学习步态识别的几何不变性
计算机视觉与模式识别
2026-01-12 v1
摘要
步态识别的目标是在各种步态条件下（例如，跨视角和跨衣着）提取个体身份不变的特征。大多数步态模型努力以数据驱动的方式隐式地学习不同步态条件下的共同特征，以拉近不同步态条件的距离进行识别。然而，相对较少的研究明确探索了不同步态条件之间的内在关系。为此，我们尝试在不同步态条件之间建立联系，并提出了实现步态识别的新视角：不同步态条件的变化可以近似视为几何变换的组合。在这种情况下，我们只需要确定几何变换的类型并实现几何不变性，那么身份不变性自然随之而来。作为初步尝试，我们探索了三种常见的几何变换（即反射、旋转和缩放），并设计了一个反射-旋转-缩放不变性学习框架，命名为RRS-Gait。具体来说，它首先根据特定的几何变换灵活调整卷积核，以实现近似的特征等变性。然后将这三个等变感知特征分别送入全局池化操作，以进行最终的不变性感知学习。在四个流行的步态数据集（Gait3D、GREW、CCPG、SUSTech1K）上的大量实验表明，该方法在各种步态条件下均表现出优越的性能。
引用
@article{arxiv.2601.05604,
title = {Learning Geometric Invariance for Gait Recognition},
author = {Zengbin Wang and Junjie Li and Saihui Hou and Xu Liu and Chunshui Cao and Yongzhen Huang and Muyi Sun and Siye Wang and Man Zhang},
journal= {arXiv preprint arXiv:2601.05604},
year = {2026}
}