Apprentissage de Représentations Hiérarchiques Spatio-Temporelles pour la Reconnaissance de la Marche

La reconnaissance de la démarche est une technique biométrique qui identifie les individus par leur style de marche unique, convient aux environnements non contraints et possède un large éventail d'applications. Bien que les méthodes actuelles se concentrent sur l'exploitation de représentations basées sur les parties du corps, elles négligent souvent les dépendances hiérarchiques entre les motifs de mouvement locaux. Dans cet article, nous proposons un cadre d'apprentissage de représentations spatio-temporelles hiérarchiques (HSTL) pour extraire des caractéristiques de démarche de manière grossière à fine. Notre cadre commence par une analyse de regroupement hiérarchique pour récupérer des structures corporelles multinationales, allant de l'ensemble du corps aux détails locaux. Ensuite, un extracteur de mouvement basé sur des régions adaptatives (ARME) est conçu pour apprendre des caractéristiques de mouvement indépendantes des régions. Le HSTL proposé empile ensuite plusieurs ARMEs selon une approche descendante, chaque ARME correspondant à un niveau spécifique de partition dans la hiérarchie. Un module de regroupement spatio-temporel adaptatif (ASTP) est utilisé pour capturer des caractéristiques de démarche à différents niveaux de détail afin d'effectuer une cartographie hiérarchique des caractéristiques. Enfin, un module d'agrégation temporelle au niveau des images (FTA) est employé pour réduire les informations redondantes dans les séquences de démarche grâce à un échantillonnage temporel multi-échelle. De nombreuses expériences menées sur les ensembles de données CASIA-B, OUMVLP, GREW et Gait3D démontrent que notre méthode surpasses l'état de l'art tout en maintenant un équilibre raisonnable entre la précision du modèle et sa complexité.