【摘 要】
：
得益于计算机视觉的发展,传统生物识别技术已经取得了广泛的应用,其中最具代表性的就是指纹识别和人脸识别。但是这类方法通常需要待识别者一定的配合,并且识别所需的指纹、面部等生物特征需要在近距离内完成采集。与传统的生物识别方法相比,步态识别以行人行走的姿态作为识别的特征,因此可以实现远距离、无接触的身份识别。近年来,步态识别取得了显著的发展,但是仍然面临着行人着装变化和拍摄视角变化带来的挑战。针对当前步
论文部分内容阅读
得益于计算机视觉的发展,传统生物识别技术已经取得了广泛的应用,其中最具代表性的就是指纹识别和人脸识别。但是这类方法通常需要待识别者一定的配合,并且识别所需的指纹、面部等生物特征需要在近距离内完成采集。与传统的生物识别方法相比,步态识别以行人行走的姿态作为识别的特征,因此可以实现远距离、无接触的身份识别。近年来,步态识别取得了显著的发展,但是仍然面临着行人着装变化和拍摄视角变化带来的挑战。针对当前步态识别面临的行人着装变化及拍摄视角变化引起的识别精度下降等问题,本文从度量学习的视角出发,研究步态识别问题。首先,对步态识别中的特征表示方式进行了优化,包括对步态序列的帧图像对齐方式的改进和步态序列帧图像整合方式的选择,并对比了几种特征表示方式的实际表现。其次,本文基于三元组损失提出一种步态识别方法,通过固定锚点样本并同时约束正负样本和锚点样本之间的距离使得样本在特征空间中呈现合理的分布。最后,针对部分步态轮廓图像之间差异过大的问题,本文提出一种基于L1距离学习的步态识别方法,寻找一个投影矩阵将原始数据投影到一个特征空间中,使得在该特征空间中,同一类的样本间的L1距离小于一个阈值,不同类的样本间的L1距离大于另一个阈值,从而提高样本的识别精度。在广泛使用的CASIA-B及CAISA-C步态数据集上进行的一系列对比实验表明,本文提出的特征表示优化方式以及两种步态识别方法具有较好的性能。
其他文献
地方红色课程资源是存在于每个师生身边的“活教材”。巧妙运用好地方红色课程资源对于引领学生树立坚定的理想信念、完成思政课立德树人的根本目标具有重要的实践意义。笔者通过在高中思政课教学过程中切入地方红色课程资源，优化教学环节，使其与思政课深度融合，从而提升高中思政课教学的实践效果，培育高中学生核心素养，最终构建具有校本特色的高中思政课有效教学的基本模式，为提升学校教育教学质量服务。
化工生产在工业中占有重要位置,其生产过程具有高度的复杂性和危险性,一旦发生故障,便会造成巨大的财产损失和人员伤亡。及时发现并排除故障,是保障系统稳定可靠运行的关键。生产数据的特征提取对故障诊断精度的影响很大,如何提取更有效的特征成为提高诊断精度的重要因素。但化工生产数据具有高维度、非线性的特点,传统故障诊断方法难以挖掘和提取数据中隐藏的有用信息,因此,设计一种能够有效提取数据深层次特征的方法对提高
医师根据患者的CT影像绘制的器官轮廓决定了放射治疗的部位和剂量,在放射治疗计划中起着重要的作用。然而绘制水平的差异是放射治疗不确定性的主要原因之一,轮廓绘制过多会伤害其他正常器官,而绘制过少则疗效不好,绘制不良的器官轮廓可能会引发医疗事故。因此器官轮廓异常检测对于保障疗效是很有必要的,目前这部分工作主要是通过同行评审来完成,虽然能够有效降低发生医疗事故的风险,但是增加了医疗系统的负担,而且在某些医
随着社会经济的快速发展,人类对电的需求逐步扩大,但传统的风力光伏发电技术受到运输距离远、规模极大的限制,使得电力在传输过程中的成本极为昂贵,且电力系统并网点电压极为不稳定。模块化多电平换流器（Modular Multilevel Converter,MMC）具有开关损耗较小及输出电压谐波畸变风险小等显著优点,在新能源发电中使用极为宽泛。但MMC具有极多的子模块,每个子模块内部元器件都是隐藏的故障点
负荷预测对于新型电力系统发展的意义重大,随着智能电网的发展,分布式可再生能源和电力电子器件的整合分配,电力负荷数据变得愈发的复杂且波动,这给电力负荷的预测和分析提出了更高的要求。为了进一步追求模型的预测性能,本文结合智能优化算法以及深度学习对模型进行了改进,并将其应用到了短期电力负荷预测当中。论文的主要工作包括:（1）针对原始鲸鱼算法每代行为模式单一、后期易陷入局部最优等缺陷,从提升种群多样性,改
管道作为运输物料的重要方式之一,应用在工业工程,比如对于石油天然气的运输。为了能够高效作业,设计环境适应性强,可适应管径范围大,并能稳定检测和全面检测的管道机器人是我们研究的方向。本文针对具有管内壁全景检测和管径自适应性的管道机器人,结合工业环境和管道检测环境,根据自适应性和全面检测的研发功能需求,采取模块化设计理念进行管道机器人的设计,包括各部分机构和控制系统。在机械设计的基础上,对各部分机构电
近年来,人工智能的发展越来越快并已深入到诸多领域,比如自动驾驶、机器人以及医学图像等等。人工智能相关理论与技术的发展离不开基于深度学习相关视觉算法的推动。图像分割作为计算机视觉关键的预处理步骤,一直以来是人工智能领域的热门研究分支,而全景分割作为图像分割研究的一部分,能够对图像中背景和前景信息进行像素级别的处理,一方面填补了图像分割领域在语义和实例分割后研究的空白,另一方面也满足了当下机器人、自动
危险与可操作性分析（Hazard and operability analysis,HAZOP）是化工领域最常用的危险评估方法之一。然而,一方面传统HAZOP分析通过组建专家小组,以人工头脑风暴的形式进行,该方法虽然具有针对性,但其过程成本较高且依赖专家经验;另一方面,HAZOP报表中包含的大量数据会导致信息爆炸,且海量非结构化数据以纸质报表或电子文档的形式存储,使信息难以得到重用和共享,造成资源
危险和可操作性分析（Hazard and Operability Analysis,HAZOP）是一种面向工业安全的分析范式。然而,HAZOP报告蕴含的丰富的工业安全知识（Industrial safety knowledge,ISK）尚未得到充分利用。为了复用和释放ISK的价值,优化HAZOP的实施,本文借鉴了知识图谱的开发流程,并基于深度学习,开展了新颖地面向工业安全的HAZOP知识图谱（HA
复杂化工制造流程中存在噪声多、变量之间关系复杂等特点,基于化学反应机理构建关键指标预测模型的传统预测方式往往不易获取满足要求的预期成果。基于神经网络的数据驱动预测模型通过采集实际生产过程中的生产装置时序数据建立关键指标预测模型,相比于机理模型具有更好的预测能力以及灵活性。本文以聚丙烯（Polypropylene）生产装置为数据源,利用人工神经网络的特征学习能力,从时序数据中挖掘到数据变化趋势等信息