GaitPoint+: 融合点云分析与循环利用的步态识别网络
计算机视觉与模式识别
2024-04-17 v1
摘要
步态是一种行为生物特征模态，可通过远距离行走方式识别个体。现有大多数步态识别方法依赖于轮廓或骨架，而它们的联合使用尚未充分探索。来自轮廓和骨架的特征可以提供互补信息，以更鲁棒地应对外观变化或姿态估计误差。为了利用轮廓和骨架特征的优势，我们提出了一种新的步态识别网络，称为GaitPoint+。我们的方法将骨架关键点建模为3D点云，并采用计算复杂度敏感的3D点处理方法提取骨架特征，然后将其与轮廓特征结合以提高准确性。由于基于轮廓或CNN的方法已经需要大量计算资源，因此关键点学习模块最好更快、更轻量。我们详细分析了在使用传统最大池化后每个人体关键点的利用情况，并表明虽然肘部和踝点最常用，但许多有用的点被最大池化丢弃了。因此，我们提出了一种方法，通过在骨架点云处理过程中使用循环最大池化模块来回收一些被丢弃的点，并进一步提高性能。我们提供了一组全面的实验结果，表明：(i) 通过基于点的3D点云处理方法获得的骨架特征提升了三种不同最先进的基于轮廓和CNN的基线的性能；(ii) 回收被丢弃的点进一步提高了准确性。还提供了消融研究，以展示我们方法不同组件的有效性和贡献。
引用
@article{arxiv.2404.10213,
title = {GaitPoint+: A Gait Recognition Network Incorporating Point Cloud Analysis and Recycling},
author = {Huantao Ren and Jiajing Chen and Senem Velipasalar},
journal= {arXiv preprint arXiv:2404.10213},
year = {2024}
}