本文介绍了利用两种模态 (轮廓和骨骼) 进行步态识别，并通过自我校正和跨模态矫正提高了模型性能。

Apr, 2024

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

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

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

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

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

本文旨在探讨用于野外环境中行走行人的 3D 浓密表征的步态识别，并提出了一种基于 3D Skinned 多人线性（SMPL）模型的新框架 ——SMPLGait，并建立了首个大规模的基于 3D 表征的步态识别数据集 ——Gait3D，以此与现有的步态识别方法进行了全面比较。

Apr, 2022

通过质量评估策略和质量感知损失函数，提出了一种质量视角下的步态识别方法（QAGait），可解决实际场景中出现的低质量和具有挑战性的步态问题，并显著提高步态可靠性和性能表现。

Jan, 2024