A Benchmark for Gait Recognition under Occlusion Collected by Multi-Kinect SDAS
Northwestern Polytechnical University（西北工业大学）
步态是远距离身份识别的重要生物特征之一。在实际应用中，步态识别中经常会出现遮挡现象，严重影响了步态识别的准确性。然而，目前还没有数据库支持对这一问题的深入研究，现有的步态识别方法也没有对这一问题给予足够的重视，因此本文主要研究遮挡情况下的步态识别。我们通过多个同步Azure Kinect DK传感器数据采集系统（multi-Kinect SDAS）收集了一个新的步态识别数据库，称为OG RGB+D数据库，它突破了其他步态数据库的限制，包括各种遮挡（自遮挡，主动遮挡和被动遮挡）的多模态步态数据，也可以应用于安全场合。由于Azure Kinect DK可以同时采集多模态数据来支持不同类型的步态识别算法，特别是使我们能够有效地获得以摄像机为中心的多人3D姿态，并且多视图比单视图更好地处理遮挡。特别地，OG RGB+D数据库通过融合由多Kinect收集的数据来提供准确的轮廓和优化的人体3D关节数据（OJ），这在遮挡下的人体姿势表示中更准确。我们还使用OJ数据训练一个先进的三维多人位姿估计模型，以提高其在遮挡下的位姿估计的准确性，以提高通用性。此外，由于人体姿态对遮挡的敏感性低于人体外观，我们提出了一种新的步态识别方法，基于人体双骨架模型，使用暹罗时空图卷积网络（暹罗ST-GCN）的框架。在OG RGB+D数据库和流行的CAISA-B数据库上的评估结果表明，与最先进的步态识别方法相比，该方法…
2021-07-19 cs.CV
Parsing is All You Need for Accurate Gait Recognition in the Wild
Hangzhou Dianzi University（杭州电子科技大学）；JD Explore Academy（京东探索研究院）；Lishui Institute of Hangzhou Dianzi University（杭州电子科技大学丽水研究院）
本文提出步态解析序列（GPS）和基于人体解析的ParsingGait框架，利用细粒度人体分割提高野外步态识别精度，并构建Gait3D-Parsing数据集验证其有效性。
2023-08-31 cs.CV
Developing Normative Gait Cycle Parameters for Clinical Analysis Using Human Pose Estimation
CSIRO Data61（联邦科学与工业研究组织Data61研究院）；University of New South Wales（新南威尔士大学）
本文提出一种基于RGB视频和2D人体姿态估计的数据驱动方法，通过逐周期关节角度分析建立规范性步态运动学参数，实现仅用单目视频对个体步态异常进行客观、自动化的空间与时间偏差识别。
2024-11-20 cs.CV
Exploring More from Multiple Gait Modalities for Human Identification
Southern University of Science and Technology（南方科技大学）；Alibaba Group（阿里巴巴集团）
本研究系统比较轮廓、人体解析和光流三种步态模态的表示能力与融合策略，提出C$^2$Fusion方法构建MultiGait++框架，在多个数据集上验证其有效性。
2024-12-16 cs.CV
BarbieGait: An Identity-Consistent Synthetic Human Dataset with Versatile Cloth-Changing for Gait Recognition
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；AMAP, Alibaba Group（阿里集团AMAP）
本文提出BarbieGait数据集，通过虚拟引擎模拟衣物变换以保持步态身份信息，提出GaitCLIF模型提升跨衣物步态识别性能，推动相关研究进展。
2026-04-14 cs.CV
Motion Gait: Gait Recognition via Motion Excitation
Hebei Key Laboratory for Electromagnetic Environmental Effects and Information Processing（河北省电磁环境效应与信息处理重点实验室）；Shijiazhuang Tiedao University（石家庄铁道大学）
步态识别是一种重要的生物识别技术，可以实现远距离、非接触的身份识别。目前的步态识别方法主要是学习人体行走时的运动或外观模式，并构造相应的时空表示。然而，不同个体的运动模式有其自身的规律，简单的时空特征难以描述人体各部位的运动变化，尤其是当包含服装、携带等混杂变量时，特征的可扩展性降低。本文提出了运动激励模块（MEM）来引导时空特征聚焦于动态变化较大的人体部位，MEM学习帧间和区间间的差异信息，从而获得时间运动变化的表示，值得一提的是MEM能够适应长度不确定的帧序列，并且不添加任何额外的参数。此外，我们提出了精细特征提取器（FFE），它独立地学习人体的时空表示，根据不同的水平部分的个人。受益于MEM和FFE，我们的方法创新地结合了运动变化信息，显着提高了交叉外观条件下的模型性能。在流行的数据集CASIA-B上，我们提出的运动步态识别方法优于现有的步态识别方法。
2022-06-22 cs.CV
CHD:Consecutive Horizontal Dropout for Human Gait Feature Extraction
College of Automation（自动化学院）；Harbin Engineering University（哈尔滨工程大学）；Beijing University of Technology（北京工业大学）
尽管步态识别和身份再识别的研究已经取得了很大的进展，但在一些特定的情况下，识别的准确率还不够高，例如，人们携带包或更换外套。为了缓解上述情况，本文提出了一种简单有效的用于深度学习网络中人体特征提取的CHD（ConcretiveHorizontalDropout）方法，以避免过拟合。在CHD中，我们加强了深度学习网络的鲁棒性，用于跨视图步态识别和人员重新识别。实验结果表明，在跨视角步态识别任务中，Rank-1正确率从68.0%提高到78.201%，提高了约10%;在穿外套或夹克的人的再识别任务中，Rank-1正确率从83.545%提高到91.364%，提高了约8%。此外，100%的准确性NM条件首次获得了CHD。在CASIA-B的基准上，上述精度是最先进的。
2019-10-16 cs.CV
Gait Recognition Using 3-D Human Body Shape Inference
University of Southern California（南加州大学）
步态识别是一种重要的生物特征识别技术，它可以从远处观察到，并且不需要主体的合作。识别一个人的步态是困难的，因为不同的视角，携带的物体，和服装产生的人体轮廓序列的外观变化。最近的研究已经产生了一些应对这些变异的方法。在本文中，我们介绍了从有限图像中推断3D体型的用法，这些图像原则上对指定的变体是不变的。三维形状的推断是一项困难的任务，特别是当数据集中只提供轮廓时。我们提供了一种方法来学习3-D身体推断从剪影通过转移知识，从3-D形状先验RGB照片。我们在多个现有的最先进的步态基线上使用我们的方法，并在两个公共数据集CASIA-B和OUMVLP上的步态识别方面获得了一致的改进，包括在训练期间未看到的新视图的新设置。
2022-12-18 cs.CV
Fall Risk and Gait Analysis in Community-Dwelling Older Adults using World-Spaced 3D Human Mesh Recovery
College of Medicine, UCF（UCF医学院）；Institute of AI, UCF（UCF人工智能研究所）；College of Nursing, UCF（UCF护理学院）；College of Sciences, UCF（UCF科学学院）
本文提出利用3D人体网格恢复模型提取步态参数，分析社区老年人的步态特征，发现步态时间与惯性测量单元数据显著相关，揭示高跌倒风险与步态特征的关联。
2026-04-13 cs.CV
Applying Adversarial Auto-encoder for Estimating Human Walking Gait Abnormality Index
提出了一种利用对抗式自动编码器（AAE），即自动编码器和生成对抗网络（GAN）相结合的方法来估计人体步行步态质量指标。由于大多数基于GAN的模型都被用作数据生成器，因此我们的工作介绍了其应用的另一个视角。该方法直接作用于表示对象的行走姿势的3D点云的序列。通过将圆柱体拟合到每个点云上并将获得的直方图馈送到适当的AAE，我们的系统能够提供可用作步态质量指标的不同措施。这些数量的组合也进行了研究，以获得改进的指标。通过对近10万个点云的大型数据集进行实验，证明了该方法的能力，其结果优于采用不同输入数据类型的相关方法。
2019-08-16 cs.CV
Multimodal Adaptive Fusion of Face and Gait Features using Keyless attention based Deep Neural Networks for Human Identification
SRM Institute of Science and Technology（SRM科学技术学院）；Instituto Superior Técnico, Univ. of Lisbon（里斯本大学高等技术学院）
生物识别技术在基于视觉的监控应用中发挥着重要作用。步态等软生物特征被广泛用于人脸识别和重新识别等监控任务。然而，在实际情况下，经典的融合技术对个人用户和外部环境的变化响应不佳。为此，我们提出了一种新的自适应多生物特征融合策略，通过利用无键注意深度神经网络动态整合步态和面部生物特征线索。各种外部因素，如视点和距离相机，在这项研究中进行了调查。大量的实验表明，与现有模型相比，该模型具有更好的性能。
2023-03-24 cs.CV
Gait Recognition in the Wild with Dense 3D Representations and A Benchmark
Hangzhou Dianzi University（杭州电子科技大学）；Explore Academy of JD.com（京东探索研究院）
现有的步态识别研究主要是由2D表示，如轮廓或骨架的人体在受限的场景。然而，人类生活和行走在不受约束的3D空间中，因此将3D人体投影到2D平面上将丢弃用于步态识别的许多关键信息，如视点、形状和动力学。因此，本文旨在探索密集的三维表示在野外步态识别，这是一个实际的，但被忽视的问题。特别是，我们提出了一种新的框架，探索三维皮肤多人线性（SMPL）模型的人体步态识别，命名为SMPLGait。我们的框架有两个精心设计的分支，其中一个从轮廓提取外观特征，另一个从3D SMPL模型学习3D视点和形状的知识。此外，由于缺乏合适的数据集，我们建立了第一个大规模的基于三维表示的步态识别数据集，命名为Gait 3D。它包含了4,000个主题和超过25,000个序列，从39个相机中提取的一个不受约束的室内场景。更重要的是，它提供了从视频帧中恢复的3D SMPL模型，可以提供密集的3D身体形状，视点和动态信息。基于Gait 3D，我们全面比较了我们的方法与现有的步态识别方法，这反映了我们的框架的优越性能和3D表示在野外步态识别的潜力。代码和数据集可在https://gait3d.github.io上获得。
2022-04-06 cs.CV
Relative distance features for gait recognition with Kinect
National Laboratory for Parallel and Distributed Processing, National University of Defense Technology（国防科技大学并行与分布处理国家重点实验室）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）
步态和静态人体测量是被动人体识别的重要生物特征技术。许多以前的工作认为，完全基于步态特征的识别性能是有限的。业绩有限的原因尚不清楚。研究表明，通过一种新的表示方法--基于相对距离的步态特征，步态特征可以有效地区分不同的人。实验结果表明，相对距离特征的识别准确率可达85%，与人体测量特征的识别准确率相当。相对距离特征和人体测量特征的组合可以提供超过95%的准确度。结果表明，相对距离特征是非常有效的，值得在更一般的场景中进一步研究（例如，Kinect）。
2016-05-18 cs.CV
GaitFi: Robust Device-Free Human Identification via WiFi and Vision Multimodal Learning
Nanyang Technological University（南洋理工大学）；University of California, Berkeley（加州大学伯克利分校）；University of Edinburgh（爱丁堡大学）
人体步态作为身份识别的重要生物标志物，无需主体协作，通过被动传感器可以远距离采集，在预防犯罪、安全检测等身份识别应用中发挥着重要作用。目前，大多数研究工作都是基于摄像机和计算机视觉技术来进行步态识别。然而，基于视觉的方法是不可靠的，当面对恶劣的照明，导致性能下降。在本文中，我们提出了一种新的多模态步态识别方法，即GaitFi，它利用WiFi信号和视频进行人体识别。在GaitFi中，收集反映WiFi的多径传播的信道状态信息（CSI）以捕获人的步态，而视频由摄像头捕获。为了学习鲁棒的步态信息，我们提出了一个轻量级残差卷积网络（LRCN）作为骨干网络，并进一步提出了两个流GaitFi集成WiFi和视觉特征的步态检索任务。GaitFi是通过不同层次特征的三重损失和分类损失来训练的。在现实世界中进行了大量的实验，结果表明，GaitFi优于基于单个WiFi或摄像头的最先进的步态识别方法，对12个受试者的人体识别任务实现了94.2%。
2022-08-30 cs.AI cs.CV
GaitGraph: Graph Convolutional Network for Skeleton-Based Gait Recognition
Technical University of Munich（慕尼黑工业大学）
步态识别是一种很有前途的基于视频的生物特征识别个人的步行模式，从长距离。目前，大多数步态识别方法使用轮廓图像来表示每个帧中的人。然而，轮廓图像可能会丢失细粒度的空间信息，并且大多数文献没有考虑如何在复杂场景中获得这些轮廓。此外，轮廓图像不仅包含步态特征，还包含其他可识别的视觉线索。因此，这些方法不能被认为是严格的步态识别。我们利用人体姿态估计的最新进展，直接从RGB图像中估计鲁棒的骨架姿态，以恢复基于模型的步态识别，并具有更清晰的步态表示。因此，我们提出了步态图，结合骨架姿态与图卷积网络（GCN），以获得一个现代的基于模型的步态识别方法。其主要优点是更清晰，更优雅的步态特征提取和使用GCN结合强大的时空建模的能力。在流行的CASIA-B步态数据集上的实验表明，该方法在基于模型的步态识别中具有最先进的性能。代码和模型是公开的。
2021-06-09 cs.CV
GaitMixer: Skeleton-based Gait Representation Learning via Wide-spectrum Multi-axial Mixer
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of Central Florida（中佛罗里达大学）
现有的步态识别方法大多是基于外观的，它依赖于从人体行走活动的视频数据中提取的轮廓。研究较少的基于步态的步态识别方法直接从2D/3D人体骨架序列中学习步态动力学，这在理论上是存在由衣服，发型和携带物体引起的外观变化的更鲁棒的解决方案。然而，基于服务器的解决方案的性能仍然远远落后于基于外观的解决方案。本文旨在通过提出一种新的网络模型GaitMixer来缩小这种性能差距，以从骨骼序列数据中学习更具鉴别力的步态表示。特别是，GaitMixer遵循异构多轴混合器架构，该架构利用空间自注意混合器和时间大内核卷积混合器来学习步态特征图中丰富的多频信号。在广泛使用的步态数据库CASIA-B上进行的实验表明，GaitMixer在很大程度上优于以前的基于SOTA的方法，同时与代表性的基于外观的解决方案相比，实现了具有竞争力的性能。代码将在https://github.com/exitudio/gaitmixer上提供
2022-10-29 cs.CV
Persistent-homology-based gait recognition
Advance Technologies Application Center (CENATAV)（先进技术应用中心）；Universidad de Sevilla（塞维利亚大学）
步态识别是视频监控任务中一项重要的生物特征识别技术，因为它具有远距离使用的优势。在本文中，我们提出了一个持久的同源性为基础的方法来提取拓扑特征（所谓的{ \it拓扑步态签名}）从步态序列的身体轮廓。%它已被用于在人类识别，性别分类，进行目标检测和监测人类活动的距离相同的作者的几个会议论文。本文的创新之处在于研究了拓扑步态特征在小扰动下的稳定性和步态序列中包含的步态周期数。换句话说，我们表明，拓扑步态签名是鲁棒的存在下的噪声中的身体轮廓和步态周期的数量包含在一个给定的步态序列。我们还表明，计算我们的拓扑步态签名的身体轮廓的最低的第四部分，我们避免了上半身的运动，是无关的步态的自然动态，例如携带一个包或穿一件外套。
2017-07-21 cs.CV
PGcGAN: Pathological Gait-Conditioned GAN for Human Gait Synthesis
本文提出PGcGAN，通过条件生成对抗网络合成特定病理步态序列，利用一热编码标签控制生成六类步态，实验表明合成数据能有效提升病理步态识别性能。
2026-03-15 cs.AI cs.CV
Gait-based Human Identification through Minimum Gait-phases and Sensors
KIST（韩国科学技术研究院）
人体识别是智能环境中状态监测、人机交互和提供辅助服务的最常见和最关键的任务之一。最近，人类步态作为用于识别的生物特征获得了新的关注，以实现从对物理外观鲁棒的距离的非接触式识别。然而，通过可穿戴设备和基于图像的系统等进行步态识别的一个重要方面是在有限的信息可用时（例如，在整个步态周期的仅一部分或主体身体的仅一部分可见时）进行准确识别。在本文中，我们提出了一种步态识别技术的基础上的时间和描述性的统计参数的不同的步态相位为特征，我们调查的性能，仅使用单一的步态相位的识别任务，使用最少数量的传感器。结果表明，它是可能的，以实现超过95.5%的高精度通过监测整个步态周期的一个阶段，通过只有一个传感器。实验还表明，当通过骨盆和足部传感器组合监测整个步态周期时，所提出的方法可以用于实现100%的识别准确率。人工神经网络被认为是更强大的数据特征较少的SVM相比，并得出结论，作为最好的机器算法的目的。
2021-10-15 cs.CV eess.SP
Biomechanically Accurate Gait Analysis: A 3d Human Reconstruction Framework for Markerless Estimation of Gait Parameters
Queensland University of Technology, Brisbane（昆士兰理工大学，布里斯班）；Griffith University, Gold Coast（格里菲斯大学，黄金海岸）
本文提出了一种基于3D人体重建的无标记步态分析框架，通过整合生物力学标记和OpenSim实现关节运动学估计，提升了步态参数评估的准确性与可解释性。
2026-03-03 cs.CV eess.IV
Gait Identification under Surveillance Environment based on Human Skeleton
School of Cyber Science and Engineering, Shanghai Jiao Tong University（上海交通大学网络空间安全学院）
基于视觉的步态识别作为一种新兴的生物识别技术，是生物特征识别领域的重要研究内容。现有的步态识别方法大多从步态视频中提取特征，并通过在图库中查询来识别探针样本。然而，视频数据包含冗余信息，并且容易受到装袋（BG）和服装（CL）的影响。由于人体骨骼传达了人体步态的重要信息，因此我们的项目提出了一种基于骨骼的步态识别网络。首先，从视频中提取骨架序列并将其映射到步态图中。然后构造基于时空图卷积网络的特征提取网络学习步态表征。最后，通过与图库中最相似的作品进行匹配来识别探针样本。我们在CASIA-B数据集上测试了我们的方法。结果表明，该方法具有很强的自适应性，在BG、CL和平均情况下都得到了较好的结果。
2021-11-24 cs.AI cs.CV
Cloth-Changing Person Re-identification from A Single Image with Gait Prediction and Regularization
University of Science and Technology of China（中国科学技术大学）；Alibaba Cloud Computing Ltd.（阿里云计算有限公司）；University of Michigan（密歇根大学）
换衣服的人重新识别（CC-ReID）旨在在长时间内匹配不同位置的同一个人，例如，因此，不可避免地会遇到更换衣服的挑战。在本文中，我们专注于在更具挑战性的环境下处理好CC-ReID问题，即，这使得能够在实时监控应用中高效且无延迟地识别行人。具体来说，我们引入步态识别作为辅助任务来驱动Image ReID模型，通过利用个人独特和与衣服无关的步态信息来学习与衣服无关的表示，我们将此框架命名为GI-ReID。GI-ReID采用两流架构，由图像ReID-Stream和辅助步态识别流（Gait-Stream）组成。步态流，这是在推理中丢弃的高计算效率，作为一个调节器，以鼓励ReID流捕捉衣服不变的生物运动特征在训练过程中。为了从单幅图像中获取时间上连续的运动信息，我们设计了一个步态序列预测模块来丰富步态信息。最后，一个高层次的语义一致性，在两个流的有效知识规则化。在多个基于图像的服装更换ReID基准上进行实验，例如，LTCC、PRCC、Real 28和VC-Clothes证明了GI-ReID与最先进的技术相比表现良好。代码可在https://github.com/jinx-USTC/GI-ReID上获得。
2022-03-31 cs.CV
MHRGait: Gait Recognition from Momentum Human Rig Pose
本文提出基于MHR姿态的MHRGait步态识别方法，建模关节控制的时空特征，其变体MHRGait++融合轮廓模态，在多数据集取得优异性能，参数与计算量更低，为步态识别提供新表征思路。
2026-08-03 cs.CV
Feature Map Pooling for Cross-View Gait Recognition Based on Silhouette Sequence Images
Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University（北京航空航天大学大数据与脑计算北京高精尖创新中心）
在本文中，我们开发了一种新的卷积神经网络为基础的方法来提取和聚合有用的信息，而不是简单地表示步态过程的轮廓图像平均的步态轮廓序列图像。该网络以一对任意长度的序列图像作为输入，并独立地提取每个轮廓的特征。然后采用特征映射池策略聚合序列特征。随后，设计了一个类似于暹罗网络的网络来进行识别。所提出的网络是简单的，易于实现，可以在一个端到端的方式进行训练。在OU-ISIR大数据集上进行了跨视角步态识别实验。实验结果表明，该网络能够有效地从轮廓序列中提取和聚合特征。与现有技术相比，它还实现了显著相等的出错率和可比较的识别率。
2017-11-26 cs.CV
Pose-based Deep Gait Recognition
National Research University Higher School of Economics（国立研究型大学高等经济学院）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）
人的步态或行走方式是一种生物特征，当其他生物特征（如面部或虹膜）不可见时，可以识别人。本文提出了一种新的基于姿态的卷积神经网络步态识别模型。与许多考虑运动人的全高轮廓的方法不同，我们考虑人体关节周围区域中的点的运动。为了提取运动信息，我们估计连续帧之间的光流。我们提出了一个深度卷积模型，用于计算基于姿势的步态描述符。我们比较了不同的网络架构和聚合方法，并通过实验评估了不同的身体部位，以确定哪些对步态识别最重要。此外，我们调查的泛化能力的开发算法之间的数据集转移。这些实验的结果表明，我们的方法优于国家的最先进的方法。
2018-02-08 cs.CV
Model-based gait recognition using graph network on very large population database
College of Automation Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学自动化学院）
目前，现有的步态识别系统主要致力于从轮廓图像中提取鲁棒的步态特征，并取得了很大的成功。然而，步态可能对服装和携带物品等外观特征敏感。与基于外观的方法相比，基于模型的步态识别由于对这些变化的鲁棒性而具有很好的前景。近年来，随着人体姿态估计技术的发展，基于模型的步态识别方法的难度得到了缓解。为了抵抗主题的增加和视图的变化，本文建立了局部特征，并提出了一种最大化来自同一主题的样本距离的连体网络。我们利用动作识别的最新进展，将人体姿势序列嵌入到一个向量中，并引入时空图卷积块（STGCB），它已被普遍用于步态识别的动作识别。在OUMVLP-Pose和CASIA-B数据集上的实验表明，该方法在基于模型的步态识别中具有一定的SOTA性能。我们的方法的代码和模型在被接受后可在https://github.com/timelessnaive/Gait-for-Large-Dataset上获得。
2021-12-20 cs.CV
GaitMA: Pose-guided Multi-modal Feature Fusion for Gait Recognition
Faculty of Information Science and Engineering（信息科学与工程学院）；Ocean University of China（中国海洋大学）
提出GaitMA框架，融合轮廓与骨架热图两种模态，通过共注意力对齐和互学习模块实现稳健步态识别，在Gait3D、OU-MVLP和CASIA-B上表现优越。
2024-07-20 cs.CV
GaitSnippet: Gait Recognition Beyond Unordered Sets and Ordered Sequences
School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学）
GaitSnippet通过将步态视为由个性化动作组成的片段，提出了一种新的步态识别方法，利用多尺度时间上下文提升特征学习，实验表明在Gait3D和GREW数据集上取得高准确率。
2026-03-04 cs.CV
Human Gait Recognition Using Bag of Words Feature Representation Method
University of Central Florida（中佛罗里达大学）；Creighton University（克瑞顿大学）
在本文中，我们提出了一种新的步态识别方法的基础上的词袋特征表示方法。该算法在一个独特的人类步态数据上进行训练、测试和评估，该数据由93个人组成，他们在两个不同的会话期间以舒适的速度在两个端点之间行走。为了评估所提出的模型的有效性，使用提取的特征的分类的输出的结果进行比较。正如它所提出的，所提出的方法相比，使用常见的统计特征，在所有使用的分类器在显着提高精度。
2022-03-24 cs.CV cs.LG
Video Analysis of "YouTube Funnies" to Aid the Study of Human Gait and Falls - Preliminary Results and Proof of Concept
Toronto Rehabilitation Institute（多伦多康复研究所）；University of Toronto（多伦多大学）；Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）；Sunnybrook Research Institute（桑尼布鲁克研究所）
因为跌倒很有趣，YouTube和其他视频分享网站包含了大量真实生活中的跌倒。我们建议从这些视频中提取步态和平衡信息，以帮助我们更好地了解导致跌倒的一些因素。在一个包含多个（n=14）跌倒/非跌倒的视频中探索概念验证。分析探讨：计算从任意视点捕获的视频中的步态的时空参数;障碍物前最后几步的步态参数与跌倒与未跌倒之间的关系;以及多变量模型在预测存在意外障碍物时的跌倒的预测能力。单应变换校正透视投影失真，并允许一致的跟踪步态参数作为一个人走在场景中的任意方向。合成俯视图允许计算平均步幅长度，合成侧视图允许测量头部的上下运动。在留一法交叉验证中，我们能够正确预测一个人是否会在1 - 4个案例中的11个（78.6%）中跌倒，只需查看在到达障碍物之前的1-4步中的平均步幅和垂直头部运动范围。
2016-10-26 cs.CV
Human Gesture and Gait Analysis for Autism Detection
The University of Western Australia（西澳大学）；Edith Cowan University（埃迪斯科文大学）
本文针对自闭症早期检测难题，提出利用视频中的手势与步态活动进行分析，通过有效特征表示和双流协同学习框架识别自闭症儿童并回归评估量表分数以量化病情严重程度。
2023-04-17 cs.CV
GaitStrip: Gait Recognition via Effective Strip-based Feature Representations and Multi-Level Framework
Beijing Jiaotong University（北京交通大学）；National University of Singapore（新加坡国立大学）；PhiGent Robotics（鉴智机器人）；NetEase Fuxi AI Lab（网易伏羲人工智能实验室）；Shandong Normal University（山东师范大学）；University of Technology Sydney（悉尼科技大学）
许多步态识别方法首先将人体步态划分为N个部分，然后将它们组合起来建立基于部分的特征表示。它们的步态识别性能通常受到分区策略的影响，分区策略是在不同数据集中根据经验选择的。然而，我们观察到，作为零件的基本组成部分的条带对不同的分区策略是不可知的。基于这一观察，我们提出了一个基于条带的多层次步态识别网络，命名为GaitStrip，在不同层次上提取全面的步态信息。具体来说，我们的高级别分支探索步态序列的背景，我们的低级别分支专注于详细的姿势变化。我们引入了一种新的基于条带的特征提取器（SPB），通过直接以人体的每个条带为基本单元来学习基于条带的特征表示。此外，我们提出了一种新的多分支结构，称为增强卷积模块（ECM），提取不同的步态表示。ECM由时空特征提取器（ST）、帧级特征提取器（FL）和SPB组成，具有两个明显的优点：第一，每个分支关注一个特定的表示，可以用来提高网络的鲁棒性。具体而言，ST的目的是提取步态序列的时空特征，而FL用于生成每帧的特征表示。其次，通过引入结构重新参数化技术，可以在测试中减少ECM的参数。大量的实验结果表明，我们的GaitStrip在正常行走和复杂条件下都达到了最先进的性能。
2022-10-09 cs.CV
DyGait: Exploiting Dynamic Representations for High-performance Gait Recognition
Beijing Jiaotong University（北京交通大学）；PhiGent Robotics（鉴智机器人）；National University of Singapore（新加坡国立大学）；NetEase Fuxi AI Lab（网易伏羲人工智能实验室）；University of Technology Sydney（悉尼科技大学）
步态识别是一种生物特征识别技术，它通过人的行走模式来识别人的身份。与其他生物特征识别技术相比，步态识别具有更难伪装、无需主体协作、可应用于远距离等特点。因此，它在预防犯罪和社会安全方面具有独特的潜力和广泛的应用。目前，大多数步态识别方法直接从视频帧中提取特征来建立表示。然而，这些架构平等地从不同的特征中学习表示，但对动态特征没有足够的关注，动态特征是指轮廓随时间变化的动态部分（例如腿）的表示。由于人体的动态部分在行走过程中比其他部分（例如袋子）更具信息性，因此在本文中，我们提出了一种名为DyGait的新颖且高性能的框架。这是步态识别的第一个框架，旨在专注于动态特征的提取。具体来说，为了充分利用动态信息，我们提出了一个动态增强模块（DAM），它可以自动建立人体动态部位的时空特征表示。实验结果表明，我们的DyGait网络优于其他国家的最先进的步态识别方法。它在GREW数据集上实现了71.4%的平均Rank-1准确率，在Gait 3D数据集上实现了66.3%，在CASIA-B数据集上实现了98.4%，在OU-MVLP数据集上实现了98.3%。
2023-03-27 cs.CV
Learning Robust Features for Gait Recognition by Maximum Margin Criterion
Masaryk University（马萨里克大学）；Faculty of Informatics, Masaryk University（马萨里克大学信息学院）
在基于运动捕获数据的步态识别领域，设计人类可理解的步态特征是许多研究人员的共同做法。为了避免特别的方案，并找到最大的区别特征，我们可能需要探索超越人类可解释性的极限。本文有助于国家的最先进的机器学习方法提取强大的步态特征直接从原始关节坐标。学习的特点是通过修改的线性判别分析与最大利润标准，使身份最大限度地分离，并结合适当的分类器，用于步态识别。在CMU MoCap数据库上的实验表明，该方法在生物特征模板在四类可分性系数表示的特征空间中的分布方面优于其他八种相关方法。另外的实验表明，该方法是基于秩的分类器系统的领先概念。
2022-12-07 cs.CV
Silhouette-based Gait Foundation Model
Johns Hopkins University（约翰霍普金斯大学）；Shenzhen University（深圳大学）
FoundationGait是首个可扩展的自监督预训练框架，用于步态理解，通过大规模预训练在多个数据集上实现稳健的步态识别性能。
2026-09-15 cs.CV
Distillation-guided Representation Learning for Unconstrained Gait Recognition
Johns Hopkins University（约翰斯·霍普金斯大学）；City University of Hong Kong（香港城市大学）
提出GADER框架，通过双螺旋签名检测步态片段、编码视角信息并从RGB模型蒸馏表示，显著提升了无约束场景下步态识别的鲁棒性和准确率。
2024-10-13 cs.CV
Dense-View GEIs Set: View Space Covering for Gait Recognition based on Dense-View GAN
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）；University of Texas at Arlington（得克萨斯大学阿灵顿分校）；Southern University of Science and Technology（南方科技大学）；National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）；Watrix technology limited co. ltd（Watrix科技有限公司）
步态识别已被证明是有效的长距离人体识别。但是步态特征的视角变化会极大地改变人体的外观，降低其性能。大多数现有的步态数据集通常收集十几个不同角度的数据，甚至更少。有限的视角将阻止学习更好的视图不变特征。如果以1度间隔采集不同角度的数据，可以进一步提高步态识别的鲁棒性。但是收集这类数据集是费时费力的。在本文中，我们，因此，介绍了密集视图GEIs集（DV-GEIs）来处理有限的视角的挑战。该套可覆盖整个视景空间，视角范围从0度到180度，间隔1度。此外，密集视图GAN（DV-GAN）的建议，综合这个密集视图集。DV-GAN由Generator、Discriminator和Monitor组成，其中Monitor用于保存人类身份和视图信息。在CASIA-B和OU-ISIR数据集上对所提出的方法进行了评估。实验结果表明，由DV-GAN合成的DV-GEI是一种学习更好的视图不变特征的有效方法。我们相信稠密视图生成样本的思想将进一步促进步态识别的发展。
2020-09-26 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
Gait Pattern Recognition Using Accelerometers
University of Michigan（密歇根大学）
运动能力是人体最重要的特性之一，步态是人体过渡运动的基础。步态作为识别人类身份的生物特征，可以是使用可穿戴或便携式智能设备非入侵地捕获的信号。在这项研究中，步态模式收集使用两个传感器位于胸部和右脚踝的受试者的无线平台。然后对原始数据进行了一些预处理方法，并将其分割成5秒窗口。提取了一些时域和频域特征，并通过5种不同的分类器进行了性能评估。决策树（所有特征）和K-近邻（10个选择的特征）分类器分别达到99.4%和100%。
2017-03-11 cs.AI cs.CV
Spatial Transformer Network on Skeleton-based Gait Recognition
South China University of Technology（华南理工大学）
步态识别模型的Rank-1识别率从正常行走的90%到穿大衣行走的70%不等，鲁棒性差。在这项工作中，我们提出了一个国家的最先进的鲁棒的基于卷积的步态识别模型称为步态TR，这是基于空间Transformer框架和时间卷积网络的组合。Gait-TR在步态数据集CASIA-B上实现了比其他基于机器学习的步态模型更高的精度和更好的鲁棒性。特别是在穿着外套行走的情况下，Gait-TR的Rank-1步态识别准确率达到90%，高于基于轮廓的步态识别模型的最佳结果，而基于轮廓的步态识别模型通常具有更高的准确率。此外，我们在CASIA-B上的实验表明，空间Transformer可以更好地从人体骨骼提取步态特征比广泛使用的图卷积网络。
2022-04-08 cs.CV
GaitForeMer: Self-Supervised Pre-Training of Transformers via Human Motion Forecasting for Few-Shot Gait Impairment Severity Estimation
Stanford University（斯坦福大学）；SRI International（SRI国际）
帕金森氏病（PD）是一种神经系统疾病，具有多种可观察到的运动相关症状，如运动缓慢、震颤、肌肉僵硬和姿势受损。PD通常通过根据诸如运动障碍协会统一帕金森氏病评定量表（MDS-PDRS）的评分系统评估运动损伤的严重性来诊断。使用个人的视频记录的自动严重性预测提供了一个有前途的非侵入性监测运动障碍的路线。然而，PD步态数据的有限大小阻碍了模型能力和临床潜力。由于这种临床数据的稀缺性，并受到GPT-3等自监督大规模语言模型的最新进展的启发，我们使用人体运动预测作为一种有效的自监督预训练任务来估计运动障碍的严重程度。我们介绍了GaitForeMer，Gait Forecasting和损伤估计Transformer，它首先在公共数据集上进行预训练以预测步态运动，然后应用于临床数据以预测MDS-MRS步态损伤严重程度。我们的方法优于以前的方法，完全依赖于临床数据的大幅度，实现了F1得分为0.76，精度为0.79，召回率为0.75。使用GaitForeMer，我们展示了公共人体运动数据库如何通过学习通用运动表示来帮助临床用例。该代码可在https://github.com/markendo/GaitForeMer上获得。
2022-06-30 cs.CV cs.LG eess.IV
LSTM-based Network for Human Gait Stability Prediction in an Intelligent Robotic Rollator
National Technical University of Athens（雅典国家技术大学）
在这项工作中，我们提出了一种新的框架，用于使用长短期记忆（LSTM）网络对智能机器人助行车的老年用户进行在线人体步态稳定性预测，融合来自非可穿戴传感器的多模态RGB-D和激光测距仪（LRF）数据。基于深度学习（DL）的方法用于上身姿势估计。使用无迹卡尔曼滤波器（UKF）将检测到的姿势用于估计身体质心（CoM）。增强步态状态估计框架利用LRF数据来估计腿的位置和相应的步态相位。这些估计是编码器-解码器序列到序列模型的输入，该模型预测步态稳定性状态为安全或跌倒风险行走。通过探索不同的网络架构、超参数设置以及将所提出的方法与其他基线进行比较，使用来自真实患者的数据对其进行了验证。所提出的基于LSTM的人体步态稳定性预测器，以提供强大的预测的人体稳定状态，因此有可能被集成到一个通用的用户自适应控制架构作为跌倒风险警报。
2019-03-05 cs.CV cs.LG cs.RO
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
Combo-Gait: Unified Transformer Framework for Multi-Modal Gait Recognition and Attribute Analysis
Johns Hopkins University（约翰霍普金斯大学）；University of Maryland（马里兰大学）
本文提出结合2D时间轮廓与3D SMPL特征的多模态框架，实现步态识别与年龄、BMI、性别等属性估计，通过统一Transformer融合多模态特征，提升鲁棒性和准确性。
2026-04-22 cs.AI cs.CV cs.LG
GaitTAKE: Gait Recognition by Temporal Attention and Keypoint-guided Embedding
University of Washington（华盛顿大学）；University of Science and Technology, University of Danang（岘港大学科技大学）；Electronics and Telecommunications Research Institute (ETRI)（电子与电信研究所（ETRI））
步态识别是指根据从远处捕获的视频数据，基于其身体形状和行走方式对人进行识别或识别，广泛应用于犯罪预防，法医鉴定和社会安全。然而，据我们所知，大多数现有的方法使用的外观，姿势和时间特征，而不考虑学习的时间注意力机制的全局和局部信息融合。在本文中，我们提出了一种新的步态识别框架，称为时间注意力和关键点引导嵌入（GaitTAKE），有效地融合了时间注意力的全局和局部外观特征和时间聚合的人体姿势特征。实验结果表明，我们提出的方法实现了一个新的SOTA在步态识别的秩-1准确率为98.0%（正常），97.5%（袋）和92.2%（大衣）的CASIA-B步态数据集上; 90.4%的准确率在OU-MVLP步态数据集。
2022-07-12 cs.CV
Cross-Modality Gait Recognition: Bridging LiDAR and Camera Modalities for Human Identification
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）；University of Cordoba（科尔多瓦大学）；The Hong Kong Polytechnic University（香港理工大学）
本文针对 LiDAR 与相机间的跨模态步态识别问题，提出 CrossGait，通过模态内特征提取、跨模态对齐、共享注意力与特征适配器实现准确行人检索。
2024-04-04 cs.CV
Supervised learning for improving the accuracy of robot-mounted 3D camera applied to human gait analysis
Universidad Politécnica de Madrid（马德里理工大学）；Centre for Automation and Robotics (CAR UPM-CSIC)（自动化与机器人中心（马德里理工大学-西班牙国家研究委员会））；ETSIDI（马德里理工大学工业设计工程学院）
使用3D相机进行步态分析一直受到高度质疑，因为它们过去表现出的准确性较低。本文提出的研究的目的是通过应用监督学习阶段来提高机器人安装的3D摄像机在人类步态分析中所做的估计的准确性。将3D摄像机安装在移动机器人上，以获得更长的步行距离。这项研究表明，通过后处理的原始估计的相机使用人工神经网络训练的数据从认证的Vicon系统的运动步态信号和步态描述符的检测的改进。为了实现这一目标，招募了37名健康参与者，并使用Orbbec Astra 3D相机收集了207个步态序列的数据。有两种基本的训练方法：使用运动学步态信号和使用步态描述符。前者旨在通过减少误差和增加相对于Vicon系统的相关性来改善运动步态信号的波形。第二种是更直接的方法，专注于直接使用步态描述符训练人工神经网络。在训练之前和之后测量3D相机的准确性。在这两种培训方法中，都观察到了改进。运动学步态信号显示出较低的错误和较高的相关性相对于地面真相。该系统检测步态描述符的准确性也显示出实质性的改善，主要是运动学描述符，而不是时空。当比较两种训练方法时，不可能确定哪一种是绝对最好的。因此，我们相信培训方法的选择将取决于进行研究的目的。这项研究揭示了3D相机的巨大潜力，并鼓励研究界继续探索其在步态分析中的应用。
2022-07-03 cs.AI cs.CV
Is Visual Realism Enough? Evaluating Gait Biometric Fidelity in Generative AI Human Animation
Universidad Autonoma de Madrid（马德里自治大学）；Southern University of Science and Technology（南方科技大学）
本研究评估了生成式AI在人体动画中是否能保持步态生物特征的保真度，发现当前模型在识别任务中存在不足，依赖视觉属性而非时间动态。
2025-12-22 cs.AI cs.CV
Gait Cycle Reconstruction and Human Identification from Occluded Sequences
National Institute of Technology, Durgapur（杜尔加布尔国家技术学院）；Indian Institute of Technology (BHU), Varanasi（瓦拉纳西印度理工学院（班纳勒斯印度教大学））
使用基于计算机视觉的技术从在监控站点捕获的视频中进行基于步态的人识别是相当具有挑战性的，因为这些行走序列通常被遮挡破坏，并且完整的步态周期并不总是可用的。在这项工作中，我们提出了一个有效的神经网络为基础的模型来重建的输入序列中的遮挡帧进行步态识别之前。具体来说，我们使用LSTM网络从向前和向后两个方向预测每个被遮挡帧的嵌入，然后通过使用残差块和卷积层的网络融合来自两个LSTM的预测。在训练LSTM以最小化均方损失的同时，训练融合网络以优化地面实况和重建样本之间的逐像素交叉熵损失。使用从OU-ISIR LP和CASIA-B数据生成的合成遮挡序列以及TUM-IITKGP数据中存在的真实遮挡序列对我们的方法进行了评估。通过Dice评分和基于步态的步态识别准确率，验证了所提出的重建模型的有效性。与现有的步态识别中的遮挡处理方法的比较研究突出了我们提出的遮挡重建方法的优越性。
2022-06-20 cs.AI cs.CV
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
Transforming Gait: Video-Based Spatiotemporal Gait Analysis
Shirley Ryan AbilityLab（雪莉·瑞安能力实验室）；Northwestern University（西北大学）；Baylor College of Medicine（贝勒医学院）
从单目视频中估计人体姿态是一个快速发展的领域，为人体运动科学和康复提供了巨大的希望。这种潜力受到较小的工作量的调节，确保输出具有临床意义并经过适当校准。步态分析通常在专门的实验室中进行，可以产生精确的测量结果，包括运动学和步伐计时。使用来自仪器化步态分析实验室的7000多个单目视频，我们训练了一个神经网络来将3D关节轨迹和个体的高度映射到可解释的生物力学输出上，包括步态周期定时和矢状面关节运动学和时空轨迹。该任务特定层产生对脚接触和脚离开事件的定时的准确估计。在将运动学输出解析为单个步态周期后，它还可以对节奏、步行时间、双支撑和单支撑时间、步行速度和步长进行精确的逐周期估计。
2022-03-17 cs.CV q-bio.QM
Occlusion-Invariant Rotation-Equivariant Semi-Supervised Depth Based Cross-View Gait Pose Estimation
Imperial College London（伦敦帝国理工学院）；Shanghai Jiao Tong University（上海交通大学）
从深度图像中准确估计三维人体骨骼可以为医疗保健应用提供重要的度量，特别是对于生物力学步态分析。然而，存在与从单个视图捕获的深度图像相关联的固有问题。收集的数据受到遮挡的影响很大，只能记录部分表面数据。此外，人体的深度图像表现出异构的特点与视点的变化，估计的姿态在局部坐标系下，预计将经历等变旋转。大多数现有的姿态估计模型对这两个问题都很敏感。为了解决这个问题，我们提出了一种新的方法，交叉视图的泛化与闭塞不变的半监督学习框架上建立一个新的旋转等变骨干。我们的模型使用来自单个视图的真实数据和来自多个视图的未标记合成数据进行训练。它可以很好地概括来自所有其他不可见视图的真实世界数据。与其他最先进的方法相比，我们的方法在ICL-Gait数据集上的步态分析方面表现出了卓越的性能，并且它可以在ITOP数据集上产生比其提供的“地面实况”更令人信服的关键点。
2021-09-03 cs.CV
Ordinal Distribution Regression for Gait-based Age Estimation
Fudan University（复旦大学）；School of Computer Science, Fudan University（复旦大学计算机学院）；Shanghai Key Lab of Intelligent Information Processing（上海市智能信息处理重点实验室）
计算机视觉研究人员更喜欢从人脸图像中估计年龄，因为面部特征提供了有用的信息。然而，当人们远离相机或被遮挡时，从人脸图像估计年龄变得具有挑战性。一个人的步态是一个独特的生物特征，可以有效地感知，即使在距离。因此，步态可以用来预测年龄时，面部图像不可用。然而，现有的基于步态的分类或回归方法忽略了不同年龄的顺序关系，这是一个重要的线索，年龄估计。本文提出了一种有序分布回归与全局和局部卷积神经网络的步态年龄估计。具体来说，我们分解步态为基础的年龄回归到一系列的二进制分类，将有序的年龄信息。然后，提出了一种有序分布损失，考虑这些分类之间的内在联系，通过惩罚估计值和地面真理之间的分布差异。此外，我们的神经网络包括一个全局和三个局部子网络，因此，能够学习头部，身体和脚的全局结构和局部细节。实验结果表明，该方法优于国家的最先进的步态为基础的年龄估计方法上的OULP-Age数据集。
2020-01-31 cs.CV
The Arm-Swing Is Discriminative in Video Gait Recognition for Athlete Re-Identification
Delft University of Technology（代尔夫特理工大学）
在本文中，我们评估的跑步步态作为一个属性的视频人重新识别在长跑事件。我们表明，运行步态识别实现竞争力的性能相比，外观为基础的方法在跨相机检索任务，步态和外观特征是互补的。对于步态，由于躯干区域的模糊性，当使用二进制步态轮廓时，跑步期间的手臂摆动不太可区分。我们建议使用人类的语义解析来创建部分步态轮廓的躯干被遗漏。省略躯干可以让手臂的摆动在正面和倾斜的视角下更明显，从而提高识别结果，这暗示了手臂的摆动在某种程度上是个人的。实验表明，与使用全身轮廓相比，CampusRun上的mAP增加了3.2%，CASIA-B上的正面和背面视图的准确性增加了4.8%。
2021-06-21 cs.CV
