13、步态识别中的特征融合与挑战

步态识别中的特征融合与挑战

1. 分类器融合方法

不同的分类器可以使用简单规则（如SUM、PRODUCT等）直接组合。在人脸和步态识别系统中，为了有效融合分数，需要使分数具有可比性。对于步态识别得到的分数，采用指数变换，即若来自图库步态的探针X的匹配分数为 ( s_1, \cdots, s_{xN} )，则变换后的分数为 ( \exp(-s_1), \cdots, \exp(-s_{xN}) )，最后将变换后的分数归一化使其总和为1。接下来介绍两种融合形式：

1.1 分层融合

根据步态识别系统得到的归一化相似度矩阵，基于对角元素和非对角元素的直方图分布确定一个阈值，该阈值用于筛选需要通过人脸识别系统进一步筛选的个体。对于NIST数据库，选择的阈值使得步态识别系统的前六个匹配结果传递给人脸识别系统。分层融合后的CMC图显示，顶级匹配性能从93%提高到了97%，这种方法显著减少了计算量。

1.2 整体融合

如果融合的要求是追求准确性而非计算速度，可以采用其他融合策略。假设步态和人脸可以看作独立线索，一种简单的分数融合方法是使用SUM或PRODUCT规则。

2. 静态和动态身体生物特征融合用于步态识别

2.1 方法概述

为了获得最佳性能，自动人员识别系统应尽可能利用更多的信息线索。步态的许多属性可作为识别特征，可分为静态特征和动态特征。前者通常反映基于几何的测量，如身高和体型；后者指主要肢体的关节角度轨迹。以往的步态识别工作主要采用低层次信息，如轮廓。由于从视频中自动恢复参数困难，很少有方法使用反映步态动态的高层次信息。这里尝试融合行走视频中的静态和动态信息进行个人识别。