基于相对位置编码转换器模块的深度步态识别网络

步态识别是一种快速发展的远距离生物特征识别技术,在远距离、跨视角和跨着装等多种场景中具有广泛应用和优势。传统的生物特征识别技术,如指纹识别、面部识别等,往往需要近距离或在特定条件下才能有效进行,而步态识别技术则突破了这些限制,使得在更为广泛的环境下进行个体识别成为可能。以往的研究大多采用轻量级的神经网络提取步态特征,并在目前流行的跨视角和跨着装数据集上(如CASIA-B)取得了巨大的进步。然而,实验结果表明,在CASIA-B数据集上简单叠加神经网络的层数将导致识别准确率大幅度下降。基于相对位置编码转换器模块提出了一个深度步态识别网络,旨在避免陷入“局部特征关联”的陷阱,同时使网络能够持续不断地学习步态序列的时序特征。与目前主流的方法相比,所提方法在室内场景(CASIA-B,OUMVLP)和室外场景(Gait3D)步态数据集上都达到了更优的识别准确率,特别在换装任务(CL)上超出基准方法1.9%,实现了85.5%识别准确率。