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。