MFCF-Gait:基于多尺度特征交叉融合的小型轮敏感步态识别算法

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
• 模式识别 模式识别

背景情况:

• 步态识别通常使用64x64像素步态轮图像.
• 更小的输入图像导致信息丢失和精度降低.
• 现有的方法在可变输入分辨率方面遇到了困难.

研究的目的:

• 开发一个强大的步态识别系统,适用于不同的轮图像大小.
• 为了提高低分辨率步态数据的识别精度.
• 为了解决目前步态识别模型中固定大小输入的局限性.

主要方法:

• 拟议的多尺度特征交叉融合走路 (MFCF-Gait) 系统.
• 使用超分辨率算法进行输入数据预处理.
• 引入了一个多级特征交叉融合网络架构.

主要成果:

• 对较小图像 (32x32) 的CASIA-B数据集进行了显著的准确性改进.
• 在32x32图像上实现了94.23% (NM),87.68% (BG) 和71.57% (CL) 的精度.
• 在标准64x64图像上保持高精度 (96.49% NM,91.42% BG,78.24% CL).

结论:

• MFCF-Gait有效地处理步态轮图像分辨率的变化.
• 超分辨率和多尺度融合对于识别较小的步态模式至关重要.
• 拟议的系统为现实世界步态识别挑战提供了一个有希望的解决方案.