基于高度压缩视频的步态识别

监控录像为步态分析提供了宝贵的资源和机会。然而，此类录像中典型的低质量和高噪声水平会严重影响姿态估计算法的准确性，而姿态估计算法是可靠步态分析的基础。现有文献表明，姿态估计的有效性与后续步态分析结果之间存在直接关联。一种常见的缓解策略是在含噪数据上微调姿态估计模型以提高鲁棒性。然而，这种方法可能会降低下游模型在原始高质量数据上的性能，导致实践中不希望的权衡。我们提出了一种处理流程，其中包含一个任务导向的伪影校正模型，专门设计用于在姿态估计之前预处理和增强监控录像。我们的伪影校正模型经过优化，可与最先进的姿态估计网络HRNet协同工作，无需重复微调姿态估计模型。此外，我们提出了一种简单而鲁棒的方法，用于自动获取带有姿态标注的低质量视频，以训练伪影校正模型。我们系统地评估了伪影校正模型在一系列含噪监控数据上的性能，并证明我们的方法不仅在低质量监控录像上实现了改进的姿态估计，而且保留了高分辨率录像上姿态估计的完整性。我们的实验显示步态分析性能显著提升，支持所提方法作为直接微调策略的优越替代方案的可行性。我们的贡献为在实际应用中使用监控数据进行更可靠的步态分析铺平了道路，无论数据质量如何。