前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >大阪大学副校长Yasushi Yagi:步态分析(WSB2018报告,附PPT)

大阪大学副校长Yasushi Yagi:步态分析(WSB2018报告,附PPT)

作者头像
马上科普尚尚
发布2020-05-14 16:48:18
6730
发布2020-05-14 16:48:18
举报
文章被收录于专栏:人工智能前沿讲习

导读

2018年生物特征识别冬令营(IAPR/IEEE Winter School on Biometrics 2018)由IAPR和IEEE冠名和赞助,于2018年1月29日至2月2日在深圳举办,由香港浸会大学计算机科学系、中科院自动化所和深圳大学计算机与软件学院联合主办。本文按Yasushi Yagi教授H在生物特征识别冬令营(WSB2018)的报告《Human Gait Analysis》进行整理,经《生物特征识别冬令营》授权发布。

讲者简介

Yasushi Yagi教授是日本大阪大学常务副校长,大阪大学产业科学研究所所长。曾任亚洲计算机视觉会议2007-2011,以及亚洲模式识别会议2011-2013等会议程序委员会主席。曾获国际机器人大会2008最佳论文奖。

正文

今天很荣幸的听了来自大阪大学的Yagi教授讲针对步态识别不同挑战下的一些方法以及最新的进展。步态识别相比于其他生物识别方法而言,最大的优势就是可以远距离进行识别。对于步态特征的提取,教授给我们介绍了它的提取流程,从原始的步态图片序列中先提前步态轮廓,然后再去做归一,最后用归一好的序列来计算特征。在这里以OU_ISIR数据集为例,计算不同特征之间的距离,距离的计算采用了欧式距离,同时就对步态序列的特征计算方法而言,GEI相对别的步态特征例如:FDF 等也可以更好的表达步态信息。

然而在真正的步态识别中,存在着许多挑战,例如不同视角,遮挡问题,步行速度的注册集与验证集不符合,视频的帧率注册集与验证集不符合都会导致识别率的下降。遮挡问题中,如果注册集与验证集完全没有重合部分则会导致识别失败,在这里Yagi教授介绍了regenerated gait 的方法,去补足遮挡缺失的步态来解决此类问题。在注册集与验证集速度不一致的情况下,可以分离步态轮廓的body shape 和 motion,利用STM生成与注册集一致的步速motion,并与分离出的轮廓融合,在这里上半身由于受速度影响很小,所以此方法在解决该类问题也很有效。同样在解决注册集与验证集时也采取了类似的思路,将低帧率的步态利用PTSR转为高帧率的步态。

在解决视角这个挑战时,Yagi教授先给我们介绍了VTM方法,利用了奇异值分解,将特征矩阵分解成与角度无关的向量,与subject无关的向量以及特征值,再利用subject无关的向量将特征进行角度的变换。但是在解决角度问题利用CNN目前可以取得最好的识别率并且远远超过传统方法,在这里教授为我们介绍了利用contrastive loss 和triple loss可以缩小intra-gait 距离,扩大inter-gait 距离。最令人兴奋是Yagi教授给我们展示了他们最新采集的数据集包括接近100000个subject 涵盖14个角度,包括年龄,性别,遮挡,携带等各种情景,公布以后应该是目前已知最大的数据集,让我们拭目以待!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-02-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 人工智能前沿讲习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档