Gender Recognition in Walk Gait through 3D Motion by Quadratic Bezier Curve and Statistical Techniques
运动捕捉是记录物体或人的运动的过程。它被用于军事、娱乐、体育和医疗应用，以及计算机视觉和机器人技术的验证。在电影制作和视频游戏开发中，它指的是记录人类演员的动作，并使用这些信息在2D或3D计算机动画中制作数字角色模型。当它包括脸和手指或捕捉微妙的
2013-01-16 cs.CV
Real-time and robust multiple-view gender classification using gait features in video surveillance
Inha University（仁荷大学）；Ton Duc Thang University（孙德胜大学）
在实际应用程序中，人们经常会看到人们朝任意方向行走、拿着物品或穿着厚重的外套。这些因素是基于步态的应用方法中的挑战，因为它们显著地改变了人的外观。提出了一种利用步态信息实时的进行性别分类的新方法。平均步态图像（AGI）而不是步态能量图像（GEI）的使用允许该方法在计算上高效并且对视图变化鲁棒。创建视点（VP）模型，用于在测试阶段自动确定视角。构造距离信号（DS）模型，以从轮廓中去除任何具有附件（携带的物品，磨损的外套）的区域，以减少对所得分类的干扰。最后，人类性别进行分类，使用多个视图相关的分类器使用支持向量机训练。实验结果表明，该方法在CASIA数据集B上取得了98.8%的高精度，优于目前最先进的方法。
2019-05-03 cs.CV
GaitRef: Gait Recognition with Refined Sequential Skeletons
University of Southern California（南加州大学）
本文提出GaitRef方法，通过结合剪影序列的时间信息精化逐帧关节骨架，在无需额外标注的情况下提升步态识别性能，并在四个公开数据集上取得最先进结果。
2023-08-08 cs.CV
On Learning Disentangled Representations for Gait Recognition
Michigan State University（密歇根州立大学）
步态是人体的行走模式，是生物特征识别的重要形式之一。现有的步态识别方法大多采用轮廓或关节模型作为步态特征。这些方法在处理诸如服装、携带和视角等混杂变量时会降低识别性能。为了解决这个问题，我们提出了一个新的AutoEncoder框架，GaitNet，明确地从RGB图像中分离外观，规范和姿势特征。LSTM将随时间推移的姿势特征集成为动态步态特征，而将规范特征平均为静态步态特征。这两个特征都被用作分类特征。此外，我们收集了一个正视步态（FVG）数据集，专注于从正视行走步态识别，这是一个具有挑战性的问题，因为它包含最少的步态线索相比，其他意见。FVG还包括其他重要的变化，例如，步行速度、携带和衣着。通过在CASIA-B、USF和FVG数据集上的大量实验，我们的方法在定量上表现出优于SOTA的性能，在定性上表现出特征解纠缠的能力，并且具有很好的计算效率。我们进一步将我们的GaitNet与最先进的人脸识别进行比较，以证明步态生物识别在某些场景下的优势，例如，长距离/低分辨率、交叉视角。
2019-09-05 cs.CV
CLASH: Complementary Learning with Neural Architecture Search for Gait Recognition
College of Computer Science, Zhejiang University（浙江大学计算机学院）；School of Software Technology, Zhejiang University（浙江大学软件学院）；Ant Group（蚂蚁集团）；College of Computer Science and Technology, Zhejiang University（计算机科学与技术学院，浙江大学）
本文提出CLASH框架，通过密集时空场增强行走模式敏感性，并利用神经架构搜索实现互补学习，在多个步态识别数据集上显著提升了准确率。
2024-07-04 cs.CV
Gait Data Augmentation using Physics-Based Biomechanical Simulation
Kingston University（金斯顿大学）
针对步态分析数据稀缺且常规增强易违反生物力学约束的问题，提出利用物理模拟器OpenSIM合成合理步态序列的增强框架，在多数据集任务中提升分类性能并达SOTA水平。
2023-07-21 cs.CV
A dataset of high-resolution plantar pressures for gait analysis across varying footwear and walking speeds
University of New Brunswick（新不伦瑞克大学）；Institute of Biomedical Engineering（生物医学工程研究所）
UNB StepUP-P150数据集通过高分辨率足底压力数据，为不同鞋类和行走速度下的步态分析与识别提供了新的研究基础和基准。
2026-08-12 cs.CV cs.LG
Identifying Emotions from Walking using Affective and Deep Features
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Maryland at College Park（马里兰大学帕克分校）
我们提出了一种新的数据驱动的模型和算法，以确定个人的感知情绪的基础上，他们的步行风格。给定一个人行走的RGB视频，我们以一系列3D姿势的形式提取他/她的行走步态。我们的目标是利用步态特征将人类的情绪状态分类为四种情绪之一：快乐，悲伤，愤怒或中性。我们的感知情感识别方法使用通过LSTM在标记的情感数据集上学习的深度特征。此外，我们结合这些功能与情感特征计算步态使用姿势和运动线索。使用随机森林分类器对这些特征进行分类。我们表明，我们的组合特征空间和感知的情绪状态之间的映射提供了80.07%的准确性，在识别感知的情绪。除了对离散的情感类别进行分类外，我们的算法还预测了步态的感知效价和唤醒值。我们还提出了一个EWalk（Emotion Walk）数据集，该数据集由具有步态和标记情绪的行走个体的视频组成。据我们所知，这是第一个基于步态的模型，可以从步行者的视频中识别感知到的情绪。
2020-01-09 cs.CV cs.RO
The Liar's Walk: Detecting Deception with Gait and Gesture
University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一种数据驱动的深度神经算法，用于使用步态和手势等非语言线索检测欺骗性步行行为。我们进行了一项精心设计的用户研究，记录了许多参与者执行涉及欺骗性行走的任务。我们提取参与者的步行步态作为一系列的3D姿势。我们注释参与者在任务期间执行的各种手势。基于步态和手势数据，我们训练基于LSTM的深度神经网络以获得深度特征。最后，我们使用基于心理学的步态，手势和深度特征的组合来检测欺骗性行走，准确率为88.41%。这比手工制作的步态和手势特征提高了10.6%，比基于最先进的情感和动作分类算法的分类器分别提高了4.7%和9.2%。此外，我们提出了一个新的数据集，DeceptiveWalk，其中包含步态和手势及其相关的欺骗标签。据我们所知，我们是第一个使用步态和手势的非语言线索来检测欺骗行为的算法。
2020-03-29 cs.CV cs.LG
PsyMo: A Dataset for Estimating Self-Reported Psychological Traits from Gait
University Politehnica of Bucharest（布加勒斯特理工大学）
本文提出PsyMo多模态数据集，收集312名受试者的步态序列与17项心理属性，提供两种评估协议，支持从步态估计心理特质及步态识别基准测试。
2023-11-22 cs.CV
Covariate conscious approach for Gait recognition based upon Zernike moment invariants
Qualcomm Incorporated（高通公司）；Delhi Technological University（德里理工大学）
步态识别，即从他/她的行走模式识别个体是一个新兴的领域。虽然现有的步态识别技术在正常行走条件下表现令人满意，但其性能往往会随着服装和携带条件的变化而急剧下降。在这项工作中，我们提出了一个新的协变量认知框架来处理这种协变量的存在。我们通过从视频序列中形成一个单一的二维时空模板来描述步态运动，称为平均能量轮廓图像（AESI）。然后计算Zernike不变矩（ZMI）以筛选受协变量影响的AESI部分。在此之后，特征提取的空间分布的有向投影（SDOG）和新的平均方向像素（MDP）的方法。将获得的特征融合在一起以形成最终的赋能良好的特征集。在三个公开的数据集，即CASIA数据集B，OU-ISIR跑步机数据集B和USF Human-ID挑战数据集与最近发表的步态识别方法上的实验评估，证明了其优越的性能。
2016-11-21 cs.CV
GaitSpan: Growing Humanoid Locomotion from Walking to Running
University of Michigan（密歇根大学）；UC Berkeley（加州大学伯克利分校）
研究如何让类人机器人从行走扩展到跑步，提出GaitSpan框架，将预训练行走策略扩展，通过节奏生成、步幅塑造和残差适应三方面实现，能跨形态、跨地形零样本部署，相比基线学习更快且步态性能更强。
2026-07-15 cs.AI cs.CV cs.RO
Learning Rich Features for Gait Recognition by Integrating Skeletons and Silhouettes
Beihang University（北京航空航天大学）；Watrix Technology Limited Co. Ltd.（银河水滴科技有限公司）；Lenovo Co. Ltd.（联想有限公司）
步态识别从个体的行走序列中捕获步态模式以用于身份识别。大多数现有的步态识别方法从轮廓或骨架中学习特征，以抵抗服装，携带和其他外部因素。然而，这两种数据模式的结合并未得到充分利用。以往的多模态步态识别方法主要利用骨架数据辅助局部特征提取，忽略了骨架数据的内在区分性。本文提出了一种简单而有效的双模态融合（BiFusion）网络，该网络挖掘骨架中的判别步态模式，并与轮廓表示相结合，以学习丰富的识别特征。特别地，利用骨架中身体关节的固有层次语义，设计了用于骨架的特征提取的新颖的多尺度步态图（MSGG）网络。在CASIA-B和OUMVLP上的大量实验证明了所提出的MSGG网络在建模骨架方面的优越性和双峰融合步态识别的有效性。在CASIA-B上穿着不同衣服行走的最具挑战性的条件下，我们的方法达到了92.1%的rank-1准确率。
2022-05-05 cs.CV
Watch Where You Head: A View-biased Domain Gap in Gait Recognition and Unsupervised Adaptation
OriginAI
该研究揭示步态识别UDA中由目标域视角或行走方向偏置导致的域差距，提出结合课程学习与三元组选择的GOUDA，并在多数据集和骨干网络上验证其优越性能。
2023-12-10 cs.CV
GaitPT: Skeletons Are All You Need For Gait Recognition
Faculty of Automatic Control and Computer Science, University Politehnica of Bucharest（布加勒斯特理工大学自动控制与计算机科学学院）
本文提出基于姿态估计骨骼的步态金字塔Transformer（GaitPT），利用分层Transformer以解剖学一致方式提取步态时空特征，在CASIA-B和GREW上取得领先性能。
2024-01-24 cs.CV cs.LG
IDNet: Smartphone-based Gait Recognition with Convolutional Neural Networks
University of Padova（帕多瓦大学）
在这里，我们提出了IDNet，一个来自智能手机获取的运动信号的用户认证框架。它的目标是通过用户裤子前口袋里的商用智能手机提供的加速度计和陀螺仪（惯性）信号，从他们的行走方式中识别目标用户。IDNet具有几项创新，包括：i）一个强大的和智能手机方向无关的步行周期提取模块，ii）一个基于卷积神经网络的新型特征提取器，iii）一个单类支持向量机来分类步行周期，以及这些到iv）多阶段认证技术的一致集成。IDNet是第一个利用深度学习方法作为步态识别通用特征提取器的系统，并将后续步行周期的分类结果结合到多阶段决策框架中。实验结果表明，我们的方法对国家的最先进的技术的优越性，导致错误分类率（假阴性或阳性）小于0.15%，少于五个步行周期。设计选择的讨论和动机，在整个，评估其对用户身份验证性能的影响。
2016-10-19 cs.CV cs.LG
Walking Further: Semantic-aware Multimodal Gait Recognition Under Long-Range Conditions
本文提出LRGait基准和EMGaitNet框架，通过语义引导融合和跨模态对齐提升远距离步态识别性能，验证了方法的有效性。
2026-03-15 cs.AI cs.CV
GaitFormer: Revisiting Intrinsic Periodicity for Gait Recognition
MEGVII Technology（旷视科技）；Zhejiang University（浙江大学）；Fudan University（复旦大学）；Behang University（北京航空航天大学）
本文提出基于内在周期性的即插即用TPA策略（含AFPE与TAM），用于步态识别，在CASIA-B、OU-MVLP和GREW数据集上取得最先进性能。
2023-07-25 cs.CV
On Denoising Walking Videos for Gait Recognition
Department of Computer Science and Engineering, Southern University of Science and Technology, China（南方科技大学计算机科学与工程系）；National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University, China（大数据系统计算技术国家工程实验室，深圳大学）；Shenzhen Polytechnic University, China（深圳职业技术大学）；Zhejiang University, China（浙江大学）；Alibaba Group, China（阿里巴巴集团）
提出DenoisingGait，利用生成扩散模型和几何驱动特征匹配去噪行走视频，生成步态特征场，在多个数据集上取得最先进步态识别性能。
2025-05-24 cs.AI cs.CV
On Model and Data Scaling for Skeleton-based Self-Supervised Gait Recognition
University Politehnica of Bucharest（布加勒斯特理工大学）；Faculty of Automatic Control and Computer Science（自动控制与计算机科学学院）
本文首次对基于骨架的自监督步态识别进行规模化实证研究，通过在270万行走序列上预训练GaitPT变体并评估四个基准数据集，揭示了数据、模型规模和计算量的幂律规模化定律，为实际步态识别系统的资源分配与性能估计提供指导。
2025-04-10 cs.CV
GaitGCI: Generative Counterfactual Intervention for Gait Recognition
Zhejiang University（浙江大学）；SupreMind；Shanghai Institute for Advanced Study, Zhejiang University（浙江大学上海高等研究院）；Shanghai AI Laboratory（上海人工智能实验室）；Zhejiang – Singapore Innovation and AI Joint Research Lab（浙新创新与人工智能联合实验室）
针对步态识别受混杂因素干扰的问题，提出 GaitGCI 框架，通过 CIL 与 DCDC 生成并区分事实/反事实注意力，以低成本提升模型判别性、可解释性和跨场景识别性能。
2023-06-06 cs.CV
GaitSet: Cross-view Gait Recognition through Utilizing Gait as a Deep Set
Fudan University（复旦大学）
步态是一种可以远距离识别的独特生物特征，因此，它在预防犯罪、法医鉴定和社会安全方面有着广泛的应用。为了描述步态，现有的步态识别方法要么利用步态模板，这使得它很难保持时间信息，或步态序列，保持不必要的顺序约束，从而失去了步态识别的灵活性。在本文中，我们提出了一种新的观点，即利用步态作为深度集，这意味着一组步态帧由全局-局部融合深度网络集成，其灵感来自我们的左半球和右半球处理信息以学习可用于识别的信息的方式。基于这种深集视角，我们的方法不受帧排列的影响，并且可以自然地整合来自不同场景下获取的不同视频的帧，例如不同的视角，不同的衣服或不同的物品携带条件。实验表明，在正常行走条件下，我们的单模型方法在CASIA-B步态数据集上的平均rank-1准确率为96.1%，在OU-MVLP步态数据集上的准确率为87.9%。在各种复杂的场景下，我们的模型也表现出很高的鲁棒性。它实现了90.8%和70.3%的准确率CASIA-B下，背着包和穿着外套的步行条件下，分别显着优于现有的最好的方法。此外，所提出的方法保持了令人满意的准确性，即使在测试样本中只有少量的帧，例如，它达到了85.0%的CASIA-B，即使只使用7帧。源代码已在https://github.com/AbnerHqC/GaitSet上发布。
2021-02-05 cs.CV
XAI-based gait analysis of patients walking with Knee-Ankle-Foot orthosis using video cameras
BITS Pilani（比尔拉理工学院）；Christian Medical College Vellore（韦洛尔基督教医学院）
本文提出一种基于XAI的步态分析系统，通过超分辨率、姿态估计和多层感知机，在摄像机运动条件下对膝踝足矫形器患者步态进行分类并解释特征贡献，平均准确率达94%。
2024-02-25 cs.CV
RGait-NET: An Effective Network for Recovering Missing Information from Occluded Gait Cycles
Motilal Nehru National Institute of Technology, Allahabad（莫蒂拉尔·尼赫鲁国家理工学院（阿拉哈巴德））；Indian Institute of Technology (BHU), Varanasi（印度理工学院（贝拿勒斯印度教大学））；Nanyang Technological University（南洋理工大学）
一个人的步态是指他/她的行走模式，根据医学研究，每个人的步态都是独特的。在过去的十年中，已经提出了几种基于计算机视觉的步态识别方法，其中对应于完整步态周期的步行信息被用于构建步态特征以用于人识别。这些方法计算步态特征的固有假设，一个完整的步态周期总是可用的。然而，在大多数公共场所，遮挡是不可避免的，因此，监控摄像头只能捕获步态周期的一小部分。完整步态周期信息的不可用性严重影响了特征提取的准确性，到目前为止，只有少数遮挡处理策略已被提出的步态识别。但是，这些都没有表现出可靠和鲁棒性的存在下，一个单一的周期与不完整的信息，因为这种步态识别的实际应用是相当有限的。在这项工作中，我们开发了基于深度学习的算法，以准确识别受影响的帧，并预测丢失的帧，以重建一个完整的步态周期。遮挡检测采用VGG-16模型，而帧重建模型采用长短期记忆网络，该网络经过训练，可以优化基于骰子系数和交叉熵损失的多目标函数。通过计算流行的步态能量特征对重建序列的准确性来评估所提出的遮挡重建算法的有效性。在公开数据集上的实验评价以及与其他遮挡处理方法的对比分析验证了该方法的有效性。
2020-02-11 cs.CV
Fisher Motion Descriptor for Multiview Gait Recognition
University of Cordoba（科尔多瓦大学）；University of Malaga（马拉加大学）
本文的目标是通过分析步态来识别个体。而不是使用二进制轮廓作为输入数据（如在许多以前的作品中所做的），我们建议和评估使用的运动描述符的基础上密集采样的短期轨迹。我们利用国家的最先进的人检测器来定义目标人周围的描述符的自定义空间配置，获得丰富的步态运动的表示。局部运动特征（描述的Divergence-Curl-Shear描述符）提取的不同空间区域的人被组合成一个单一的高层次的步态描述符，通过使用Fisher矢量编码。所提出的方法，创造金字塔费舍尔运动，实验验证的'CASIA'数据集（部分B和C），'TUM GAID'数据集，'CMU Mobo'数据集和最近的'AVA多视图步态'数据集。结果表明，这种新方法在步态识别问题上取得了最先进的结果，允许在单个和多个摄像机设置上从不同的角度识别行走的人，穿着不同的衣服，背着包，以不同的速度行走，而不限于直线行走路径。
2016-01-26 cs.AI cs.CV
TrackletGait: A Robust Framework for Gait Recognition in the Wild
School of Communication Engineering, Hangzhou Dianzi University（通信工程学院，杭州电子大学）；Key Laboratory of Micro-nano Sensing and IoT of Wenzhou, Wenzhou Institute of Hangzhou Dianzi University（温州微纳米传感与物联网重点实验室，杭州电子大学温州研究院）；Lishui Institute of Hangzhou Dianzi University（丽水学院，杭州电子大学）
TrackletGait通过随机轨迹采样、Haar小波下采样和硬度排除三元组损失，实现了在野外环境中高准确率的步态识别。
2025-08-04 cs.CV
Sequential convolutional network for behavioral pattern extraction in gait recognition
Harbin Engineering University（哈尔滨工程大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
基于视频的步态识别作为一种独特的生物特征识别方法，具有广泛的应用前景。该方法的关键步骤是学习个体的行走模式，然而，直接从序列中提取行为特征往往面临挑战。大多数现有的方法只关注外观或运动模式。为了克服这些限制，我们从一个新的角度提出了一个序列卷积网络（SCN），其中时空特征可以通过基本的卷积骨干来学习。在SCN中，构建行为信息提取器（BIE），通过运动模板来理解时间序列中的中间特征图，其中可以分析帧之间的关系，从而提取步行模式的信息。此外，SCN中的多帧聚合器通过移动3D卷积层对长度不确定的序列执行特征整合。为了证明该方法的有效性，在两个流行的公共基准测试程序CASIA-B和OU-MVLP上进行了实验，与现有的方法相比，该方法具有更好的性能。
2021-04-23 cs.CV
3D Convolution Neural Network based Person Identification using Gait cycles
SRM Institute of Science and Technology（SRM科学技术研究所）；CMR Institute of Technology（CMR理工学院）
身份识别在安全方面发挥着重要作用。在现代社会，安全已成为一个人或一个国家的关键词，特别是对于面临内部或外部威胁的国家。步态分析被解释为对人类运动的系统研究。它可以用来提取个人的确切行走特征。行走特征取决于物体的生物特征和物理特征;因此，它对每个人来说都是独一无二的。在这项工作中，步态特征用于识别个人。这些步骤包括目标检测、背景减除、轮廓提取、轮廓化以及在这些步态特征上训练3D卷积神经网络。该模型在CASIA B步态采集的数据集上进行训练和评估，该数据集由15000个视频组成，其中124个受试者从11个不同角度拍摄行走模式，携带物体，如包和外套。所提出的方法更侧重于下半身，以提取特征，如膝盖和大腿之间的角度，臀部角度，接触角，和许多其他功能。实验结果与轮廓作为训练数据集和归一化图像作为训练数据的精度进行了比较。结果表明，提取的信息，从归一化的数据产生更高的精度。
2021-06-06 cs.AI cs.CV
Multi-Modal Human Authentication Using Silhouettes, Gait and RGB
Johns Hopkins University（约翰斯·霍普金斯大学）
基于全身的人体认证是远程生物识别场景中一种很有前途的方法。目前的文献主要集中在基于RGB图像的人体识别或基于体型和行走模式的步态识别，两者都有各自的优点和缺点。在这项工作中，我们提出了双模态Entrance（DME），它结合了RGB和轮廓数据，以实现更强大的性能，为室内和室外的全身识别。在DME中，我们提出了GaitPattern，它的灵感来自于传统步态分析中使用的双螺旋步态模式。步态模式有助于在大范围的视角下实现鲁棒的识别性能。在CASIA-B数据集上的大量实验结果表明，该方法优于最先进的识别系统。我们还提供了使用新收集的BRIAR数据集的实验结果。
2022-10-08 cs.CV
Acoustic Gait-based Person Identification using Hidden Markov Models
Imperial College London（帝国理工学院）
我们提出了一个系统，用于识别人类的步行声音。这个问题也被称为声学步态识别。该系统的目标是分析行走的人发出的声音（主要是脚步声），并识别这些人。这些声音的特点是步态模式，并受到手臂和腿的运动的影响，但也取决于鞋的类型。我们从记录的音频信号中提取倒谱特征，并使用隐马尔可夫模型进行动态分类。一个循环的模型拓扑结构来表示个人的步态周期。这种拓扑结构允许建模和检测单个步骤，从而获得非常有希望的识别率。为了进行实验验证，我们使用公开的TUM GAID数据库，这是一个大型步态识别数据库，包含305个受试者的3050个记录，有三种变化。在最佳设置中，在155个受试者中实现了65.5%的识别率。与我们以前的工作相比，这是一个几乎30%的相对改进，它使用了各种音频特征和支持向量机。
2014-06-11 cs.CV cs.HC
iLGaCo: Incremental Learning of Gait Covariate Factors
Shenzhen University（深圳大学）；University of Málaga（马拉加大学）；University of Córdoba（科尔多瓦大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；Southern University of Science and Technology（南方科技大学）
步态是一种流行的生物识别模式，用于根据人们的行走方式识别他们。传统上，基于深度学习的步态识别方法使用整个训练数据集进行训练。事实上，如果新的数据（类，视点，行走条件等）如果需要包含，则需要使用旧的和新的数据样本重新训练模型。在本文中，我们提出了iLGaCo，这是步态识别协变量因子的第一种增量学习方法，其中可以使用新信息更新深度模型，而无需使用整个数据集从头开始重新训练。相反，我们的方法使用新数据和以前样本的一个小子集执行更短的训练过程。通过这种方式，我们的模型在保留先前知识的同时学习新信息。我们在CASIA-B数据集上以两种增量方式评估iLGaCo：添加新的视点和添加新的行走条件。在这两种情况下，我们的结果都接近经典的“从头开始训练”的方法，获得了从0.2%到1.2%的准确性边际下降，这表明我们的方法的有效性。此外，iLGaCo与其他增量学习方法（如LwF和iCarl）的比较显示，准确率有显著提高，根据实验的不同，准确率在6%到15%之间。
2020-08-31 cs.AI cs.CV
Learning to Simplify Spatial-Temporal Graphs in Gait Analysis
University Politehnica of Bucharest（布加勒斯特理工大学）
针对现有基于骨架的步态分析方法依赖手工固定时空图、未适配任务与数据集特性的问题，本文提出可逐样本调整邻接矩阵的上下游模型，结合直通Gumbel-Softmax实现端到端训练，在CASIA-B数据集的步态性别估计任务中保持性能同时提升了可解释性。
2023-10-05 cs.CV cs.LG
A Convolution-Based Gait Asymmetry Metric for Inter-Limb Synergistic Coordination
本研究针对步态对称性评估问题，突破传统基于肌电或加速度差异的分析思路，采用LTI系统建模肢体节段间协调关系，提出基于卷积的相异性度量指标，经5名不同步态特征受试者测试验证，为步态分析提供新方法。
2025-05-16 cs.CV cs.HC
Leveraging Smartphone Sensors for Detecting Abnormal Gait for Smart Wearable Mobile Technologies
Daffodil International University（达法迪尔国际大学）；University of Calgary（卡尔加里大学）
步行是人类最常见的陆地运动方式之一。步行是人类进行大多数日常活动所必需的。当一个人走路时，有一种模式，它被称为步态。步态分析用于体育和医疗保健。我们可以用不同的方式分析这种步态，比如使用监控摄像头或实验室环境中的深度图像摄像头捕捉的视频。它也可以被可穿戴传感器识别。例如，在一个实施例中，加速度计、力传感器、陀螺仪、柔性测角仪、磁阻传感器、电磁跟踪系统、力传感器和肌电图（EMG）。通过这些传感器进行分析需要实验室条件，或者用户必须佩戴这些传感器。为了检测人类步态动作的异常，我们需要单独地结合传感器。我们可以通过检测到异常的人体步态来了解一个人的健康状况。了解正常步态与异常步态可以通过智能穿戴技术来了解受试者的健康状况。因此，在本文中，我们提出了一种通过智能手机传感器来分析异常人体步态的方法。虽然智能手机和智能手表等智能设备现在被大多数人使用。所以，我们可以通过这些智能穿戴设备的传感器来追踪他们的步态。
2022-08-03 cs.CV cs.HC cs.LG
Detecting Daily Living Gait Amid Huntington's Disease Chorea using a Foundation Deep Learning Model
Tel Aviv University（特拉维夫大学）；Tel Aviv Sourasky Medical Center（特拉维夫苏拉斯基医疗中心）；Teachers College, Columbia University（哥伦比亚大学教师学院）；Wayne State University（韦恩州立大学）；Stony Brook University（石溪大学）；Rush University Medical Center（拉什大学医学中心）
针对神经退行性疾病中不自主运动干扰步态检测的问题，提出基于U-Net的J-Net模型，利用自监督基础模型微调，在HD和PD数据上显著提升步态检测精度，且与临床评分相关。
2024-12-15 cs.AI cs.CV
