17、步态能量图像与无线Mesh网络研究解析

步态能量图像与无线Mesh网络研究解析

步态能量图像在人体识别中的应用

在人体识别领域，步态能量图像（GEI）的应用研究有着重要意义。研究人员通过实验，探究了使用部分GEI图像对人体识别的影响。

实验设置

实验首先获取了受试者完整身体的GEI，接着获取了下半身和上半身的GEI。为了得到识别准确率，采用了三种分类算法，并且按照7:3的比例将数据集划分为训练集和测试集。具体使用的分类方法如下：
1. 随机森林 ：选取完整身体和下半身GEI特征的训练子集，使用主成分分析（PCA）将特征的方差比降至0.99。对随机森林模型进行微调后，在训练子集上进行训练，并记录对测试子集分类预测的准确率。随机森林是一种流行的监督分类模型，能产生不错的结果。
2. 支持向量机 ：同样选取完整身体和下半身GEI特征的训练子集，用PCA将特征方差比降至0.99。使用“linear”、“rbf”、“poly”和 “sigmoid” 核函数对支持向量机（SVM）模型进行微调并生成模型。然后在训练子集上进行训练，记录对测试子集分类预测的准确率。由于其高性能，SVM是步态分析中最广泛使用的算法。
3. 卷积神经网络 ：使用Keras和TensorFlow处理完整身体和下半身GEI特征的训练子集。通过改变旋转范围、宽度偏移范围、高度偏移范围、剪切范围、缩放范围和水平翻转等方式，利用图像生成器增强数据。然后使用训练子集进行训练，并记录对测试子集分类预测的准确率。CNN常用于图像分类，也能产生较高的准确率。CNN模型在批量大小为16 - 64、迭代次数为20 - 200的范围内