WildGait：从原始监控流中学习步态表征

使用步态进行人员识别具有重要优势，例如非侵入性、不引人注目、无需配合，且与其他生物特征相比更不易被遮挡。现有的步态识别方法需要协作式步态场景，即单人在摄像机前沿直线多次行走。我们旨在解决真实世界场景中的挑战，其中摄像机馈送捕捉多人，且大多数情况下仅在摄像机前经过一次。我们通过仅使用行走个体的运动信息、不含可识别的外观信息来解决隐私问题。为此，我们提出了一种新颖的弱监督学习框架WildGait，其包含在大量自动标注的骨架序列上训练时空图卷积网络（Spatio-Temporal Graph Convolutional Network），这些序列来自原始真实世界监控流，以学习有用的步态签名。我们收集了训练数据并编制了称为Uncooperative Wild Gait的最大行走骨架数据集，包含超过38k个匿名行走2D骨架轨迹。我们公开发布该数据集。我们的结果表明，通过微调，我们超越了当前最优的基于姿态的步态识别方案。我们提出的方法在不受约束环境中训练步态识别方法时可靠，尤其在标注数据稀缺的设置中。