[논문 리뷰] Towards Human Body-Part Learning for Model-Free Gait Recognition

Imad Rida|arXiv (Cornell University)|2019. 04. 02.

Gait Recognition and Analysis참고 문헌 90인용 수 10

한 줄 요약

이 논문은 옷 변화 및 시점 각도 차이와 같은 도전적인 내부 클래스 변동성 하에서 정확도를 향상시키기 위해 구분력 있고 동적인 인간 신체 부위를 자동으로 학습하는 모델 프리(gait recognition) 방법을 제안한다. Gait Energy Images (GEI)에서 유도된 수평 운동 벡터에 그룹 융합 라소(group fused Lasso)를 적용함으로써 강력한 신체 영역을 식별하며, CASIA 보행 데이터베이스에서 최신 기술 수준의 성능을 달성한다. 특히 옷 변화 및 시점 각도 변화 상황에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 보행 인식에서 옷 변화, 반경지참 조건, 시점 각도 차이 등으로 인한 내부 클래스 변동성 문제를 해결하기 위해.
• 옷 변화 등 이러한 변동성에 덜 영향을 받는 동적인 영역에 초점을 맞춰, 보행 인식을 위한 가장 구분력 있고 강건한 인간 신체 부위를 자동으로 식별하는 방법을 개발하기 위해.
• 전체 신체를 사용하는 대신 가장 정보가 많은 신체 부위만 선택하여, 모델 프리 보행 인식의 정확도를 향상시키기 위해.
• 훈련 및 테스트 샘플을 유사한 자세로 정렬하기 위해 자세 추정 기술을 통합하여 시점 각도 변화에 대한 강건성을 향상시키기 위해.
• 특히 큰 내부 클래스 변동성 하에서 CASIA 보행 벤치마크 데이터베이스에서 기존 최신 기술 수준의 방법들을 능가하기 위해.

제안 방법

• 보행 에너지 이미지(Gait Energy Images, GEI)에서 수평 운동 벡터를 생성하여 동적인 보행 패턴을 캡처한다.
• 특징 선택 데이터셋에서 유도된 운동 벡터에 그룹 융합 라소 정규화를 적용하여 구분력 있는 신체 부위를 학습한다.
• 학습된 신체 부위 마스크를 사용하여 선택된 동적 영역에서만 특징을 추출하여 인식을 수행한다.
• 훈련 및 테스트 샘플을 유사한 자세로 매칭하기 위해 자세 추정 기술을 도입하여 시점 각도의 불일치를 감소시킨다.
• 이중 단계 프레임워크를 활용한다: 첫 번째 단계는 그룹 융합 라소를 통한 신체 부위 학습; 두 번째 단계는 자세 정렬을 수행한 후 선택된 영역을 사용한 인식.
• CASIA 보행 데이터베이스를 사용하여 정상 조건, 반경지참 조건, 옷 변화, 시점 각도 변화 상황에서의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 옷 변화 및 시점 각도 차이와 같은 내부 클래스 변동성에 대해 가장 구분력 있고 강건한 인간 신체 부위는 무엇인가?
• RQ2 그룹 융합 라소를 통해 동적인 신체 부위를 학습하는 모델 프리 접근 방식이 큰 내부 클래스 변동성 하에서 전체 신체 접근 방식보다 뛰어난 성능을 낼 수 있는가?
• RQ3 자세 추정 기술의 통합이 훈련 및 테스트 데이터 간의 시점 각도 불일치로 인한 성능 저하를 얼마나 효과적으로 완화하는가?
• RQ4 제안된 방법은 옷 변화 및 다양한 시점 각도를 포함한 다양한 조건에서 CASIA 보행 데이터베이스에서 최신 기술 수준의 성능을 달성하는가?
• RQ5 이러한 신체 부위 선택 기반 접근 방식을 도메인 적응 설정으로 확장하여 분포 이동 상황에서도 더 강건한 성능을 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 모든 11개의 시점 각도에서 옷 변화 상황에서 전체 신체 접근 방식과 VI-MGR와 같은 최신 기술 수준의 방법들을 상당히 뛰어넘으며, 전체 테스트 세트에서 평균 12.3% 향상된 성능을 기록했다.
• CASIA 데이터베이스에서 제안된 방법은 비교된 모든 접근 방식 중에서 가장 뛰어난 종합 성능을 달성했으며, 특히 옷 변화 및 시점 각도 변화와 같은 도전적인 조건에서 뛰어난 성능을 보였다.
• 자세 추정 모듈은 훈련 및 테스트 샘플을 유사한 자세로 정렬함으로써 시점 각도 불일치의 영향을 줄여 정확도를 향상시켰다.
• 자세 추정의 혼동 행렬은 높은 정확도를 보였으며, 0°에서 98.78%의 샘플이 정확히 분류되었고, 대부분의 각도에서 97% 이상의 정확도를 기록하여 신뢰할 수 있는 자세 예측을 확인했다.
• 정상 조건 하에서 180° 시점 각도에서도 98.51%의 인식률을 기록하여 극단적인 시점 각도에 대한 강건성을 입증했다.
• 그룹 융합 라소 기반의 신체 부위 선택은 옷 변화에 덜 영향을 받는 동적인 영역인 다리와 팔과 같은 영역을 효과적으로 식별하여 일반화 능력을 향상시켰다.