歩行認識アルゴリズムは主に歩行者対象の時系列輪郭を用いて特徴抽出と判別を行う。実際の応用では歩行者がグループで歩行する特徴があり、輪郭抽出は他の歩行者による遮蔽や干渉を受けやすく、歩行認識アルゴリズムの精度が大幅に低下する。人が密集して遮蔽が激しいシーンにおける歩行認識アルゴリズムのロバスト性を高めるために、無秩序な系列に基づく深層歩行認識アルゴリズムを提案する。まずCasia-Bデータセットを基にシミュレーションを行い、遮蔽下における対象輪郭のシミュレーションデータセットを構築し、アルゴリズムの遮蔽ロバスト性を検証した。次に、ランダム二値膨張に基づくデータ拡張手法を提案し、理論および実験によりHPP（Horizontal Pyramid Pooling）構造の歩行認識問題における限界を論証し、劣化水平ピラミッド構造DHPPを提案した。DHPP構造、CoordConv手法、および共同学習剪定手法の組み合わせにより、深層特徴の絶対位置情報の認識能力を強化し、アルゴリズムの遮蔽ロバスト性を向上させるとともに目標特徴表現の次元を削減した。実験結果は、提案手法が歩行認識のロバスト性向上に明確な効果を示すことを明らかにしている。

歩行認識;データ拡張;密集遮蔽;DHPP;畳み込みニューラルネットワーク