步态识别技术随着生物特征识别技术的发展受到越来越多的关注,步态周期检测技术是步态识别系统中重要的一个环节,而现有的大多数的步态识别系统需要在具有一个良好的步态周期的基础上才能够实现的。本文在实现传统的周期检测方法的基础上,针对所列出的传统的周期检测方法,分析了传统的周期检测方法的优点和缺点,同时设计了一个用于定量表现周期检测精准度的评价指标。本文针对传统的步态周期检测存在的问题和步态数据库的特点,采用利用深度卷积神经网络进行步态周期检测。本文内容从两个方向进行展开,一是利用卷积神经网络经常使用的分类来进行周期检测;二是将卷积神经网络框架进行微调来进行回归的方法,以此来进行周期检测。分类的思想是将原有的数据库的图像按照固定的类别进行归类,做标签,之后将标记好的数据库输入网络中进行训练,按照分类类别数的不同,分别进行实验,得出每个网络模型及其分类数目下的识别率,通过将一个未经标记的轮廓序列输入训练好的网络模型中,得到该轮廓序列每一帧图像的分类,根据分类结果得到该序列下的步态周期。回归的思想是在分类问题的基础上进一步优化得到的。在进行分类实验的过程中,发现分类中存在的相邻帧数之间存在的错分问题。针对这一问题,考虑采用回归方法进行周期检测。回归方法通过改变原有的网络框架的输出层数以及输出激活函数等,使其输出为对应于该帧图像的一个浮点数,经过与标记样本的值进行对比不断调整网络参数来达到训练网络的目的。本文在实现并分析传统的周期检测方法的基础上,相继采用了基于卷积神经网络分类和基于卷积神经网络回归的方法。分别在训练好的模型的基础上,将一未标记的步态轮廓序列输入各自的网络模型中,得到该序列的一个周期的帧数。通过与传统方法的对比,发现可以利用深度卷积神经网络进行步态周期检测,基于分类以及基于回归的方法都能够在多视角下取得良好的效果。实验表明,在正面和背面视角下,深度卷积神经网络的方法能够很好的解决特征提取的选择问题并且利用该特征提取序列的周期能很好的接近标准的周期,而在侧面视角下,传统方法具有很强的优势,深度卷积神经网络回归的方法能够保证提取的周期不会有很大的偏差。总体来说,深度卷积神经网络能够保证在侧面视角下得到的周期帧数与标准帧数之间误差较小,同时对于正面以及背面视角提取的帧数相比较传统方法能够有较大的提升。