[论文解读] Learning Robust Features for Gait Recognition by Maximum Margin Criterion

Michal Balážia, Petr Sojka|arXiv (Cornell University)|Sep 14, 2016

Gait Recognition and Analysis参考文献 9被引用 4

一句话总结

本文提出了一种机器学习方法，通过改进的线性判别分析最大边缘准则（MMC）直接从原始3D关节坐标中学习鲁棒且具有区分性的步态特征。该方法在CMU MoCap数据库上优于八种现有的步态识别技术，实现了最先进的性能，在类间可分性和基于排名的分类指标方面表现优异，包括91.02%的正确分类率和0.2996的平均平均精度。

ABSTRACT

In the field of gait recognition from motion capture data, designing human-interpretable gait features is a common practice of many fellow researchers. To refrain from ad-hoc schemes and to find maximally discriminative features we may need to explore beyond the limits of human interpretability. This paper contributes to the state-of-the-art with a machine learning approach for extracting robust gait features directly from raw joint coordinates. The features are learned by a modification of Linear Discriminant Analysis with Maximum Margin Criterion so that the identities are maximally separated and, in combination with an appropriate classifier, used for gait recognition. Experiments on the CMU MoCap database show that this method outperforms eight other relevant methods in terms of the distribution of biometric templates in respective feature spaces expressed in four class separability coefficients. Additional experiments indicate that this method is a leading concept for rank-based classifier systems.

研究动机与目标

• 开发一种数据驱动的方法，直接从原始3D关节坐标中学习步态特征，避免使用人工设计的可解释性特征。
• 通过在特征空间中最大化身份类别之间的边缘，提升步态识别性能。
• 通过利用机器学习实现最优的区分性特征提取，克服临时几何特征工程的局限性。
• 在标准基准（CMU MoCap）上评估所提出方法，并与八种成熟的步态识别技术进行比较。

提出的方法

• 该方法采用改进的线性判别分析最大边缘准则（MMC），学习一个线性变换，以最大化类间分离并最小化类内差异。
• 输入数据由一个步态周期的原始3D关节坐标组成，归一化为固定长度T，形成大小为3JT的高维向量。
• 优化MMC目标函数，以在最小化类内散布的同时最大化不同身份类别之间的边缘。
• 所得的低维特征空间可实现高效的模板表示，并通过马氏距离实现快速相似性计算。
• 特征模板存储在数据库中，并通过基于排名的分类器进行相似性匹配实现识别。
• 该方法避免依赖手工设计的几何特征，而是直接从数据分布中学习特征。

实验结果

研究问题

• RQ1 基于最大边缘准则的机器学习方法是否能比传统的人工设计几何特征学习到更具区分性的步态特征？
• RQ2 与八种成熟的步态识别技术相比，基于MMC的特征学习方法在类间可分性和识别准确率方面表现如何？
• RQ3 所提出方法在基于排名的分类指标（如CMC、EER、AUC和MAP）上的性能提升程度如何？
• RQ4 所学习的特征能否泛化到未见的身份，特别是在无标签数据的监控场景中？

主要发现

• 基于MMC的方法在CMU MoCap数据库上实现了91.02%的最高正确分类率（CCR），优于所有八种对比方法。
• 其平均平均精度（MAP）达到0.2996，为最佳水平，表明在基于排名的分类系统中表现更优。
• 该方法获得了0.2227的最高轮廓系数（SC），表明类间分离性强且类内紧凑。
• 其达维斯-鲍丁指数（DBI）最低，为96.2，证实聚类质量更优且类间可分性更强。
• 该方法实现了1.278的FDR（费希尔判别比），为所有方法中最高，表明具有强大的区分能力。
• 该方法由于低维特征模板和高效的马氏距离计算，展现出高度可扩展性。