Комплексное исследование кросс-видовой идентификации человека по походке с использованием глубоких сверточных нейронных сетей

В статье изучается подход к идентификации человека по походке посредством обучения сходству с использованием глубоких сверточных нейронных сетей (CNN). Имея относительно небольшую подборку размеченных мультивидовых видеозаписей ходьбы людей, мы обучаем глубокие сети распознавать наиболее дискриминативные изменения в шаблонах походки, указывающие на изменение личности. Насколько нам известно, это первая работа в литературе, основанная на глубоких CNN для распознавания по походке. Мы приводим обширную эмпирическую оценку для различных сценариев, а именно кросс-видовых и кросс-условий ходьбы, с разными подходами предварительной обработки и архитектурами сетей. Метод впервые оценен на сложном наборе CASIA-B в задаче кросс-видового распознавания по походке. Экспериментальные результаты показывают, что он существенно превосходит предыдущие методы, достигавшие лучшего результата. В частности, наш метод показывает преимущества при больших кросс-видовых углах (не менее 36 градусов). Средний уровень распознавания может достигать 94 процентов, что значительно выше предыдущего лучшего результата (менее 65 процентов). Метод дополнительно оценен на наборе OU-ISIR для проверки обобщающей способности на больших данных. OU-ISIR в настоящее время является крупнейшим доступным в литературе набором для распознавания по походке и содержит 4 007 субъектов. На этом наборе средняя точность нашего метода при идентичных условиях вида превышает 98 процентов, а для кросс-видовых сценариев — свыше 91 процента. Наконец, метод также показывает наилучшую работу на наборе USF, в котором последовательности походки сняты в реальной уличной обстановке. Эти результаты указывают на высокий потенциал метода для практических приложений.