GaitSG:在图形结构中使用SMPL进行步态识别

科学领域:

• 计算机视觉 计算机视觉
• 生物识别信息 生物识别信息
• 机器学习 机器学习

背景情况:

• 步态识别通过其独特的行走模式来识别个体.
• 皮肤多人线性 (SMPL) 模型提供丰富的姿势和形状数据,性能优于轮和骨.
• 之前的方法未充分利用SMPL参数用于步态识别.

研究的目的:

• 提出一种新的步行识别方法,GaitSG,利用图形结构的SMPL参数.
• 探索SMPL表示用于增强步态分析的潜力.
• 提高通过步态识别个人的准确性和效率.

主要方法:

• 将SMPL模型表示为图形节点,并应用图形卷积技术.
• 开发一个新的部分图集积块 (PGPB) 来编码视角信息并解决图的限制.
• 在模型设计中利用人体先前的知识.

主要成果:

• 在公共数据集 (Gait3D,CASIA-B) 上,GaitSG表现出卓越的性能和更快的融合.
• 与Gait3D.的基线SMPLGait (仅3D) 相比,大约达到Rank-1准确度的两倍.
• 需要比Gait3D的基线少三倍的训练代.

结论:

• GaitSG有效地模拟人类拓,并使用图形卷积生成有区别的步态特征.
• PGPB成功地编码了视角信息,并减轻了图形结构的局限性.
• GaitSG代表了基于模型的步态识别的重大进步,提供了更高的准确性和效率.