通过研究一种基于多尺度卷积神经网络和人体姿态估计模型相结合的多任务步态识别方法,对神经网络识别结果做出一定的解释说明,同时提高其在面对协变量改变场景下的识别效果。该方法将卷积神经网络提取的步态空间特征和人体姿态估计模型得到人体关节时序特征融合,进行身份的识别。使用步态数据集CASIA-B中的正常行走序列和合成行走序列数据以及TUM-GAID步态数据集进行实验。结果表明,该方法在TUM-GAID步态数据集实验中,三种场景T1、T2和T3下的识别率分别达到95.2%、72.4%和84.5%。在CASIA-B步态数据集实验中,对于正常行走序列以及两种合成行走序列,该方法在识别精度上均有较好的表现,体现该模型有较强的鲁棒性。

步态识别在反恐、安防、智能监控和现实挖掘等领域具有广泛的应用前景, 但现有的二维步态分析方法在面对视角变化、物体携带等复杂应用场景时受到限制。对此, 探讨一种以人体点云数据为基础的三维参数化步态建模和识别方法。运用深度摄像机获取人体点云数据, 对标准的参数化人体模型进行形体和姿态变形;通过观测步态点云轮廓与标准三维参数人体轮廓之间的距离度量函数, 运用改进鲍威尔法进行极小值求解, 实现人体点云数据到三维参数化步态模型的估计;以估计的三维人体姿态和形体语义参数作为结构化步态数据, 通过具有时序结构的长短时序记忆模型来提取步态时空特征, 借助SoftMax分类器进行训练, 实现人体步态识别。实验结果表明, 基于三维的人体步态识别方法在处理视角可变的步态识别问题上有很好的效果和应用前景。

针对多视角下老龄人异常行为检测问题, 利用3D人体数据和多线性子空间分析方法, 从时间、视角和空间动作特征对其进行了研究。首先通过三维结构光传感器获取人体扫描点云数据, 并进行点云精简和人体表面重建。然后提取人体点云数据的表面曲率特征, 并将其映射到二维彩色图像中, 构成彩色动作特征图。通过提取特定时长内所有动作的彩色特征图, 生成基于曲率的彩色动作能量图模型, 并使用2D-PCA对彩色动作能量特征图进行降维。最后运用基于张量分析的多线性子空间分析方法, 对多视角下降维后的数据进行视角无关的特征提取, 并完成异常行为的分类和识别。实验结果表明, 该方法切实可行, 可将其应用于助老机器人和老龄人监护等相关领域。

提出了一种基于热光调节的可调光衰减器结构。该衰减器通过腐蚀光纤包层到一定厚度和长度后,在表面涂覆较大热光系数的聚合物材料得到。从模场变化角度分析了传输光束的衰减与涂覆材料折射率的关系,并从实验上测试了使用不同涂覆材料时的衰减。理论分析与实验结果均表明在涂覆材料折射率略大于原光纤包层材料折射率时,涂覆材料折射率微小的变化将引起传播光束衰减的大幅度变化,并且光纤被腐蚀的长度越长或包层材料剩余厚度越小,衰减越大。因此,由热光系数大、折射率略大于光纤包层的聚合物材料所组成的可调光纤衰减器,具有衰减调节范围大且功耗小、插入损耗小、成本低、低偏振特性、易于与其它光纤器件耦合或集成等特点。