[論文レビュー] Towards Human Body-Part Learning for Model-Free Gait Recognition

Imad Rida|arXiv (Cornell University)|Apr 2, 2019

Gait Recognition and Analysis参考文献 90被引用数 10

ひとこと要約

本論文は、衣装の変更や視覚角度の違いといった困難なクラス内変動に対して認識精度を向上させるために、特徴を自動で学習するモデルフリーな歩行認識手法を提案する。Gait Energy Images (GEI) から導出された水平方向の動きベクトルにグループファーストLassoを適用することで、頑健な身体部位を特定し、CASIAの歩行データベースにおいて最先端の性能を達成した。特に衣装変更や視覚角度の変化に対して優れた性能を示した。

ABSTRACT

Gait based biometric aims to discriminate among people by the way or manner they walk. It represents a biometric at distance which has many advantages over other biometric modalities. State-of-the-art methods require a limited cooperation from the individuals. Consequently, contrary to other modalities, gait is a non-invasive approach. As a behavioral analysis, gait is difficult to circumvent. Moreover, gait can be performed without the subject being aware of it. Consequently, it is more difficult to try to tamper one own biometric signature. In this paper we review different features and approaches used in gait recognition. A novel method able to learn the discriminative human body-parts to improve the recognition accuracy will be introduced. Extensive experiments will be performed on CASIA gait benchmark database and results will be compared to state-of-the-art methods.

研究の動機と目的

• 歩行認識におけるクラス内変動、特に衣装の変更、荷物の有無、視覚角度の違いに起因する課題に対処すること。
• 衣装の変更や視覚角度の違いの影響をほとんど受けない動的領域に焦点を当て、認識に最も有用な身体部位を自動で特定すること。
• 全身を用いるのではなく、最も情報を含む身体部位のみを選択することで、モデルフリーな歩行認識における認識精度を向上させること。
• 訓練データとテストデータの間の視覚角度のずれを低減するため、ポーズ推定を統合して、類似したポーズを持つサンプルを一致させることで、視覚角度変動に対する耐性を高めること。
• 特に大きなクラス内変動が生じる状況下でも、CASIA歩行ベンチマークデータベースにおいて、既存の最先端手法を上回ること。

提案手法

• 歩行エネルギー画像（GEI）から水平方向の動きベクトルを構築し、動的な歩行パターンを捉える。
• 特徴選択用データセットからの動きベクトルにグループファーストLasso正則化を適用し、判別性の高い身体部位を学習する。
• 学習された身体部位マスクを用いて、選択された動的領域からのみ特徴を抽出し、認識に用いる。
• 訓練データとテストデータのポーズを類似させるために、ポーズ推定技術を導入し、視覚角度の差による性能低下を軽減する。
• 2段階フレームワークを採用：第一段階はグループファーストLassoによる身体部位の学習、第二段階はポーズ整合化を施した選択領域を用いた認識。
• CASIA歩行データベースを用いて、通常状態、荷物持参、衣装変更、視覚角度変化の各条件下で性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 歩行認識において、衣装の変更や視覚角度の違いといったクラス内変動に対して、最も判別性が高く頑健な身体部位は何か？
• RQ2 グループファーストLassoを用いて動的部位を学習するモデルフリーなアプローチは、全身を用いる手法に比べて、大きなクラス内変動下でも優れた性能を示せるか？
• RQ3 ポーズ推定の統合は、訓練データとテストデータの間の視覚角度のずれに起因する性能低下をどれほど効果的に軽減できるか？
• RQ4 提案手法は、衣装変更や複数の視覚角度を含む多様な条件下で、CASIA歩行データベースにおいて最先端の性能を達成できるか？
• RQ5 本研究で提案する身体部位選択アプローチは、分布シフトにさらされた状況でもさらに頑健性を高めるためにドメイン適応設定に拡張可能か？

主な発見

• 提案手法は、11の視覚角度すべてにおいて、全身アプローチやVI-MGRといった最先端手法を大きく上回り、全テストセットで平均12.3%の向上を達成した。特に衣装変更の条件下で顕著な改善が見られた。
• CASIAデータベースにおいて、比較対象のすべての手法と比較して、全体的な性能が最も優れており、特に衣装変更や視覚角度の変化といった困難な条件下でも顕著な優位性を示した。
• ポーズ推定モジュールにより、類似したポーズを持つ訓練データとテストデータを一致させることで、認識精度が向上し、視覚角度のずれの影響が軽減された。
• ポーズ推定の混同行列では、0°で98.78%の正確な分類率を達成し、ほとんどの角度で97%以上を記録しており、信頼性の高いポーズ予測が可能であることが示された。
• 通常状態の180°視覚角度でも98.51%の認識率を達成しており、極端な視覚角度に対しても強い頑健性を示した。
• グループファーストLassoに基づく身体部位選択は、衣装の変更の影響を受けにくい動的領域（脚や腕など）を効果的に特定し、一般化性能の向上に寄与した。