基于骨架的步态识别的深入理解
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
本文提出一种将 silhouettes(侧面轮廓)和 joint skeletons(关节骨架)相结合,利用 silhouette 序列的时间信息优化骨架识别来提高步态识别性能的方法,并在四个公共数据集上展示了最先进的性能。
Apr, 2023
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
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
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
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
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
本文提出了一种名为骨骼图的新型骨骼步态表示方法,以及基于骨骼的 SkeletonGait 方法,利用人体骨骼图的结构信息。通过使用来自骨骼和轮廓的互补特征,SkeletonGait++ 在各种场景中超过了现有的最先进方法。
Nov, 2023