随着信息化技术的不断提高,犯罪手段更趋向智能和隐蔽,基于生物识别技术的安全防范工作变得极为重要。作为身份识别的重要生物特征之一,步态信息与其他特征(如人脸、指纹和虹膜)相比,其不需待识别主体的配合便可进行远距离识别且具有一定的抗伪装性,因此基于步态信息的行人重识别技术在视频监控、调查取证等场景中有着广泛应用。然而,步态识别算法的性能易受到视角变化、着装和携带物等协变量因素的影响。针对这一问题,从步态序列视为集合和步态序列视为视频角度提出了两种步态识别方法,主要工作如下:1.目前的步态识别方法通常只对步态整体或者局部特征建模,但是整体特征对步态的细节不够重视,局部特征因忽略全局上下文信息而缺失局部区域之间的关系。针对上述问题,提出了基于2D卷积的双分支步态识别方法(Gait Recognition via Two Branch CNN,GaitTB),该方法把步态序列视为一组集合来处理,通过双分支网络分别提取步态的整体和局部空间特征。然后利用提出的特征映射模块将步态整体和局部两种特征融合到一起作为最终的步态表示。并且为了限制数据的分布和加快收敛速度,使用了三元组损失和交叉熵损失函数共同训练网络。在常用的步态数据集CASIA-B三种样本划分方式下进行了跨视角识别实验,实验结果表明GaitTB的平均Rank-1准确率优于目前常用的基于2D卷积的步态识别方法。2.针对从集合角度处理步态识别任务的GaitTB模型,并没有显式地对时序信息进行建模的问题,提出了基于3D卷积的双分支步态识别方法(Gait Recognition via Dual Branch CNN,GaitDual),该方法使用双分支网络分别提取步态的整体和局部的时空特征。同时考虑到步态信息具有周期性,提出了一个共享时间聚合模块,该模块在双分支网络中进行参数共享和时序信息的聚合,不降低空间维度的信息。针对步态的各水平特征对于识别任务的贡献度不同的问题,提出了加权特征映射模块,该模块通过对步态水平特征赋予权重的方式使模型自学习每个水平特征的重要性,增强了步态细粒度表示。在常用的步态数据集CASIA-B大样本划分方式下进行了跨视角识别实验,实验结果表明GaitDual的平均Rank-1准确率优于目前主流的步态识别方法。从实验结果可以得出,GaitTB与GaitDual两种步态识别方法,对于跨视角和穿着条件这两种协变量因素产生的影响具有较好的效果。
暂无评论