GaitSTR: Gait Recognition with Sequential Two-stream Refinement

步态识别旨在根据人们的行走序列识别出其身份，作为一种有用的生物识别方式，因为它可以从远距离观察到而不需要被识别者的合作。在表示一个人的行走序列时，轮廓和骨架是两种主要的模态。当不同身体部位重叠时，轮廓序列缺乏详细的部分信息，并受到携带物品和衣物的影响。骨架由连接关节和骨骼的关节组成，为不同部分提供更准确的部分信息；然而，它们对遮挡和低质量图像敏感，导致序列内帧间结果的不一致性。在本文中，我们探讨了使用骨架的两个流表示进行步态识别的方法，并结合轮廓。通过将轮廓和骨架的组合数据融合，我们通过图卷积中的自我校正和来自轮廓的时间一致性的跨模态校正来完善两个流的骨架、关节和骨骼。我们证明，通过完善骨架，步态识别模型的性能可以在公共步态识别数据集上实现进一步的改进，与最先进的方法相比，无需额外的注释。

本论文旨在探索使用骨架和轮廓线两种模态的双流表示法，以提高步态识别模型的性能。

通过将轮廓线和骨架的组合数据融合起来，利用图卷积进行自我校正，同时利用轮廓线的时间一致性进行跨模态校正，从而进一步提高骨架的精度和步态识别模型的性能。

论文使用公共步态识别数据集进行实验，并与当前最先进的方法进行了比较。实验结果表明，使用双流表示法和融合数据的方法可以提高步态识别模型的性能。

近期的相关研究包括：'Gait Recognition Using Inertial Sensors: A Survey'和'Gait Recognition Using Convolutional Neural Networks: A Comparative Study'等。