导读
2018年生物特征识别冬令营（IAPR/IEEE Winter School on Biometrics 2018）由IAPR和IEEE冠名和赞助，于2018年1月29日至2月2日在深圳举办，由香港浸会大学计算机科学系、中科院自动化所和深圳大学计算机与软件学院联合主办。本文按Yasushi Yagi教授H在生物特征识别冬令营（WSB2018）的报告《Human Gait Analysis》进行整理，经《生物特征识别冬令营》授权发布。
讲者简介
Yasushi Yagi教授是日本大阪大学常务副校长，大阪大学产业科学研究所所长。曾任亚洲计算机视觉会议2007－2011，以及亚洲模式识别会议2011－2013等会议程序委员会主席。曾获国际机器人大会2008最佳论文奖。
正文
今天很荣幸的听了来自大阪大学的Yagi教授讲针对步态识别不同挑战下的一些方法以及最新的进展。步态识别相比于其他生物识别方法而言，最大的优势就是可以远距离进行识别。对于步态特征的提取，教授给我们介绍了它的提取流程，从原始的步态图片序列中先提前步态轮廓，然后再去做归一，最后用归一好的序列来计算特征。在这里以OU_ISIR数据集为例，计算不同特征之间的距离，距离的计算采用了欧式距离，同时就对步态序列的特征计算方法而言，GEI相对别的步态特征例如：FDF 等也可以更好的表达步态信息。
然而在真正的步态识别中，存在着许多挑战，例如不同视角，遮挡问题，步行速度的注册集与验证集不符合，视频的帧率注册集与验证集不符合都会导致识别率的下降。遮挡问题中，如果注册集与验证集完全没有重合部分则会导致识别失败，在这里Yagi教授介绍了regenerated gait 的方法，去补足遮挡缺失的步态来解决此类问题。在注册集与验证集速度不一致的情况下，可以分离步态轮廓的body shape 和 motion，利用STM生成与注册集一致的步速motion,并与分离出的轮廓融合，在这里上半身由于受速度影响很小，所以此方法在解决该类问题也很有效。同样在解决注册集与验证集时也采取了类似的思路，将低帧率的步态利用PTSR转为高帧率的步态。
在解决视角这个挑战时，Yagi教授先给我们介绍了VTM方法，利用了奇异值分解，将特征矩阵分解成与角度无关的向量，与subject无关的向量以及特征值，再利用subject无关的向量将特征进行角度的变换。但是在解决角度问题利用CNN目前可以取得最好的识别率并且远远超过传统方法，在这里教授为我们介绍了利用contrastive loss 和triple loss可以缩小intra-gait 距离，扩大inter-gait 距离。最令人兴奋是Yagi教授给我们展示了他们最新采集的数据集包括接近100000个subject 涵盖14个角度，包括年龄，性别，遮挡，携带等各种情景，公布以后应该是目前已知最大的数据集，让我们拭目以待！
