基于时空融合特征的行人步态识别算法研究.pdf

摘要

步态识别是一种通过分析人的行走模式而对其进行身份识别的技术，每个人特有

的生理结构决定了其独有的步态，因此人体的步态具有唯一性和稳定性，鉴于这种识

别方式的独特优势，步态识别已经被广泛融入到诸如安全防护、生物特征认证体系、

医学诊疗等多种应用场景之中，在维护公共安全秩序以及辅助疾病诊断等方面，展现

出了至关重要的作用。

近年来，主流的行人步态识别方法可分为基于模型的和非模型的方法。为了改进

现有方法并提升步态识别的准确性，本文将两种模型方法相结合，提出了一种基于时

空融合特征的行人步态识别算法，该算法弥补了传统方法在人体参数建模和时空特征

建模等方面存在的不足之处，本研究主要从以下几个部分展开工作：

针对单一特征提取通常会面临的信息损失、泛化能力下降和易受复杂背景干扰

的问题，本文提出了一种新型的多特征步态识别框架，首先，通过改进HRNet人体

姿态估计算法CMNet提取人体关键点，将包含人体关键点的人体骨架信息用做步态

识别的补充特征；其次，提出基于3D时空卷积的步态识别算法ASGait，该算法从

外观轮廓序列中获取具有时空特性的步态表征进行步态识别；最后，同时结合外观

轮廓和人体骨架关键点信息，利用多特征数据之间的互补性，构建更为丰富和全面

的行人步态表示。

对于传统步态识别中的空间特征和时间相关性融合不足的问题，本文设计出一

种时空融合网络框架，旨在从时空维度捕捉行人步态信息。网络首先设计了两种空

间特征融合策略用来对齐姿态关键点和外观轮廓的空间特征。然后通过引用

Transformer模型进行特征的时空融合，充分利用该模型强大的交叉注意力机制和聚

合能力，将包含两种不同信息的空间特征表示与基于外观轮廓的时序特征表示交叉

融合，获取步态特征空间和时间的相关性。

最后将提出的三种算法在各自公开数据集上进行实验的有效性评估，实验结果表

明，改进的算法CMNet提升了关键点检测的估计精度，可以作为步态识别的有效补充

特征；提出的基于3D时空卷积的步态识别算法ASGait在公开室内CASIA-B数据集和

室外GREW实验数据集上进行实验方法比较，识别性能优于经典的步态识别算法；

对于多特征时空融合的行人步态识别算法，其识别准确率对于ASGait算法也有所提

升，说明基于多特征的步态识别方法获取到了更多的特征信息，另外，算法的时空融

合特性缓解了视频序列中时空关联性不足的问题，提高了步态识别准确率，这也为行

人步态识别研究提供了新的思路。

关键词：行人步态识别；多特征；姿态估计；时空融合；Transformer

Abstract

Gaitrecognitionisakindofidentificationtechnologybyanalyzesthewalkingpatternofa

person,eachpersonsuniquephysiologicalstructuredetermineshisorheruniquegait,sothe

humanbodysgaithasuniquenessandstability,giventheuniqueadvantagesofthisidentification

method,gaitrecognitionhasbeenwidelyintegratedintoavarietyofapplicationscenarios,such

assafetyandsecurity,biometricauthenticationsystem,medicaldiagnosisandtreatment,andhas

demonstratedacrucialroleinmaintainingpublicsafetyandorder,aswellasassistingindisease

diagnosis.orderandassistinginthediagnosisofdiseases,etc.,showingacrucialrole.

Inrecentyears,mainstreampedestriangaitrecognition