라이더(LiDAR)로 수집한 정확한 깊이 데이터는 보행 인식 성능을 크게 향상시킬 수 있습니다. 그러나 이러한 깊이 데이터는 다소 거칠고 명확한 분할 경계가 부족하여 인체의 정밀한 동작과 체형을 판단할 때 더 많은 모호성이 발생하여 모델이 보행 관련 특징을 학습하는 능력이 약화됩니다. 이러한 문제를 해결하기 위해 깊이 기반 보행 인식용 실루엣 유도 동작 강화 모델인 SigmaGait를 제안합니다. 이 모델은 실루엣의 명확한 경계와 균일한 전경을 활용하여 모델이 지역적 동작 패턴과 세밀한 외관 특징을 인지하는 능력을 강화합니다. 또한 LiDAR 센서가 없는 환경을 위해 RGB 컬러 데이터를 활용한 가상 깊이 생성 방식을 탐구했습니다. 기성품 스킨 다중선형 모델(SMPL)을 사용하여 추정된 인체 격자를 가상 깊이 맵으로 렌더링하여 일반 카메라와 LiDAR 보행 인식 방법 간의 성능 차이를 줄였습니다. 제안된 방법은 다양한 실제 및 생성 데이터 세트에서 체계적으로 평가되었으며, 여기에는 옷 변경 보행자 재인식 및 보행 인식(CCPG), SUSTech1K 및 FreeGait가 포함됩니다. 실험 결과 제안된 모델이 실제 LiDAR 데이터에서 최신 최첨단 성능을 달성했으며, 가상 깊이 맵은 합성 데이터 출처임에도 불구하고 2D 데이터 세트에서 모델의 인식 정확도를 크게 향상시켰음을 보여줍니다.

보행 인식; 깊이; 스킨 다중선형 모델(SMPL); 라이더(LiDAR); 가상 깊이