探索无标签结构线索的多模态步态识别

步态识别作为一种非侵入式生物识别技术，已在安防应用中得到广泛应用，但现有研究主要依赖轮廓和解析为主的表征。轮廓稀疏且遗漏内部结构细节，限制了辨识能力。解析丰富了轮廓的部件级结构，但高度依赖上游人体解析器（如标签粒度和边界精度），导致跨数据集性能不稳定，有时甚至不如轮廓。我们从结构视角重审步态表征，描述由边缘密度和监督形式定义的设计空间：轮廓使用稀疏边界边缘配合弱单标签监督，而解析使用更密集的线索配合强语义先验。在此空间中，我们识别了一个较少探索的范式：无需显式语义标签的密集部件级结构，并引入SKETCH作为一种新的视觉模态用于步态识别。SKETCH通过基于边缘的检测器直接从RGB图像中提取高频结构线索（如肢体关节和自遮挡轮廓），实现无标签化。我们进一步表明，标签引导的解析与无标签草图在语义上是解耦的、在结构上是互补的。基于此，我们提出SKETCHGAIT，一个层次化解耦的多模态框架，包含两个独立的流以进行模态特定学习，以及轻量级的早期融合分支以捕获结构互补性。在SUSTech1K和CCPG上的大量实验验证了所提出的模态和框架：SketchGait在SUSTech1K上实现了92.9%的Rank-1，在CCPG上实现了93.1%的平均Rank-1。