步态识别综述@TOC
步态识别综述(持续更新)
abstract
深度学习通过其自动学习discriminative representations的能力,重塑了步态识别领域的格局。本文主要介绍步态识别领域的一些经典论文。本文会在我个人对论文逐步的学习过程中逐步的进行更新。
一些查找论文的数据库:
步态数据集及评价指标
CASIA-B:
评价协议:
前74个人做训练集,后5个人做测试集。
测试时以4NM为gallery set,2NM,2BG,2CL为pro set
gallary以每一个角度,分别与pro的所有角度(去掉gallary相同的角度)计算距离求准确度。然后对gallary的每一个角度得到的准确度加和求平均。
论文
最具代表性的论文列举:
步态能量图的一些生成方法:
FDEI:《Frame difference energy image for gait recognition with incomplete silhouettes》
Pattern Recognition Letters ,
通过相应簇的DEI图和前一帧与当前帧之间的帧差值来构建每一帧的FDEI表示。
《Gait recognition using Pose Kinematics and Pose Energy Image》
Signal Processing,
把一个步态周期分成几个关键姿态。每一个关键姿态包含几帧步态图。把每一个关键姿态所包含的步态图生成一个PEI图。
MHI:《Time-sliced averaged motion history image for gait recognition》
Journal of Visual Communication & Image,
TAMHI把步态周期分成几个规定好的时间窗,每个时间窗去生成一个MHI图像。
MHI:运动历史图像,与前一帧相比,变化大的部分给与一个固定值,变化不大的部分,取这个部分衰减后的历史值。
《gait set:Regarding Gait as a Set for Cross-View Gait Recognition》
AAAI,
gait set 把步态序列看作是一个无序的集合。集合中每一个元素单独提特征。最后对提出来的集合特征做融合。
常用的set pool方法有mean,max,median等。还有一些是用基于注意力的方法做set融合。比如(set transformer)
《View-Invariant Gait Recognition With Attentive Recurrent Learning of Partial Representations》
IEEE TRANSACTIONS ON BIOMETRICS, BEHAVIOR, AND IDENTITY SCIENCE, VOL. 3, NO. 1, JANUARY
本文前面的结构与gait set一致,创新点在于水平划分后的特征向量使用注意力机制进行特征增强。在训练时采用分块的训练方法,先对前一部分进行训练,训练好后再单独训练注意力模块。