QAGait：从质量视角重新审视步态识别

步态识别是一种很有前景的生物特征识别方法，旨在通过行人独特的行走模式来识别他们。轮廓模态以其易于获取、结构简单、表示稀疏和建模方便而闻名，已被广泛应用于受控的实验室研究中。然而，随着步态识别从实验室场景快速发展到非受控场景，各种条件对轮廓模态提出了重大挑战，包括：1）无法识别的低质量轮廓（异常分割、严重遮挡甚至非人体形状），以及 2）可识别但具有挑战性的轮廓（背景噪声、非标准姿态、轻微遮挡）。为了解决这些挑战，我们重新审视了步态识别流程，并从质量视角处理步态识别问题，即 QAGait。具体来说，我们提出了一系列经济高效的质量评估策略，包括用于消除背景噪声和无法识别轮廓的最大连通区域和模板匹配，以及用于处理非标准姿态的对齐策略。我们还提出了两种质量感知损失函数，将轮廓质量整合到嵌入空间内的优化中。大量实验表明，我们的 QAGait 可以保证步态的可靠性和性能提升。此外，我们的质量评估策略可以无缝集成到现有的步态数据集中，展示了我们的优越性。代码可在 https://github.com/wzb-bupt/QAGait 获取。