本文通过运用机器学习中的线性判别分析方法,直接从原始关节坐标中提取稳健的脚步特征,从而在步态识别方面取得了较好的成果。
Sep, 2016
该研究提出一种基于 AutoEncoder 框架、利用 RGB 成像中的姿态和外貌特征,以及对前方视角步行进行重点研究的 FVG 数据集来辅助鲁棒的步态识别方法,通过在 CASIA-B,USF 和 FVG 数据集上的大量实验证明了该方法具有优秀的识别性能、特征解缠能力和有前途的计算效率。
Apr, 2019
采用 AutoEncoder framework - GaitNet 来解决服装、携带物品和观察角度等干扰因素的问题。同时我们还建立了 Frontal-View Gait dataset,通过 CasIA-B,USF 和 FVG 数据集的实验,我们的方法表现优异,并且在某些场景下与其他识别技术相比具有优势,如长距离 / 低分辨率,交叉观测角度。
Sep, 2019
本研究介绍了一种基于模拟的方法和主体特定数据集,用于生成合成视频帧和序列以进行数据增强,由此生成了多模态数据集,其结果表明身份信息在合成生成的示例中得以保留,此数据集和方法可对完全不变式身份识别的研究提供支持。
Oct, 2016
本文提出了一种基于姿态的卷积神经网络模型,用于人体步态识别,利用肢节周围区域的动作信息和光流法提取特征,实验证明该方法的效果超过现有技术水平。
Oct, 2017
该研究旨在利用卷积神经网络从低级运动特征(如光流分量)学习高级描述符,并以此实现视频中人的识别。实验证明,将光流的时空块作为卷积神经网络的输入数据,可以以比以往更低的图像分辨率(即 80x60 像素)获得最先进的步态识别效果。
Mar, 2016
该研究综述了步态识别技术的发展和应用,并分析了环境因素和复杂性,比较了它与其他生物识别系统的差异,同时探讨了深度学习技术在人类步态识别中的应用和可能的研究机会。
Sep, 2023
本研究提出一种基于卷积神经网络和循环神经网络的双向注意力模型,应用于步态识别领域。实验表明,该模型在数据采集和外观变化等因素影响下的识别性能优于其他方法,并对不同类型遮挡的数据具有更强的鲁棒性。
Oct, 2020
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
使用步态分析进行人员身份识别,同时利用运动模式进行行人属性识别,提出了 DenseGait 数据集和基于 Transformer 的 GaitFormer 模型,通过预训练和多任务训练,在 CASIA-B 和 FVG 数据集上分别取得了 92.5%和 85.33%的准确率,相比于类似方法提高了 14.2%和 9.67%的准确率,同时能够准确识别性别信息和多种外貌属性。
Oct, 2023