Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mạng nơron tích chập cấu trúc cây cho phân loại giới tính và độ tuổi dựa trên dáng đi
Tóm tắt
Phân loại giới tính và ước lượng độ tuổi là những nhiệm vụ mà con người thực hiện rất tốt. Nếu giới tính và độ tuổi của con người có thể được nhận diện tự động từ hình ảnh, điều này sẽ rất hữu ích cho nhiều ứng dụng như giám sát thông minh, tiếp thị vi mô, v.v. Chúng tôi đề xuất một khung công tác cho việc phân loại giới tính và độ tuổi qua phân tích dáng đi. Nhận diện dựa trên dáng đi là một phương pháp khả thi vì dáng đi của đối tượng con người vẫn có thể được nhận diện từ khoảng cách xa. Các đặc trưng dáng đi không gian-thời gian được thể hiện một cách ngắn gọn dưới dạng Hình ảnh Năng lượng Dáng đi (GEI), sau đó được đưa vào mạng nơron tích chập (CNN) cấu trúc cây. Chúng tôi huấn luyện và kiểm tra mô hình đầu tiên trên tập dữ liệu dáng đi đơn nhìn. Dựa trên khung mạng CNN cấu trúc cây, chúng tôi đề xuất một mô hình lớn hơn cho phân loại giới tính và độ tuổi với tập dữ liệu dáng đi đa nhìn. Các mô hình của chúng tôi có thể đạt được độ chính xác phân loại giới tính là 97.42% và 99.11% trên dáng đi đơn nhìn và đa nhìn tương ứng. Sau đó, chúng tôi sử dụng mô hình của mình để thực hiện ước lượng nhóm tuổi và phân loại nhị phân (nhóm trẻ và nhóm lớn tuổi). Ngoài ra, các mô hình của chúng tôi có thể đạt được hiệu suất tốt nhất trong ước lượng độ tuổi cụ thể về mặt các đo lường số liệu khác nhau so với các phương pháp gần đây khác được đề xuất.
Từ khóa
#phân loại giới tính #ước lượng độ tuổi #dáng đi #mạng nơron tích chập #Hình ảnh Năng lượng Dáng điTài liệu tham khảo
CASIA Gait Database. http://www.sinobiometrics.com
Chao H, He Y, Zhang J, Feng J (2019) GaitSet: regarding gait as a set for cross-view gait recognition. Proceedings of the AAAI Conference on Artificial Intelligence 33(1):8126–8133
Dey EM, Khan M, Ali MH (2013) Computer vision-based gender detection from facial image. International Journal of Advanced Computer Science 3(8):428–433
Han J, Bhanu B (2006) Individual recognition using gait energy image. IEEE Trans Pattern Anal Mach Intell 28(2):316–322
Harb H, Chen L (2003) Gender identification using a general audio classifier. Proceedings of International Conference on Multimedia and Expo, 733-736
Hema M, Pitta S (2019) Human age classification based on gait parameters using a gait energy image projection model. Proceedings of the Third International Conference on Trends in Electronics and Informatics, 1163-1168
Hu M, Wang Y (2009) A new approach for gender classification based on gait analysis. Proceedings of International Conference on Image and Graphics, 869-874
Krizhevsky A, Sutskever I, Hinton GE (2012) ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing Systems 1, 1097–1105
Levi G, Hassncer T (2015) Age and gender classification using convolutional neural networks. Proceedings of IEEE on Computer Vision and Pattern Recognition Workshops, 34-42
Li X, Makihara Y, Xu C, Yagi Y, Ren M (2018) Gait-based human age estimation using age group-dependent manifold learning and regression. Multimed Tools Appl 77(21):28333–28354
Mansouri N, Issa MA, Jemaa YB (2018) Gait features fusion for efficient automatic age classification. IET Comput Vis 12(1):69–75
Nabila M, Mohammed AI, Yousra BJ (2017) Gait-based human age classification using a silhouette model. IET Biometrics 7(2):116–124
Russel NS, Selvaraj A (2021) Gender discrimination, age group classification and carried object recognition from gait energy image using fusion of parallel convolutional neural network. IET Image Process 15:239–251
Sakata A, Takemura N, Yagi Y (2019) Gait-based age estimation using multi-stage convolutional neural network. IPSJ Transactions on Computer Vision and Applications 11(4):1–10
Sakata A, Makihara Y, Takemura N, Muramatsu D, Yagi Y (2020) How confident are you in your estimate of a human age? Uncertainty-aware gait-based age estimation by label distribution learning. Proceedings of IEEE International Joint Conference on Biometrics, 1-10
Samangooei S, Bustard JD, Seely RD, Nixon MS, Carter JN (2011) Acquisition and analysis of a dataset comprising gait, ear, and semantic data. Multibiometrics for Human Identification, Cambridge University Press, Chapter 12
Shiraga K, Makihara Y, Muramatsu D, Echigo T, Yagi Y (2016) Geinet: view-invariant gait recognition using a convolutional neural network. Proceedings of International Conference on Biometrics, 1-8
Takemura N, Makihara Y, Muramatsu D, Echigo T, Yagi Y (2018) Multi-view large population gait dataset and its performance evaluation for cross-view gait recognition. IPSJ Transactions on Computer Vision and Applications 10(4):1–14
The OU-ISIR Gait Database Large Population Dataset with Age. http://www.am.sanken.osaka-u.ac.jp/BiometricDB/GaitLPAge.html
The OU-ISIR Gait Database Multi-View Large Population Dataset. http://www.am.sanken.osaka-u.ac.jp/BiometricDB/GaitMVLP.html
Tian Q, Chen S (2018) Joint gender classification and age estimation by nearly orthogonalizing their semantic spaces. Image Vis Comput 69:9–21
Xu C, Makihara Y, Ogi G, Li X, Yagi Y, The JL (2017) OU-ISIR gait database comprising the large population dataset with age and performance evaluation of age estimation. IPSJ Transactions on Computer Vision and Applications 9(24):1–14
Xu C, Makihara Y, Yagi Y, Lu J (2019) Gait-based age progression/regression: a baseline and performance evaluation by age group classification and cross-age gait identification. Mach Vis Appl 30:629–644
Xu C, Makihara Y, Li X, Yagi Y, Lu J (2020) Gait recognition from a single image using a phase-aware gait cycle reconstruction network. Proceedings of European Conference on Computer Vision, 386-403
Xu C, Makihara Y, Liao R, Niitsuma H, Li X, Yagi Y, Lu J (2021) Real-time gait-based age estimation and gender classification from a single image. Proceedings of the IEEE/CVF Conference on Applications of Computer Vision, 3460-3470
Yam CY, Nixon MS, Carter JN (2002) Gait recognition by walking and running: a model-based approach. Proceedings of Asian Conference on Computer Vision, 1–6
Yu S, Tan T, Huang K, Jia K, Wu X (2009) A study on gait-based gender classification. IEEE Trans Image Process 18(8):1905–1910
Zaghbani S, Boujneh N, Bouhlel MS (2018) Age estimation using deep learning. Comput Electr Eng 68:337–347
Zhang D, Wang Y (2008) Gender recognition based on fusion of face and gait information. Proceeding of International Conference on Machine Learning and Cybernetics, 62-67
Zhang D, Wang Y, Bhanu B (2010) Age classification based on gait using HMM. Proceedings of International Conference on Pattern Recognition, 3834–3837
Zhang C, Liu W, Ma H, Fu H (2016) Siamese neural network based gait recognition for human identification. Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing, 2832-2836