GaitPoint+: A Gait Recognition Network Incorporating Point Cloud Analysis and Recycling

步态是一种行为生物识别模式，可以通过远距离观察个体的行走方式来识别其身份。大多数现有的步态识别方法依赖于轮廓或骨架，而它们的联合使用还未得到充分探索。轮廓和骨架的特征可以提供互补信息，以更好地应对外观变化或姿态估计误差。为了利用轮廓和骨架特征的优势，我们提出了一种新的步态识别网络，称为GaitPoint+。我们的方法将骨架关键点建模为三维点云，并采用计算复杂度意识的三维点处理方法提取骨架特征，然后与轮廓特征结合以提高准确性。由于轮廓或基于CNN的方法已经需要相当数量的计算资源，因此最好的情况是关键点学习模块更快更轻量级。我们提供了对传统最大池化使用后每个人类关键点利用情况的详细分析，并表明虽然肘部和踝部点最常用，但许多有用的点被最大池化丢弃。因此，我们提出了一种通过回收最大池化模块中的一些丢弃点来进一步提高性能的方法，在处理骨架点云时实现。我们提供了一套全面的实验结果，显示（i）将基于点的三维点云处理方法获得的骨架特征与三种不同的基于轮廓和CNN的基线相结合可以提高性能；（ii）回收被丢弃的点可以进一步提高准确性。我们还提供了消融研究，以展示我们方法的不同组成部分的有效性和贡献。

本论文的问题是探索利用轮廓和骨架特征相结合的步态识别方法，以提高对外观变化和姿态估计误差的鲁棒性。

本论文的关键思路是将骨架关键点建模为三维点云，并采用计算复杂度较低的三维点处理方法提取骨架特征，再与轮廓特征相结合，以提高步态识别的准确性。

本论文设计了GaitPoint+步态识别网络，提出了一种Recycling Max-Pooling模块，可以回收被max-pooling丢弃的骨架关键点，从而进一步提高准确性。实验结果表明，GaitPoint+网络的性能优于三种不同的基线模型，并且回收丢弃的关键点可以进一步提高准确性。

最近的相关研究包括基于轮廓或基于CNN的步态识别方法，但是很少有研究探索如何将轮廓和骨架特征相结合。