根据人走路的姿态进行身份识别的任务叫做步态识别。它属于基于人体生物特征进行识别的范畴。在智能视频监控领域,具有很高的实用价值。它可以绕过被识别人的伪装,直接根据其走路的姿势来识别人物身份。
步态识别的思路
步态识别本质还是步态特征的距离匹配,对人在多角度、多行走条件下进行特征提取,得到基于个体的步态特征,再用该特征与其它个体进行比较,从而识别出该个体的具体身份。
在步态识别中,需要将一组图片作为一个样本。相对于普通的图片处理,要复杂一些,因为在普通的图片处理中,是用一个图片代表一个样本。然而从神经网络的角度来看,它也只是在代表图片的[H,W,C]基础之上,多出一个张数的维度而已。
在模型的实现上,主要分为3种思路:
三种思路相比,混合处理模式更为细致也更为灵活。在分散处理的过程中,又可以分为重视序列间的顺序关系(例如,基于惯性的步态识别)和不重视序列关系两种做法。
相关数据集
接下来介绍一下训练步态识别模型的7个常用数据库:
1、CMU MoBo数据库。
卡耐基梅隆大学(CMU)为Human ID项目建立的步态数据库包含了25个人在跑步机上以4种不同方式行走的视频序列。行走的方式包括慢速行走、快速行走、斜面行走和抱球行走。同时采用6台摄像机对行人进行不同角度的拍摄,每个序列11秒长,帧频约30帧/秒。
http://www.hid.ri.cmu.edu/
2、USF数据库
该数据库来自于南弗罗里达大学(USF),包括122个人的1870个序列。每个人在摄像机前绕椭圆路线行走,有5种变化情况:A/B类型鞋、带/不带箱子、草地/水泥地、左/右拍摄视角以及两个不同的时间段。
http://figment.csee.usf.edu/GaitBaseline/
3、CASIA数据库
http://www.cbsr.ia.ac.cn/china/Gait%20Databases%20CH.asp
目前中科院自动化所(CASIA)步态数据库有3个数据集:Dataset A(小规模库)、Dataset B(多视角库)和Dataset C(红外库)。Dataset A包含20个人的数据,每个人有12个图像序列、3个行走方向(与图像平面分别成0度,45度,90度),每个方向有4个图像序列。每个序列的长度随人行走的速度变化而有所不同,每个序列的帧数介于37到127之间。
Dataset B是一个大规模的、多视角的步态库,共有124个人,每个人有11个视角(0度,18度,36度,…,180度),在3种行走条件下(普通条件,穿大衣,携带包裹条件)采集。
Dataset C是一个用红外(热感)摄像机在夜间拍摄的大规模数据库,包含153人,每个人在4种条件下行走:正常行走,快走,慢走,带包走。
4 基于惯性的gait_mobile_Acc_data数据集
https://github.com/palewithout/Gait_Datasets
5.OU-ISIR Gait Database
http://www.am.sanken.osaka-u.ac.jp/BiometricDB/GaitTM.html
6.Southampton Human ID at a Distance database
http://www.gait.ecs.soton.ac.uk/
7.Georgia Tech Human ID at a Distance database
http://www.cc.gatech.edu/cpl/projects/hid/
8.UMD Database
http://www.umiacs.umd.edu/labs/pirl/hid/data.html
步态识别模型的局限性
由于步态识别是基于人物图像进行的,一般都会将其转化为轮廓图(当然也有用姿态骨骼数据的),如下
从图中可以看出,如果被检测人穿特别大的长裙会很好的掩盖住腿部的行走特征。另外如果多人并排走,也会使步态识别功能失效。如图
所以在识别行人方面,步态识别可以作为一个辅助手段。
在人流密集的环境下或是故意穿着超长大衣、超大长裙的情况下,都会存在严重的遮挡关系。这种场景不适合部署步态识别模型来识别人物。
相关论文大全:
与步态识别的相关论文如下:
https://github.com/alon-e/gait-recognition-papers
该网址中含有几十篇步态识别相关论文,部分截图如下: