보행 인식 알고리즘은 주로 보행자 대상의 시퀀스 윤곽을 기반으로 특징을 추출하고 판별합니다. 실제 응용에서는 보행자가 함께 걷는 특성으로 인해 윤곽 추출이 다른 보행자에 의한 가림과 간섭에 쉽게 영향을 받아 보행 인식 알고리즘의 정확도가 크게 저하됩니다. 인원이 밀집하여 가림이 심한 상황에서 보행 인식 알고리즘의 강인성을 향상시키기 위해 무질서 시퀀스 기반의 딥 보행 인식 알고리즘을 제안합니다. 먼저 Casia-B 데이터셋을 기반으로 시뮬레이션을 수행하여 가림 상황에서의 대상 윤곽 시뮬레이션 데이터셋을 구축하여 알고리즘의 가림 강인성을 검증하였습니다; 다음으로 무작위 이진 팽창 기반 데이터 증강 방법을 제안하고, 이론과 실험을 통해 보행 인식 문제에서 HPP(수평 피라미드 풀링) 구조의 한계를 논증하였으며 퇴화 수준 피라미드 구조 DHPP를 제안하였습니다. DHPP 구조, CoordConv 방법, 공동 학습 가지치기 방법을 활용하여 심층 특징에서 절대 위치 정보 인지 능력을 향상시키고, 알고리즘의 가림 강인성을 높이는 동시에 대상 특징 표현 차원을 줄였습니다. 실험 결과 제안된 방법이 보행 인식의 강인성 향상에 뚜렷한 효과가 있음을 보여줍니다.

보행 인식;데이터 증강;밀집 가림;DHPP;합성곱 신경망