2014LuJW-Human Identity and Gender Recognition from Gait Sequences with Arbitrary Walking Directions

主要内容：

（1） 建立了自己的步态数据库。（自由方向行走）ADSC-AWD,使用kinect 代替普通的摄像机

（2）提出SRML方法，基于度量学习的稀疏重构算法。最小化类内重构误差，最大化类间重构误差。

（3）实验比较，而且还使用了USF与CASIA数据库比较，验证了方法的好

（4）还做了性别识别，并实验。

下面就其重点SRML方法，以及实验效果做介绍

一、所提方法SRML

(1),预处理:背景减除，抠出人的轮廓，并缩放到同一大小 64*44

（2） C-AGI

与大部分其他方法使用GEI不同，因为行走方向自由，很难判断其步态周期。在论文中，他使用聚类步态序列，K-means方法行不通，使用了文献[10]中的Affinity propagation(AP)算法获得聚类。

（3）SRML

有了C-AGI之后，就参考文献[47](鲁棒人脸识别), 重构误差最小化。本文希望类内重构最小化，类间重构最大化。同时本文还使用了度量学习理论，而不是仅仅使用欧式距离。

所以对于学习到的度量矩阵M，目标函数为：

H 为类内字典（由同一类c，所有样本构成的字典),G为类间字典。   本文希望类内重构误差尽可能小，类间重构误差尽可能大，也就是希望（2）式小，（3）式大。

(2),(3)都为min函数，是求得的最小重构误差，在最小重构误差的基础上，希望（3）的最小重构误差大。也就是最大最小问题。

于是就希望（3）-（2）尽可能大。

这里面有三项是要学习的，M,A,B

这时候使用EM算法来迭代求解。初始先令M为欧式距离矩阵，求解A,B；之后AB基础上再求解合适的M。

A,B的求解方法：

M 的求解：

其等价于

最终SRML的目标函数为求解W的优化问题

其完整算法如下：

（4）分类识别

一个序列中可聚类多个C-AGI，直接对重构误差求和，最小的进行识别。

二、实验

1，身份识别

a,与度量学习方法的比较，由于该文方法使用了误差重构，它是利用点到集合的距离度量，而其他方法只是点到点的距离度量，对于类间距离（视角）变化大的数据更有效

b,与现有步态识别方法比较：现有方法不能很好地获得任意行走方向下的步态特征，所以效果不好。

c,与非度量学习方法的比较：主要与SRC[文献47]，都是重构，但本文考虑了学习一个好的度量矩阵，对于分类识别更有效。

d,与不同分类器的比较：主要与NN,和NFS(nearst feature space)，由于本文采用重构的方法（类似于[47]效果好于其他）

e,迭代次数的影响：仅需要很少的几步迭代就可以达到稳定的效果

f,成功和识别样例：如果有类似的方向变化，和类似的步态速度，成功可能会更高，如果行走风格，方向，速度大不一样，那么失败的可能性很高。

2，同样用于性别识别，取得不错的效果

3，计算复杂度，训练时间会较其他方法长，但test时间基本一样。（训练主要在线下，所以可以接受）

4，USF,CASIA实验。实验对比分析，说明该文方法是有效的。

三、总结

1，考虑提取更有分辨能力的基于模型的特征

2，步态数据库，使用室外的实验

3，SRML方法用于其他模式识别（如人脸）