本文提出了一种名为 GaitEdge 的新型端到端框架，利用行人分割网络合成可训练的身体边缘和固定内部的合成剪影来屏蔽步态非相关信息，实现端到端训练，经实验验证，在 CASIA-B 和作者新建的 TTG-200 数据集上，GaitEdge 显著优于之前的方法，提供了更实用的端到端范式。

Mar, 2022

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

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

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

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

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

提出了一种新的步态识别框架 GaitASMS，能够有效提取自适应结构化空间表示，并自然地聚合多尺度的时间信息，同时引入了新的数据增强方法 random mask。在复杂场景下，该方法在 CASIA-B 数据集上取得了 93.5% 的平均准确率，并分别在 BG 和 CL 上将基线的 rank-1 准确率提高了 3.4% 和 6.3%。ASRE 和 MSTA 的消融实验证明了其有效性。

Jul, 2023

基于 OpenGait 开发的 DeepGaitV2、SkeletonGait 和 SkeletonGait++ 三个基准模型通过全面的基准研究，启示了深度步态模型的建模经验和典型步态特性的表征能力，为步态识别的进一步研究和应用提供了新的方向。

May, 2024