学习解耦表征用于步态识别
计算机视觉与模式识别
2019-09-10 v1
摘要
步态，即个体的行走模式，是重要的生物特征模态之一。现有的大多数步态识别方法采用轮廓或关节式人体模型作为步态特征。这些方法在处理诸如衣着、携带物和视角等混淆变量时，识别性能会下降。为解决此问题，我们提出了一种新颖的自编码器框架 GaitNet，以从 RGB 图像中显式地解耦出外观、规范和姿态特征。LSTM 将随时间变化的姿态特征整合为动态步态特征，而规范特征则被平均为静态步态特征。两者均被用作分类特征。此外，我们收集了一个正面视角步态（FVG）数据集，专注于正面行走的步态识别，这是一个具有挑战性的问题，因为与其他视角相比，它包含的步态线索最少。FVG 还包含了其他重要的变化因素，例如行走速度、背包和衣着。通过在 CASIA-B、USF 和 FVG 数据集上的大量实验，我们的方法在定量上展示了优于 SOTA 的性能，在定性上展示了特征解耦的能力，并具有良好的计算效率。我们进一步将 GaitNet 与最先进的人脸识别进行比较，以证明步态生物特征识别在特定场景下（例如长距离/低分辨率、跨视角）的优势。
引用
@article{arxiv.1909.03051,
title = {On Learning Disentangled Representations for Gait Recognition},
author = {Ziyuan Zhang and Luan Tran and Feng Liu and Xiaoming Liu},
journal= {arXiv preprint arXiv:1909.03051},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.04925