基于双层卷积神经网络的步态识别算法-论文.pdf

《基于双层卷积神经网络的步态识别算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年1月安徽大学学报(自然科学版)january2015第39卷第1期JournalofArlhuiUniversity(NaturalScienceVol_39No．】doi：10．3969／j．issn．1000—2162．2015．01．006基于双层卷积神经网络的步态识别算法王欣，唐俊，王年(安徽大学电子信息工程学院，安徽合肥230039)摘要：提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法．首先，对足底压力数据采集系统采集的图像作相应预处理；然后，用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征；最后，将卷积特征训练分类

2、器得到分类结果．实验结果验证了该算法的有效性．关键词：卷积神经网络；足底压力图像；数据采集系统；深度学习；步态识别中图分类号：TP391文献标志码：A文章编号：1000—2162(2015)01—0032—05Gaitrecognitionbasedondouble-layerconvolutionalneuralnetworksWANGXin。TANGJun，WANGNian(CollegeofElectronics＆，InformationEngineering，AnhuiUniversity，Hefei230039，China)Abstract：Thispap

3、erproposedanalgorithmofgaitrecognitionusingdouble—layerconvolutionalneuralnetworks(DCNN)andplantarpressureimage．Firstly，thepreprocessingoftheevaluatedimagesfromtheplantarpressuretestsystemwasimplemented．Secondly，convolutionfeatureswerelearnedfromsingleanddoublelayerofconvolutionalneura

4、lnetworkmode1．Finlly，convolutionfeatureswereusedtotraintheSVMclassifiersandobtaintheclassificationresults．Theexperimentalresultsdemonstratedtheeffectivenessoftheproposedmethod．Keywords：convolutionalneuralnetworks；plantarimage；dataacquistionsystem；deeplearning；gaitrecognition基于足底压力信息的步态

5、识别方法具有不易伪装、隐蔽性好等优点，在行为感知、医学诊断、身份识别等领域有广泛的应用前景，目前也已经取得了一定的成果l1j．Hannula等选用鞋垫式传感器进行步态分析l2；Mackey等采用压力传感器同时测量剪应力和垂直压力，将其应用于测量糖尿病人的步态[=3；林尔东等提出了一种改进的基于地面反作用力的步态识别方法，在训练样本较少的情况下也能获得较高的识别正确率_4等．但以上算法也存在着不足，如特征选取时计算量大、特征参数难以调节、特征表示在以足底压力为基础的身份识别中仍然是一个亟待解决的问题_]．卷积神经网络(convolutionalneuralnetwor

6、ks，简称CNN)作为深度学习的常用模型，它具有权值共享、模型复杂度低、权值数量少等优点1．与传统识别算法相比，它避免了复杂的手动特征提取和数据收稿日期：2014-06—12基金项目：国家自然科学基金资助项目(6l172127)；高等学校博士学科点科研基金资助项目(20113401l10006)；安徽省高校优秀青年人才基金资助项(2012SQRI0172I))；安徽省自然科学基金资助项目(1208085QF104)作者简介：王欣(1990一)，女，安徽宣城人，安徽大学硕士研究生；*唐俊(通信作者)，安徽大学副教授，硕士生导师，E-mail：tangjunahu@16

7、3．COII3_．34安徽大学学报(自然科学版)第39卷卷积过程是由滤波器卷积输人数据再加一个偏置b得到卷积层C．对于多层卷积神经网络，上一层网络的特征图卷积一个特定的卷积核再通过一个激活函数就可等到输出特征，如图4所示．图4CNN中卷积和采样过程Fig．4TheconvolutionandsamplingprocessofCNN从训练样本矩阵A(rXc)随机采样nX的小尺寸矩阵B，其中，×称为感受域s-．并且用K均值聚类算法从这些小尺寸矩阵中学习得到局部特征(在采样矩阵上聚类，每个类中心就是一个局部特征)．对于每个小尺寸矩阵B计算出对应的局部特征S一(V*z+