使用智能手机的惯性传感器,以无约束状态采集步态数据,通过深度学习技术学习建模,提出了一种有效的步态识别方法,使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。
Nov, 2018
本论文提出了一种基于数据驱动的二阶段流程,首先估计设备的朝向,然后估计设备的位置。该流程使用普通智能手机,并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明,我们提出的方法在定位和朝向误差方面优于现有方法。
Feb, 2021
介绍了一种称为 Motion ID 的用户认证新方法,该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习,该方法展示了高精度的用户认证,可与现有方法结合使用,也有望作为一种独立的解决方案。
Jan, 2023
此研究挑战了视觉基于步态识别,特别是基于骨架的步态识别主要依赖于运动模式的普遍假设,揭示了行走序列中隐含的人体测量信息在其中的重要作用。通过比较分析,我们显示去除身高信息会导致三个模型和两个基准测试(CASIA-B 和 GREW)的显著性能下降。此外,我们提出了一个只处理各个姿态而忽略任何时间信息的空间转换模型,它达到了异常好的准确性,强调对外观信息的偏好并指出现有基准测试中的虚假相关性。这些发现强调了对视觉基于步态识别中运动和外观相互作用的细致理解的必要性,促使对该领域方法论假设的重新评估。我们的实验表明,“野外” 数据集更不容易产生虚假相关性,因此需要更多样化和大规模的数据集来推动该领域的发展。
Feb, 2024
该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法,通过建立一个随机森林分类模型,从步行数据样本中提取时间和频率信息特征。实验结果表明,该模型具有 0.9679 的准确率和 0.9822 的曲线下面积(AUC),可为智能手机提供一种低成本、高效的用户身份认证方法。
Nov, 2017
本研究提出使用手机的 GPS、罗盘和重力传感器等附加传感器来解决室外场景下相机定位的挑战性问题,通过开发出直接的二维 - 三维匹配网络和采集公开数据集等手段,证明了该方法的有效性。
Apr, 2023
我们提出了一种新颖的对抗模型,用于使用智能手机内置的惯性测量单元(IMU)记录的步态模式进行身份验证系统。该模型探索了构建 IMUGait 模式字典并使用其发起攻击或找到能够主动重现与目标的 IMUGait 模式匹配的模仿者是否可能。
Sep, 2023
该论文提出了一种基于 Graph Convolutional Networks(GCNs)的方法,结合高级别输入和残差网络,用于骨架轮廓图进行步态识别,实验结果显示了 3 倍于最先进技术水平和强大的视频建模能力。
Apr, 2022
通过深度学习和层次相关性传播 (LRP),识别重要变量以确定与年龄和性别相关的用户特征的方法,可以用于解释惯性信号识别用户年龄和性别的非线性机器学习模型。
通过使用从目标活动的视频记录中得出的实时 2D 姿势估计派生的得出骨架数据,本文引入了一种解决这个问题的新方法,为识别最佳传感器位置提供了一种独特的策略。我们通过进行可行性研究验证了我们的方法,将惯性传感器应用于监测十个被试者的 13 种不同活动。我们的发现表明,基于视觉的传感器放置方法与传统的深度学习方法提供了可比较的结果,从而证明了它的有效性。该研究通过提供一种轻量级的、设备上的解决方案来确定最佳传感器位置,从而改进了数据匿名化,支持多模态分类方法,显著推进了人体活动识别领域。
Jul, 2023