Apr, 2020

JointsGait: 基于步态图卷积网络和关节关系金字塔映射的基于模型的步态识别方法

PDF
TL;DR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。
gait recognition2d jointsspatio-temporal featuresjoints relationship pyramid mappingfusion loss strategy
发现论文，激发创造
  • 基于骨架的步态识别的深入理解

    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

  • GaitGraph：基于图卷积网络的基于骨架的步态识别

    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

  • 基于姿态的深度步态识别

    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

  • 学习解缠表示以进行步态识别

    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

  • 基于图卷积的步态识别中的 HOP 提取邻接技术：HEATGait

    本文介绍了 HEATGait—— 一种利用操作技术来提取 gait 特征的 gait 识别系统。该方法结合预处理和数据增强技术，利用 ResGCN 提取特征，在 CASIA-B gait 数据集上实现了最佳效果

    Apr, 2022

  • GaitPT: 骨架是步态识别所需的全部

    提出了一种名为 Gait Pyramid Transformer（GaitPT）的新型步态识别架构，利用姿态估计骨架捕捉独特的行走模式，并在人体骨架的结构指导下，以解剖一致的方式有效地提取运动的空间和时间特征，展现出比其他基于骨架的步态识别方法更优异的性能。

    Aug, 2023

  • 基于解缠表示学习的步态识别

    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

  • 使用注意力循环学习局部表征进行视角不变步态识别

    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

  • GaitPoint+: 融合点云分析和复用技术的步态识别网络

    行走是一种行为生物特征方式，可用于从远距离识别人们的方式。本文提出了一种新的行走识别网络，称为 GaitPoint+，结合了轮廓和骨架特征以提高准确性，并通过对骨骼点云的处理实现了性能的进一步提升。

    Apr, 2024

  • TriGait：通过三分支网络对骨骼和轮廓步态数据进行对齐和融合

    本文介绍了一种新的三支路人体步态识别框架（TriGait），它有效地融合了骨架和轮廓数据的特征，包括从外观提取静态和动态特征的两流网络，通过捕捉所有关节之间的依赖关系的简单而有效的 JSA-TC 模块，以及通过对两种模态的低级特征进行对齐和融合的第三支路用于交叉模态学习。实验证据表明 TriGait 在人体步态识别方面具有卓越的优越性和有效性。在 CASIA-B 数据集的所有条件下，所提方法的平均排名准确率为 96.0％，对 CL 数据集的准确率为 94.3％，明显优于所有现有技术方法。源代码将在此 URL 提供。

    Aug, 2023