从多个姿势估计算法中提取多生物特征,用于交叉视图步态识别

科学领域:

• 生物识别信息 生物识别信息
• 计算机视觉 计算机视觉
• 模式识别 模式识别

背景情况:

• 步态识别通过走路模式识别个人,这对于远距离识别至关重要.
• 传统的以外表为基础的方法与现实世界的变化 (服装,物体,照明) 斗争.
• 使用骨架关键点的基于模型的方法提供了强度,但从历史上看,基于外观的方法表现不佳.

研究的目的:

• 为了弥合基于骨架和基于外观的步态识别之间的性能差距.
• 引入一个利用多个人类姿势估计 (HPE) 算法的多生物识别框架.
• 为了提高基于骨架的步态识别的稳健性和准确性.

主要方法:

• 使用最先进的HPE算法 (OpenPose,AlphaPose,HRNet) 来从单个视频中生成多样化的骨架数据.
• 使用剩余图形卷积网络 (ResGCN) 来从骨架数据中提取特征.
• 实施的特征级融合 (FLF) 和决策级融合 (DLF) 技术.

主要成果:

• 多生物识别框架证明了基于骨架的超级交叉视图步态识别.
• 在CASIA-B数据集上实现了最先进的性能.
• FLF以分点方式汇总特征,而DLF则使用多数票进行最终决策.

结论:

• 拟议的多生物识别框架有效地提高了基于骨架的步态识别准确性.
• 利用多个HPE算法和融合技术克服了单源方法的局限性.
• 这种方法为现实世界步态识别挑战提供了强大的解决方案.