Apr, 2024

基于步态分析的实时人员识别

PDF
TL;DR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。
gait recognitiondeep neural networksmodel efficiencywearable devicesedge ai deployment
发现论文，激发创造
  • 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

  • 用于人物识别的步态特征自动学习

    该研究旨在利用卷积神经网络从低级运动特征（如光流分量）学习高级描述符，并以此实现视频中人的识别。实验证明，将光流的时空块作为卷积神经网络的输入数据，可以以比以往更低的图像分辨率（即 80x60 像素）获得最先进的步态识别效果。

    Mar, 2016

  • 基于智能手机在野外进行的深度学习步态识别

    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

  • 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

  • GaitFi: 基于 WiFi 和视觉多模态学习的强健无设备人体识别

    本研究提出了一种新型的人体步态识别方法，名为 GaitFi，该方法利用 WiFi 信号和视频进行人体识别，其中 Channel State Information 可以捕捉人体步态，经实验证明 GaitFi 表现较好，可达到 94.2% 的人体识别准确率。

    Aug, 2022

  • 基于深度学习的人体步态识别：综述

    该研究综述了步态识别技术的发展和应用，并分析了环境因素和复杂性，比较了它与其他生物识别系统的差异，同时探讨了深度学习技术在人类步态识别中的应用和可能的研究机会。

    Sep, 2023

  • GaitFormer: 学习具有噪声多任务学习的步态表示

    使用步态分析进行人员身份识别，同时利用运动模式进行行人属性识别，提出了 DenseGait 数据集和基于 Transformer 的 GaitFormer 模型，通过预训练和多任务训练，在 CASIA-B 和 FVG 数据集上分别取得了 92.5％和 85.33％的准确率，相比于类似方法提高了 14.2％和 9.67％的准确率，同时能够准确识别性别信息和多种外貌属性。

    Oct, 2023

  • GaitEdge：超越纯端到端步态识别以提高实用性

    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

  • IDNet：基于卷积神经网络的智能手机步态识别

    使用智能手机的加速度计和陀螺仪信号识别用户的步态，实现基于步态的用户身份认证，最小化认证错误率，并且技术与现有方法相比显著优越。

    Jun, 2016

  • 人体姿态估计在步态识别中的应用：数据集和模型的全面调研

    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