基于深度残余网络与多分支特征融合的行走姿态识别
计算机视觉与模式识别
2026-05-01 v1
摘要
行走姿态识别已成为监控和安防应用中引人注目的生物识别模态，具有非侵入、抗伪装和远程识别等固有优势。然而，现有方法在充分捕捉和利用人类 locomotion 所蕴含的丰富生物特征方面存在挑战，尤其是在包括视角变化、服装更换和携带条件等协变量干扰的情况下。本文提出了一种高精度行走姿态识别框架，通过多分支架构深入提取并协同融合行走动力学与身体形状特征。具体而言，我们首先采用高分辨率网络（HRNet）进行稳健的骨骼关键点估计，在低分辨率输入下仍能保持细粒度空间信息。随后，我们从提取的姿态序列中构建三个互补特征分支——身体比例、行走速度和骨骼运动。我们利用 50 层残余网络（ResNet-50）作为深度特征提取模块的 backbone，捕获层次化的丰富且具辨识力的表示。为有效集成异构特征流，我们设计了受通道注意力机制启发的多分支特征融合（MFF）模块，通过学习的激活参数动态分配各分支的贡献权重。基于交叉视角多条件 CASIA-B 基准的广泛实验表明，我们的方法在正常步行情况下的 Rank-1 准确率达到 94.52%，在服装更换条件下实现了基于骨骼的单类方法中的最佳识别性能。
引用
@article{arxiv.2604.27353,
title = {Gait Recognition via Deep Residual Networks and Multi-Branch Feature Fusion},
author = {Yabo Luo and Xiaoyun Wang and Cunrong Li},
journal= {arXiv preprint arXiv:2604.27353},
year = {2026}
}