[论文解读] 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 10

一句话总结

本文提出了一种无模型的步态识别方法，通过自动学习具有区分性的动态人体部位，提升在衣物变化和视角差异等挑战性类内变化下的识别准确率。通过在从步态能量图像（GEI）提取的水平运动矢量上应用组融合Lasso，该方法识别出鲁棒的人体区域，在CASIA步态数据库上实现了最先进性能，尤其在衣物变化和视角差异条件下表现优异。

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.

研究动机与目标

• 为解决步态识别中由衣物变化、携带状态和视角差异引起的类内变化挑战。
• 开发一种方法，自动识别最具区分性和鲁棒性的身体部位用于步态识别，重点关注受此类变化影响较小的动态区域。
• 通过仅选择最具信息量的身体部位而非使用整个人体，提升无模型步态识别的识别准确率。
• 通过引入姿态估计技术，对齐训练和测试样本的相似姿态，提升对视角差异的鲁棒性。
• 在CASIA步态基准数据库上超越现有最先进方法，尤其在大类内变化条件下表现优异。

提出的方法

• 从步态能量图像（GEI）构建水平运动矢量，以捕捉动态步态模式。
• 在来自特征选择数据集的运动矢量上应用组融合Lasso正则化，以学习具有区分性的身体部位。
• 使用学习到的身体部位掩码，仅从选定的动态区域提取特征用于识别。
• 引入姿态估计技术，将训练和测试样本匹配为相似姿态，减少视角差异的影响。
• 采用两阶段框架：第一阶段通过组融合Lasso学习身体部位；第二阶段使用对齐后的选定区域进行识别。
• 使用CASIA步态数据库，在正常、携带、衣物变化和视角差异条件下比较性能。

实验结果

研究问题

• RQ1 在步态识别中，哪些人体部位对类内变化（如衣物变化和视角差异）最具区分性和鲁棒性？
• RQ2 通过组融合Lasso学习动态身体部位的无模型方法，是否能在大类内变化下超越整体身体方法？
• RQ3 姿态估计的集成在减轻训练与测试数据间视角差异导致的性能下降方面有多有效？
• RQ4 所提出方法是否在CASIA步态数据库上，涵盖衣物变化和多视角条件的多种情况下，实现了最先进性能？
• RQ5 该身体部位选择方法能否扩展到域自适应设置中，以进一步提升在分布偏移下的鲁棒性？

主要发现

• 在所有11个视角下，该方法在衣物变化条件下显著优于整体身体方法和VI-MGR等最先进方法，全测试集平均提升12.3%。
• 在CASIA数据库上，该方法在所有对比方法中表现最佳，尤其在衣物变化和视角变化等挑战性条件下。
• 姿态估计模块通过将训练和测试样本对齐至相似姿态，提升了识别准确率，降低了视角差异的影响。
• 姿态估计的混淆矩阵显示高准确率，0°视角下98.78%的样本被正确分类，多数角度超过97%，表明姿态预测可靠。
• 在正常条件下，180°视角下的识别率达到98.51%，表明对极端视角具有强鲁棒性。
• 基于组融合Lasso的身体部位选择能有效识别腿部和手臂等动态区域，这些区域受衣物变化影响较小，从而提升泛化能力。