双管齐下：通过跨粒度对齐实现野外精确步态识别

现有的步态识别研究主要利用二值轮廓序列或人体解析序列来编码人行走时的形状和动态。轮廓表现出精确的分割质量和对环境变化的鲁棒性，但其低信息熵可能导致性能次优。相比之下，人体解析提供了具有更高信息熵的细粒度部位分割，但分割质量可能因复杂环境而恶化。为了发现轮廓和解析的优势并克服其局限性，本文提出了一种新颖的跨粒度对齐步态识别方法，名为 XGait，以释放不同粒度步态表征的能力。为实现这一目标，XGait 首先包含两个骨干编码器分支，分别将轮廓序列和解析序列映射到两个潜在空间。此外，为了探索两种表示特征之间的互补知识，我们在两个编码器之后设计了全局跨粒度模块 (GCM) 和部位跨粒度模块 (PCM)。具体而言，GCM 旨在通过利用轮廓的全局特征来增强解析特征的质量，而 PCM 则利用解析序列中的高信息熵来对齐轮廓和解析特征之间人体部位的动态。此外，为了有效指导部位层面两种不同粒度表示的对齐，我们为解析特征提出了一种精心设计的可学习划分机制。在两个大规模步态数据集上的综合实验不仅显示了 XGait 的优越性能，在 Gait3D 上达到 80.5% 的 Rank-1 准确率，在 CCPG 上达到 88.3%，而且还反映了所学特征即使在遮挡和衣物变化等挑战性条件下也具有鲁棒性。