一只菟葵的博客

步态识别明显受到各种因素的影响，如观察角度、衣着变化等因素。本文提出了一种分组监督的DRL方法，以掌握对这些因素不变的特征。首先，通过一个编码器-解码器框架将每个序列明确地分解为姿势、步态、外观和视图特征。为了确保特征的适应性和独立性，特别利用了一个分解交换模块，根据特征属性进行了一系列的交换操作。此外，为了提高特征的实用性和有效性，还在特征分解后专门使用了分解聚合模块。最后，聚合的姿势、步态和外观特征被串联起来用于步态识别。使用相关数据集进行的实验，验证了该方法比其他DRL步态识别方法能取得更突出的效果。

本文提出了一个新的端到端步态识别框架，称为GaitEdge，可以解决跨域情况下的识别性能下降问题。具体来说，作者设计了一个步态合成模块（Gait Synthesis），用通过形态学算法得到的可调整的边缘掩盖固定的身体。此外，还提出了步态可调整模块（GaitAlign），以解决由上游行人检测任务引起的身体位置抖动问题。作者在CASIA-B和新建立的TTG-200数据集上进行实验，结果表明GaitEdge明显优于以前的方法，可以有效地阻断RGB噪声，是一种更实用的端到端方法。

本文提出了一个名为GQAN的模型，旨在提高基于剪影的步态识别的可解释性，它试图通过FQBlock和PQBlock两个模块来评估每个剪影和每个部分的识别质量。具体来说，FQBlock以挤压和激发的方式工作，重新校准每个剪影的特征，并将所有通道的分数作为帧质量指标加入。PQBlock为每个部分预测一个分数，以计算probe和gallery之间的加权距离。提出了一个PQLoss使GQAN只使用序列级的身份索引值来进行训练。最终，GQAN在CASIA-B和OU-MVLP的所有行走条件下取得了非常有竞争力的识别性能。

本文首先用拉格朗日方程对人类的行走过程进行建模，并说明了二阶运动信息对于区分相似步态外观是十分必要的。基于这一结论，作者解释了为什么使用3D CNN能够取得更好地性能，并提出了一个新的二阶运动提取模块。此外，作者提出了一个轻量级的视角嵌入模块，以减少因视角变化引起的类内误差。最后作者期望拉格朗日步态识别框架能够为其他领域的运动分析提供新思路。

作者提出了一种基于卷积神经网络技术的模型，提取时空特征进行分类。在不同数据集的实验中，这种表示方法的准确率很高，指出了CNN在步态识别方面的巨大潜力。此外，由于少量的变异和小规模的数据库，过度拟合是一个潜在的问题。除了更好的硬件和更大的网络结构可以提高性能外，作者期待一个有更多情况更大规模的数据集的出现。使用包括成千上万个在行走行为和外观上有很大差异的主体的数据集，可以进一步提高性能，减少过度拟合。

本文提出了一种基于多时间尺度3D CNN的新型步态识别方法。通过梳理大小时间尺度的时空特性，MT3D可以更好地提取步态序列剪影的信息。在基准数据集上的实验表明，所提出的方法已经取得了最先进的性能，且MT3D框架对复杂条件更加稳健。在未来，我们将探索如何在样本少的条件下提高步态识别的性能。

室外的步态识别面临着巨大的挑战，如极端视角变化、人体遮挡和环境复杂性。因为人体的三维视角和形状等关键信息丢失了，使用二维剪影或骨架的方法会失效。因此，本文提出了一个基于SMPL模型的三维框架（SMPLGait），这是第一个利用密集三维表示方法在室外进行步态识别的模型。为了促进研究，作者建立了第一个大规模的三维步态识别数据集（Gait3D），该数据集提供了不同的步态表征，包括3D网格、3D SMPLs、3D姿势、2D剪影，以及4,000个对象的25,000个步态序列，以期能够为研究人员提供步态识别的新思路。

本文提出了一个新的步态识别框架，基于三维卷积产生具有判别力的特征表示。首先，为了提取更全面的步态信息，作者提出了一个全局和局部特征提取器（GLFE）来提取稳定的步态特征。其次，为了利用更多的信息，作者引入了局部时间聚合模块（LTA）来取代传统的空间聚合模块。此外，作者还引入了广义均值池化层（GeM）来自适应地聚合空间信息，提高特征映射的性能。在公共数据集上的实验结果验证了识别框架的有效性。

在本文中，作者提出了一个新的观点，即由于人体在行走过程中的视觉外观和运动模式不同，人体的每个部分都需要有自己的时空模型。因此，我们提出了GaitPart，它包括由FConv组成的帧级部位特征提取器和由几个并行的MCM组成。这两部分的核心目标是加强部分级特征的细粒度学习，并分别提取局部短距离的时空表达。最后，在著名的公共数据库CASIA-B和OU-MVLP上进行的实验证明了GaitPart以及其所有模块的优越性。

在本文中，作者基于多视角步态生成对抗网络（MvGGAN），在不同的步态数据集下生成不同视角的假步态样本。MvGGAN包括一个生成器和一个判别器，前者在几种行走条件下生成假步态样本，后者实现了对抗性训练并保留了人的身份信息。通过向原始步态数据集添加生成的假步态样本，并在真实样本和假样本之间进行域对齐操作，使得基于深度学习的步态分类网络的性能可以得到明显改善。跨数据集的步态图像生成相当重要，因为它可以使步态分类网络在尽可能多的行走条件下学习步态信息，并提高现实场景中（含有大量未登记的步态样本）步态识别的性能。

本文提出了一个名为 “步态横向网络”（GLN）的新网络，它可以从剪影中学习辨别性的和紧凑的特征，用于步态识别。卷积网络中固有的特征金字塔被用来学习鉴别性的步态表示。骨干网络中不同阶段提取的剪影级和集合级特征，以自上而下的方式与横向连接合并，通过聚合更多的视觉细节来增强步态特征。作者还提出了一个紧凑块来学习紧凑的步态表征，这可以大大减少步态表征的维度且不影响其准确性。在CASIA-B和OU-MVLP数据集上进行的大量实验，GLN都达到了最先进的性能。

本文提出了一种新的渐进式学习网络GaitMPL，用来解决步态识别中的困难样本问题。GaitMPL由两个模块构成，即动态重加权渐进式学习（DRPL）和全局结构对齐记忆库（GSAM）。DRPL通过从易到难的渐进式学习，来缓解学习目标在简单和困难样本之间的不一致性；GSAM引入了记忆机制来增强渐进式学习过程，使用结构对齐的策略保持特征的可靠性。在两个主流的基准数据集的实验表明GaitMPL的有效性和可推广性。其两个模块可以被集成到大多数现有的方法中，可能实现识别性能的提高，并且在测试阶段没有引入额外成本。

步态识别作为生物识别的一个重要分支，侧重于通过测量人体及构造关系进行识别检测，如：人体的躯干和四肢的尺寸测量，以及与个人运动内在形式相关的时空关系信息。步态识别方法在监控系统或模糊的检测环境下十分有效，因为此类环境下，利用生物独特元素（如：指纹、面部、虹膜识别等）很难被检测到。此外，与其他生物识别模型相比，步态识别方法还具有黑客难以攻击（识别系统安全性高）、步态信息便于收集的优势。但通过行走和移动来识别某一人类个体并不容易。

作为一种可以远距离识别生物特征，步态在预防犯罪、法医鉴定和社会安全方面有着广泛的应用。为了识别一个步态，现有的步态识别方法要么利用步态模板，使得时间信息难以保存，要么利用步态序列，使其必须保持序列顺序不变，失去了步态识别的灵活性。我们提出一个基于集合的GaitSet网络，从集合中学习身份信息，对帧的互换具有较强的鲁棒性，可以自然地整合来自不同视频的帧。实验表明，在正常行走条件下、各种复杂的情况下（如：背包、穿大衣），以及少量帧样本的条件下，均达到令人满意的准确度。