基于格兰杰因果的可解释步态识别
计算机视觉与模式识别
2022-12-09 v3
摘要
人体步态周期中哪些关节交互可作为生物特征？当前多数步态识别方法缺乏可解释性。我们提出一种基于图格兰杰因果推断的步态序列可解释特征表示。标准动作捕捉格式下的人体步态序列由一组3D关节空间轨迹构成，被视为关节随时间交互的因果系统。我们应用图格兰杰模型（GGM）获得关节间的所谓格兰杰因果图，作为个人步态的判别性且视觉可解释的表示。我们通过已确立的分类与类可分性评价指标，在GGM特征空间中评估十一种距离函数。我们的实验表明，依度量不同，GGM最合适的距离函数为全范数距离与Ky-Fan 1-范数距离。实验还显示GGM能检测最具判别性的关节交互，并在正确分类率与Davies-Bouldin指数上优于五种相关可解释模型。所提GGM模型可作为运动学中步态分析或视频监控中步态识别的辅助工具。
引用
@article{arxiv.2206.06714,
title = {Interpretable Gait Recognition by Granger Causality},
author = {Michal Balazia and Katerina Hlavackova-Schindler and Petr Sojka and Claudia Plant},
journal= {arXiv preprint arXiv:2206.06714},
year = {2022}
}
备注
Preprint. Full paper accepted at the IEEE/IAPR International Conference on Pattern Recognition (ICPR), Montreal, Canada, August 2022. 7 pages