
- 评估了未来的研究方向,基于目前在深度学习驱动的步态识别方面的突破.
