TrackletGait：野外行人识别的稳健框架
计算机视觉与模式识别
2025-11-27 v1
摘要
行人识别旨在基于身体形状和步态模式识别个体。尽管通过深度学习取得了显著进展，但在真实世界监视场景中，行人识别仍然对当前方法具有较大挑战。依赖周期性步态循环和受控环境的常规方法，难以应对野外遇到的非周期性和遮挡的轮廓序列。本文提出了 novel 框架 TrackletGait，旨在解决野外的这些挑战。我们提出了 Random Tracklet Sampling，即现有采样方法的泛化，能够在稳健性和表示之间取得平衡，以捕捉多样化的步态模式。随后，我们引入基于 Haar 小波的下采样以在空间下采样时保留信息。最后，我们提出了 Hardness Exclusion Triplet Loss，旨在通过丢弃 hard triplet samples 来排除低质量的轮廓。TrackletGait 在 Gait3D 和 GREW 数据集上分别实现了 77.8 和 80.4 的 rank-1 准确率，仅使用 10.3M 参数即可。还进行了大量实验进一步探讨影响野外行人识别的因素。
引用
@article{arxiv.2508.02143,
title = {TrackletGait: A Robust Framework for Gait Recognition in the Wild},
author = {Shaoxiong Zhang and Jinkai Zheng and Shangdong Zhu and Chenggang Yan},
journal= {arXiv preprint arXiv:2508.02143},
year = {2025}
}