提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

Feb, 2024

近年来，人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统，通过使用运动捕捉系统捕捉的七个特征来区分两种步态，并经验证可靠。

Feb, 2024

通过基于视频的环境监测老年痴呆患者步态分析，使用深度神经网络从视频中提取出与深度相机相关的三维时空步态特征，可以准确预测出步态的速度和步长信息，并可用于长期环境监测中检测步态方面的有意义变化。

Aug, 2023

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

本论文旨在通过单目行人动作识别和以自我为中心的视角进行的 3D 定位，预测行人意图和行动轨迹，通过使用传统 JAAD 和 KITTI 数据集以及 H3D 驾驶数据集的定性测试，展示了所提出的行动识别框架和定位方法的有效性和优越性。

Aug, 2020

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

深度学习研究已经使许多生物识别解决方案变得可行，但它需要大量的训练数据才能实现现实世界的泛化。本文提出了一种使用深度神经网络将三维可变形体模型拟合到步态视频中，以获得每帧的分解形状和姿势表示，通过引入基于 Koopman 算子理论的线性动力系统（LDS）模块和损失函数，实现网络中的时间一致性并提供无监督的步态运动正则化方法，以及预测能力以延长步态序列。我们将 LDS 与传统的对抗训练方法进行比较，并使用 USF HumanID 和 CASIA-B 数据集表明，相比于传统方法，LDS 在使用更少的训练数据时能够获得更高的准确性。最后，我们还证明了我们的三维建模方法在正常、背负物品和更换衣物情况下对应变视角的克服能力更强。

Aug, 2023

通过使用一个旨在处理和增强监控录像的任务定向修正模型，我们提出了一种处理流程，进而改进姿势估计，从而不仅在低质量监控录像上实现了姿势估计的改进，还保持了高分辨率录像上的姿势估计的完整性。我们的实验显示出步态分析性能的明显提升，支持了所提方法作为直接微调策略的更可靠替代方法。我们的贡献为实际应用中使用监控数据进行更可靠的步态分析铺平了道路。

Apr, 2024

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

本文提出了一种使用 RGB-D 摄像头的无接触方法，使用基于深度学习的算法来处理下肢 RGB-D 视频序列，以早期识别 / 检测人类动作，从而成功解码了人类运动和需求，使得智能步行器在康复中发挥更大作用。

Jan, 2023