基于稠密三维表示与基准数据的野外步态识别
计算机视觉与模式识别
2022-04-07 v1
摘要
现有步态识别研究以受限场景下的二维表示（如人体轮廓或骨架）为主。然而，人类在不受约束的三维空间中生活与行走，因此将三维人体投影至二维平面会丢弃大量用于步态识别的关键信息，如视角、形状与动态。为此，本文旨在探索用于野外步态识别的稠密三维表示，这是一个实用却被忽视的问题。具体地，我们提出一种新颖框架来探索人体三维蒙皮多人线性（SMPL）模型用于步态识别，命名为SMPLGait。我们的框架包含两条精心设计的分支，其一从轮廓中提取外观特征，另一从三维SMPL模型学习三维视角与形状知识。此外，由于缺乏合适数据集，我们构建了首个大规模基于三维表示的步态识别数据集，命名为Gait3D。它包含4000个主体及从非受限室内场景39个相机提取的超过25000条序列。更重要的是，其提供从视频帧恢复的三维SMPL模型，可提供身体形状、视角与动态的稠密三维信息。基于Gait3D，我们全面地将方法与现有步态识别方法比较，反映出我们框架的优越性能及三维表示在野外步态识别中的潜力。代码与数据集见 https://gait3d.github.io。
引用
@article{arxiv.2204.02569,
title = {Gait Recognition in the Wild with Dense 3D Representations and A Benchmark},
author = {Jinkai Zheng and Xinchen Liu and Wu Liu and Lingxiao He and Chenggang Yan and Tao Mei},
journal= {arXiv preprint arXiv:2204.02569},
year = {2022}
}
备注
16 pages, 11 figures, CVPR 2022 accepted, project page: https://gait3d.github.io/