Os dados de profundidade precisos capturados pelo LiDAR podem melhorar significativamente o desempenho do reconhecimento de marcha. No entanto, esses dados de profundidade são relativamente grosseiros e carecem de limites claros de segmentação, o que gera mais ambiguidades na determinação dos movimentos precisos do corpo e da forma física, enfraquecendo a capacidade do modelo de aprender características discriminativas relacionadas à marcha. Para solucionar este problema, propõe-se um novo modelo de aprimoramento de movimento guiado por silhuetas para reconhecimento de marcha baseado em profundidade, chamado SigmaGait. Esse modelo utiliza as bordas claras das silhuetas e um primeiro plano uniforme para aprimorar a capacidade do modelo de reconhecer padrões de movimento locais e características finas de aparência. Além disso, para cenários sem sensores LiDAR, explorou-se uma abordagem de geração de profundidade falsa utilizando dados RGB coloridos. Usando o modelo linear multicorpo com skinning existente (SMPL), a malha corporal estimada é renderizada em um mapa de profundidade falsa, reduzindo assim a lacuna de desempenho entre os métodos de reconhecimento de marcha com câmera comum e LiDAR. O método proposto foi avaliado sistematicamente em vários conjuntos de dados reais e sintéticos, incluindo reidentificação de pedestres com troca de roupas e reconhecimento de marcha (CCPG), SUSTech1K e FreeGait. Os resultados experimentais mostram que o modelo proposto alcança desempenho de ponta em dados LiDAR reais, e embora os mapas de profundidade falsa sejam derivados de dados sintéticos, ainda assim melhoram significativamente a precisão do reconhecimento do modelo em conjuntos de dados 2D.

reconhecimento de marcha; profundidade; modelo linear multicorpo com skinning (SMPL); LiDAR; profundidade falsa