JointsGait：一种基于步态图卷积网络与关节关系金字塔映射的模型驱动步态识别方法
计算机视觉与模式识别
2020-12-10 v2 图像与视频处理
摘要
步态作为独特的生物特征之一，具有远距离识别的优势，可广泛应用于公共安全。考虑到3D姿态估计在实践中比2D姿态估计更具挑战性，本文研究利用2D关节进行步态识别，并提出一种新的基于模型的步态识别方法JointsGait，从2D人体关节中提取步态信息。基于外观的步态识别算法此前较为流行。然而，外观特征受外部因素干扰，会导致剧烈的外观变化，例如衣着。与以往方法不同，JointsGait首先利用步态图卷积网络从2D关节中提取时空特征，其受外部因素干扰较小。其次，提出关节关系金字塔映射（JRPM），根据人体关节在行走时不同尺度下的关系，将时空步态特征映射至具有生物学优势的判别性特征空间。最后，我们设计了一种融合损失策略，以帮助关节特征对跨视角不敏感。我们的方法在两个大型数据集Kinect Gait Biometry Dataset和CASIA-B上进行了评估。在Kinect Gait Biometry Dataset数据库上，JointsGait仅使用对应的2D关节坐标，但与使用3D关节的基于模型算法相比取得了令人满意的识别精度。在CASIA-B数据库上，所提方法在所有行走条件下大幅优于先进的基于模型的方法，甚至在衣着严重影响人外观时优于最先进的基于外观的方法。实验结果表明，尽管特征维度低（2D人体关节），JointsGait仍取得了最先进的性能，且受视角变化和衣着变化影响较小。
引用
@article{arxiv.2005.08625,
title = {JointsGait:A model-based Gait Recognition Method based on Gait Graph Convolutional Networks and Joints Relationship Pyramid Mapping},
author = {Na Li and Xinbo Zhao and Chong Ma},
journal= {arXiv preprint arXiv:2005.08625},
year = {2020}
}
备注
The paper format was changed and experiments on other databases were added. The format and page layout were changed greatly