25、基于步态能量图像的性别分类方法研究

基于步态能量图像的性别分类方法研究

1. 步态能量图像生成

实验的初始步骤是生成步态能量图像（Gait Energy Image，GEI）。无模型的步态分析方法易受服装和携带物品等条件变化的影响，而GEI是解决这一问题的有效方案。它由Han和Bhanu提出，是利用轮廓图像对原始图像的一种表示方式，使用包含时间信息的单张图像来表示运动信息，公式如下：
[G(i, j) = \frac{1}{N} \sum_{t=1}^{N} I(i, j, t)]
其中，$N$ 表示步态周期的帧数，$t$ 是特定时间实例的帧编号，$I(i,j)$ 表示原始的二维轮廓图像。

GEI具有三个主要特点：计算时间和存储空间友好，对噪声不敏感。在性别分类任务中，使用了CASIA - B数据库。具体操作步骤如下：
1. 将所有图像转换为相同的尺寸。
2. 对图像进行归一化处理。
3. 将特定受试者的所有帧组合成单张图像。

2. 方法一：深度神经网络

在通过步态能量进行人员识别和性别分类时，卷积神经网络（CNN）应用最为广泛。普遍认为，增加神经网络的层数可以增强其捕捉复杂特征的能力，但这种方法是否能有效提升模型的学习效果，以及其优缺点如何，是需要探讨的问题。

2.1 退化问题

ResNet模型的开发主要是为了解决深度神经网络（DNN）中出现的退化问题。当在网络上堆叠更多层时，其准确率会先饱和，然后开始下降。例如，在实验中，56层DNN的训练和测试误差比20层DNN更大，随着深度和训练轮数的增加，DNN的误差也会增加。

为避免退化问题，ResNet引入了残差块的概念。基本思想是