Точные данные о глубине, полученные с помощью светового обнаружения и дальномера (LiDAR), показали свою эффективность в улучшении распознавания походки. Однако эти данные о глубине являются грубыми и лишены четких границ сегментации, что часто приводит к увеличению неопределенности при интерпретации точного движения человека и формы тела, что потенциально ограничивает способность модели изучать дискриминирующие признаки, связанные с походкой. Для решения этой задачи мы предлагаем новый модуль улучшения движения, управляемый силуэтом, для распознавания походки на основе глубины, называемый SigmaGait. SigmaGait использует четкие границы и однородный передний план силуэтов для повышения осведомленности модели о движениях на уровне частей и тонких признаках внешнего вида. Кроме того, мы исследуем подход к генерации псевдоглубины, который использует доступные данные красного-зеленого-синего (RGB) для сценариев, где датчики LiDAR недоступны. С помощью готовых линейных моделей скиннированных многоперсональных моделей (SMPL) мы синтезируем псевдо-глубинные карты из оцененных человеческих сеток, сокращая разрыв в производительности между распознаванием походки с камерой и LiDAR. Мы эмпирически оцениваем наш подход на реальных и синтетических наборах данных, включая эталон для смены одежды для повторного распознавания личности и распознавания походки (CCPG), SUSTech1K и FreeGait. Наша модель достигает передовых результатов на реальных данных LiDAR, а наши псевдо-глубинные карты улучшают точность на 2D-данных несмотря на их синтетическое происхождение.

Распознавание походки;Глубина;Линейные скиннированные многоперсональные модели (SMPL);Световое обнаружение и дальномер (LiDaR);Псевдо-глубина