基于姿态的深度步态识别
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
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
本研究提出了 GaitGraph,利用人体姿势估计技术从 RGB 图像中直接估计骨架姿势,结合图卷积网络来进行现代基于模型的步态识别,取得了在 CASIA-B 步态数据集上最新的性能表现。
Jan, 2021
本研究提出了一种新的基于 2D 人体关节点的步态识别方法 JointsGait,该方法首先使用步态图卷积网络从 2D 关节点提取时空特征,然后通过关节点间的生物学关系将其映射到判别特征空间中。最后,采用融合损失策略来提高各关节点的特征对视角及衣物等干扰项的鲁棒性。实验结果表明,JointsGait 方法具有 2D 关节点特征维度低、少受视角变化及衣物遮挡等因素影响的特点,且在 Kinect Gait Biometry Dataset 数据库和 CASIA-B 数据库上的步态识别准确率都明显高于其他已有模型。
Apr, 2020
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
本文通过详细综述对于骨架姿态估计和步态分析成为骨架优势的方式,详细介绍了相关数据集、评估方法、挑战和应用方法,并就每个方面进行了细致的比较,在此基础上就性能分析、潜在研究空白、应用领域以及未来的潜在贡献等方面提出了建议,综合评价了深度学习技术在人体姿态估计和步态识别方面的积极作用,为相关研究社区和其他利益相关方提供了借鉴和参考。
May, 2023
通过使用低功耗模型,借助可穿戴设备在边缘进行实时步态识别,本研究成功地在 Arduino 上演示了作者的实时身份识别,从而强调了其功效,并为不久的将来在实际系统中应用提供了可行性证明。
Apr, 2024
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
本文提出了一种基于深度集的步态识别方法,该方法利用全局 - 本地融合深度网络集成一组步态帧,具有较高的鲁棒性和灵活性,在识别结果方面表现较好。
Feb, 2021
通过提出一种新的基于点的 Contour-Pose 表示方法和一种局部到全局的架构,本文在步态识别领域表现出更好的性能和更高的效率,进一步证明在具有显著干扰的数据集上超过轮廓点方法的成果。
Nov, 2023