結(jié)合整體和局部特征的步態(tài)識別方法*

張 智，常超偉，王 雷，劉 博

（1.河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，河北 保定 071000；2.河北省農(nóng)業(yè)大數(shù)據(jù)重點實驗室，河北 保定 071000；3.北方自動控制技術(shù)研究所，太原 030006）

0 引言

作為身份識別的重要生物特征之一，步態(tài)信息與其他特征（如人臉、指紋和虹膜）相比，其不需待識別主體的配合且具有一定的抗偽裝性，因此，基于步態(tài)信息的行人重識別技術(shù)在視頻監(jiān)控、調(diào)查取證、敵我識別等場景中有著廣泛應(yīng)用［1］。

然而，步態(tài)識別算法的性能易受到以下因素的干擾：1）穿戴條件不同，例如攜帶背包或者穿著大衣；2）角度變化，表現(xiàn)為跨視角下的步態(tài)一致性判斷；3）遮擋變化，例如來自建筑物或其他行人的遮擋；4）背景復(fù)雜，例如實際場景中光照強度的變化或者背景與人很難區(qū)分。以上4 個主要因素使得基于步態(tài)進行身份識別的任務(wù)變得困難。

為了解決上述問題，研究者將深度學(xué)習(xí)方法應(yīng)用到了步態(tài)識別領(lǐng)域。例如，YU S 等提出GEINet將所有的步態(tài)模板轉(zhuǎn)換到側(cè)面視角下進行識別［2］。近年來的方法假設(shè)每個輪廓圖都包含了其位置信息，不需要單獨對時間線索進行建模。比如，GaitSet假設(shè)步態(tài)輪廓順序并不是一個必要因素，從而直接學(xué)習(xí)步態(tài)的集合表示［3］。以步態(tài)的集合表示為基礎(chǔ)，HOU S 等提出了步態(tài)橫向網(wǎng)絡(luò)，該網(wǎng)絡(luò)將不同階段提取到的整體特征進行橫向連接來增強步態(tài)表示［4］。GaitPart 通過將步態(tài)特征圖先切塊再卷積來獲得局部特征，并提出了微動作捕捉模塊用來提取步態(tài)周期的短期特征［5］。……