计算机视觉：步态识别-综述（一）

22-3-1补充

更详细的综述

简介

非穿戴式步态识别系统主要使用视觉，因此通常称为基于视觉的步态识别。这些系统使用成像传感器捕捉步态数据，而不需要受试者的合作，甚至可以从很远的距离采集。

影响因素

基于视觉的步态识别系统（以下仅称为步态识别）的性能可能会受到：
i）个人外观变化的影响，例如携带手提包/背包或穿着诸如帽子或外套等衣物；
ii）摄像机视角的变化；
iii）遮挡因素，例如，在某些视角（也称为自遮挡）中，受试者身体的一部分被物体部分覆盖，或者被受试者自身身体的一部分覆盖；
iv）环境的变化，例如复杂背景和高或低水平照明，这通常使分割和识别过程更加困难。

数据集

CASIA-B: CASIA-B数据集是使用最广泛的步态数据集，包含124人的RGB和轮廓形式的多视角步态数据。从11个不同的视角进行采集，范围从0到180，增量为18。
该数据集考虑了三种不同的行走条件，即正常行走（NM）、穿外套行走（CL）和携包行走（BG），每个人每个视角分别有6、2和2个步态序列。
CASIA-B最常用的测试协议是受试者无关协议，该协议使用前74名受试者的数据进行训练，其余50名受试者进行测试。 然后将测试数据拆分为一个注册集，其中包括NM步态数据中的前四个步态序列，验证集由其余序列组成，即每个受试者每个视角的剩余2个NM、2个CL和2个BG序列。 结果主要针对所有视角报告，不包括角度与参考相同的probe序列。

身体表示

该维度与身体表示识别的方式有关，可以基于轮廓或骨骼。

轮廓

轮廓是文献中最常用的身体表示法，通过从背景中减去包含受试者的每个图像，然后进行二值化，可以很容易地计算出轮廓。

优点：

1. 步态轮廓被证明可以有效且方便地以较低的计算成本在单个帧中描述身体状态。这种身体表征迫使识别解决方案专注于“步态”，而不是服装和其他非步态因素，而从分类器的角度来看，这些因素可以用于识别。
2. 一系列轮廓可以表示有用的步态特征，如速度、步频、腿部角度、步态周期时间、步长、步幅以及摆动和站立阶段之间的比率。
3. 对其进行处理以提取运动数据，例如使用光流图计算。
   缺点：步态轮廓对个体外观的变化更为敏感，例如不同的服装和携带条件。

骨架

可以使用深度感应相机捕获骨架身体表示，或者使用姿势估计方法进行估计。静态和动态特征，例如步幅、速度、距离和关节之间的角度，可以从以骨架形式连接的身体关节中获得。
优点：

1. 由于考虑了关节位置，基于这种身体表征的步态识别方法通常对视角变化更稳健，这与基于轮廓的方法相反。
2. 基于骨架的方法对外观变化也更加稳健，因为姿势估计步骤通常会学习检测不同服装条件下的身体关节，而步态轮廓则不然。
   缺点：
   由于这些方法严重依赖于身体关节的准确检测，它们通常对遮挡更敏感 。 此外，姿态估计器的使用给这些识别系统带来了计算开销。

时间表示

这个维度处理用于表示步态序列中的时间信息的方法。文献中通常使用两种表示形式，模板和体积。

模板

模板将时间上的行走信息汇总到一张图中的一连串轮廓上，例如通过对至少一个步态周期的剪影进行平均。一旦模板图被创建，这种操作使识别方案不受帧数的影响。

关于深度步态识别体系结构;
1.步态轮廓可以聚合在网络的