摘要
步态识别作为一种基于视频的生物特征识别技术，能够在远距离条件下识别个体独特的行走模式，是当前最具前景的技术之一。目前，大多数步态识别方法将整个人体视为一个整体单元，构建时空表征。然而，我们观察到人体不同部位在行走过程中呈现出显著不同的视觉外观与运动模式。最新研究已证实，采用人体局部特征进行描述有助于提升个体识别性能。基于上述观察，我们提出假设：人体各部分应具备各自独立的时空表达方式。为此，本文提出一种新型基于局部的步态识别模型——GaitPart，并在两个方面显著提升了识别性能：其一，提出一种新型卷积操作——焦点卷积层（Focal Convolution Layer），用于增强局部空间特征的细粒度学习能力；其二，设计了微运动捕捉模块（Micro-motion Capture Module, MCM），在GaitPart模型中设置多个并行的MCM，分别对应预定义的人体不同部位。值得注意的是，MCM是一种面向步态任务的新型时间建模方法，其关注的是短时程的时间特征，而非传统方法中冗余的长时程周期性特征。在两个最广泛使用的公开数据集CASIA-B和OU-MVLP上的大量实验结果充分表明，本方法在多个标准基准测试中均达到了新的最先进水平。相关源代码已开源，可访问 https://github.com/ChaoFan96/GaitPart 获取。