Präzise Tiefendaten, die aus der Lichtdetektion und -entfernungsmessung (LiDAR) abgeleitet werden, haben sich als effektiv zur Verbesserung der Gang-Erkennung erwiesen. Diese Tiefendaten sind jedoch grob und weisen keine klaren Segmentierungsgrenzen auf, was oft zu erhöhter Mehrdeutigkeit bei der Interpretation präziser menschlicher Bewegungen und Körperformen führt, was die Fähigkeit des Modells einschränken kann, diskriminative gangbezogene Merkmale zu erlernen. Um diese Herausforderung zu bewältigen, schlagen wir ein neuartiges silhouttengeführtes Bewegungsverstärkungsmodul für die gangbasierte Erkennung auf Tiefenbasis vor, genannt SigmaGait. SigmaGait nutzt die klaren Grenzen und homogenen Vordergründe von Silhouetten, um das Bewusstsein des Modells für Bewegungen auf Teilebene und fein granulare Erscheinungsmerkmale zu verbessern. Darüber hinaus untersuchen wir einen Ansatz zur Pseudo-Tiefengenerierung, der zugängliche Rot-Grün-Blau (RGB)-Daten für Szenarien nutzt, in denen LiDAR-Sensoren nicht verfügbar sind. Durch den Einsatz von vorgefertigten geskinnten multi-personalen linearen (SMPL) Modellen synthetisieren wir Pseudo-Tiefenkarten aus geschätzten menschlichen Netzen, die die Leistungslücke zwischen kamerabasierter und LiDAR-basierter Gang-Erkennung überbrücken. Wir bewerten unseren Ansatz empirisch auf realen und synthetischen Datensätzen, einschließlich des Kleidung-Wechsel-Benchmarks für Personenneuerkennung und Gang-Erkennung (CCPG), SUSTech1K und FreeGait. Unser Modell erreicht den Stand der Technik bei realen LiDAR-Daten, und unsere Pseudo-Tiefenkarten verbessern die Genauigkeit bei 2D-Datensätzen trotz ihres synthetischen Ursprungs.

Gang-Erkennung;Tiefe;Geskinntes multi-personales lineares (SMPL);Lichtdetektion und Entfernungsmessung (LiDaR);Pseudo-Tiefe