文章目录

Gait Recognition（二）
- PROPOSED TAXONOMY
- - Body Representation
  - Temporal Representation
  - Feature Representation
  - Neural Architectures
  - - Convolutional Neural Networks
    - Deep Belief Networks
    - Recurrent Neural Networks
    - Deep AutoEncoders
    - Generative Adversarial Networks
    - Capsule Networks
    - 3D Convolutional Neural Networks
    - Graph Convolutional Networks
    - Hybrid Networks
- 参考文献

Gait Recognition（二）

PROPOSED TAXONOMY

\quad \quad为了帮助说明可用步态识别方法的整体结构，文献 [18]、[38]、[64] 中提出了一些分类法，这些文献从不同角度组织了可用的解决方案。[38]中提出的分类法基于传感器类型、分类器和协变量因素（如遮挡类型）。[64]中的分类法根据使用的特征类型对步态识别方法进行分类。最后，在[18]中提出的方法考虑了用户外观、相机、光源和环境相关因素。然而，尽管有这些分类法，但没有一种专注于当今最成功的深度步态识别方法。因此，本文中提出了一种新的分类法，以更好地说明步态识别方法的技术前景，特别关注深度学习技术。图4展示了本文提出的分类法，该分类法考虑了四个维度，即身体表示、时间表示、特征表示和神经架构。这些维度的细节如下所述。

Body Representation

\quad \quad该维度与身体表示识别的方式有关，可以基于轮廓或骨骼。轮廓是文献中最常用的身体表示法，通过从背景中减去包含受试者的每个图像，然后进行二值化，可以很容易地计算出轮廓。步态轮廓被证明可以有效且方便地以较低的计算成本在单个帧中描述身体状态。这种身体表征迫使识别解决方案专注于“步态”，而不是服装和其他非步态因素，而从分类器的角度来看，这些因素可以用于识别。一系列轮廓可以表示有用的步态特征，如速度、步频、腿部角度、步态周期时间、步长、步幅以及摆动和站立阶段之间的比率。还可以对其进行处理以提取运动数据，例如使用光流图计算。尽管如此，步态轮廓对个体外观的变化更为敏感，例如不同的服装和携带条件。

\quad \quad可以使用深度感应相机捕获骨架身体表示，或者使用姿势估计方法进行估计。静态和动态特征，例如步幅、速度、距离和关节之间的角度，可以从以骨架形式连接的身体关节中获得。由于考虑了关节位置，基于这种身体表征的步态识别方法通常对视角变化更稳健，这与基于轮廓的方法相反。基于骨架的方法对外观变化也更加稳健，因为姿势估计步骤通常会学习检测不同服装条件下的身体关节，而步态轮廓则不然。然而，由于这些方法严重依赖于身体关节的准确检测，它们通常对遮挡更敏感 。此外，姿态估计器的使用给这些识别系统带来了计算开销。

Temporal Representation

\quad \quad这个维度处理用于表示步态序列中的时间信息的方法。文献中通常使用两种表示形式，模板和体积。下面我们将描述这些表示。

\quad \quad模板将时间上的行走信息汇总到一张图中的一连串轮廓上，例如通过对至少一个步态周期的剪影进行平均。一旦模板图被创建，这种操作使识别方案不受帧数的影响。关于深度步态识别体系结构，步态轮廓可以聚合在网络的初始层（图5-a），也称为时间模板，其中聚合的图可以由后续层处理。步态轮廓也可以在几个卷积和池化层（图5-b）之后聚集在网络的中间层，也称为卷积模板。时间模板的例子包括：（i）步态能量图（GEI），它在一个时期/序列中平均步态轮廓（图 5-c）； (ii) 计时步态图像 (CGI) [74]，它提取每个步态图像中的轮廓，然后使用多通道映射函数以单个图的形式进行编码（图 5-d）； (iii) 帧差能量图 (FDEI)，使用聚类和去噪算法保留动力学信息，特别是当轮廓不完整时（图 5-e）； (iv) 步态熵图 (GEnI)，计算步态帧中每个像素的熵，然后在单个步态模板中进行平均（图 5-f）； (v) 周期能量图 (PEI)，GEI 的一种概括，它通过利用基于帧幅度的多通道映射函数来保留更多空间和时间信息（图 5-g）。卷积模板的例子包括集合池化和步态卷积能量图 (GCEM)，它们在整个序列上平均由几个卷积层和池化层获得的卷积图。

\quad \quad为了保存步态序列中帧的顺序和关系并从中学习，提出了序列体积表示法（见图4，左侧第二个方框），而不是将它们聚合在一起。然后，为了学习时间信息，采用了两种不同的方法。在第一种方法中，使用循环学习策略（例如循环神经网络）学习序列上的时间动态，其中每个帧都根据其与前一帧的关系进行处理。第二种方法首先从序列中可用的时空信息创建三维张量，其中张量的深度表示时间信息。然后学习这些张量，例如使用3D CNN或图卷积网络（GCN）。

Feature Representation

\quad \quad这个维度封装了表示学习的支持区域，可以是全局的，也可以是局部的。整体学习轮廓或骨架的过程称为全局表征学习。另一方面，在学习局部表示时，步态数据被分成局部区域，例如切片、身体组成部分和垂直/水平切块（见图 4，左起第三个框）。然后进一步处理这些局部区域，例如通过循环神经网络、胶囊网络、基于注意力的网络或全连接层。基于全局表示的方法往往对遮挡和外观变化以及缺少关键身体部位更为敏感。另一方面，局部区域往往对最终识别性能保持不同的贡献，因此了解它们的重要性可以提高步态识别方法的整体性能。此外，这些部分特征之间的关系可以被学习，从而保留了位置属性，如比例、旋转和位置，这提高了步态识别方法对方向和视角变化的鲁棒性。

Neural Architectures

\quad \quad深度神经网络利用多种非线性变换的分层架构来捕捉高级抽象的特征。各种不同的神经结构被设计并用于步态识别问题，其描述如下。

Convolutional Neural Networks

\quad \quad卷积神经网络（CNN）在步态识别中的应用最为广泛。CNN通常由不同类型的层组成，包括卷积层、池化层和全连接层。卷积层将学习到的过滤器与输入图像进行卷积，以创建激活特征图，捕捉具有不同程度的细节特征。卷积层还包括诸如ReLU或tanh函数的激活函数，以增加输出中的非线性。然后，池化层通过使用非线性下采样策略（如平均池化或最大池化）减小特征图的空间大小，从而降低网络的复杂性。全连接的图最终用于将生成的二维特征图学习为一维特征图，以便进一步处理。

\quad \quad为了更好地分析在最先进的步态识别方法中采用的 CNN，本文在表 2 中概述了最成功的使用架构。注意，对于将CNN与其他类型的深度网络（例如，自动编码器、胶囊网络和LSTM）相结合的方法，表中仅列出CNN组件的架构。还展示了用于每个 CNN 的输入大小，揭示了最近文献中分辨率为64×6464 \times 6464×64的趋势。此外，在[26]中进行的分析表明，64×6464 \times 6464×64和128×128128 \times 128128×128的分辨率对于几个被测试的CNN来说可以获得最佳的步态识别结果，其中128×128128 \times 128128×128的输入分辨率略优于64×6464 \times 6464×64。然而，由于更高的输入分辨率意味着更多的卷积层和池化层，为了限制解决方案的计算复杂性，64×64的输入分辨率被最广泛地采用。

Deep Belief Networks

\quad \quad深度信念网络（DBN）[88]是一种概率生成模型，由受限玻尔兹曼机（RBMs）[89]组成，目的是从训练数据中提取层次化的表征。每个RBM是一个两层生成随机模型，包括一个可见层和一个隐藏层，相邻层之间有连接，每层内单元之间没有连接。单元的权重和偏差定义了可见单元和隐藏单元的联合状态的概率分布。DBNs已在[90]和[25]中用于步态识别。在[90]中，从步态轮廓中提取拟合、身体参数和形状特征。然后使用DBNs从这些特征中学习，从而提取更多的判别性特征。在[25]中，步态首先表示为运动和空间分量，并为每个分量训练两个单独的DBN。提取的特征最终连接起来表示最终特征。

Recurrent Neural Networks

\quad \quad循环神经网络（RNN）已被广泛地应用于时间或序列学习问题，在不同的任务中取得了有竞争力的表现，包括步态识别。RNN层通常由几个单元组成，每个单元对应于序列的一个输入元素，例如步态视频的一帧。RNN还可以堆叠多个层以使模型更深，其中，第jjj层中的第iii个单元的输出馈入第（j+1j+1j+1）层中的第iii个单元。每个单元都与其前一个和后一个单元相连接，所以记忆是来自前一时间步的信息。在不同的 RNN 架构中，长短期记忆 (LSTM)和门控循环单元 (GRU)是使用最广泛的 RNN 架构，它们被用于使用记忆状态和可学习的门控函数来学习步态序列中可用的关系。在LSTM网络中，单元有一个公共单元状态，该状态沿整个LSTM单元链保持长期依赖性，由两个门控制，即所谓的输入门和忘记门，从而允许网络决定何时忘记以前的状态或使用新信息更新当前状态。每个单元的输出，即隐藏状态，由一个输出门控制，该门允许单元在给定更新单元状态的情况下计算其输出。GRU是RNN的另一种形式，与LSTM相反，它不使用输出激活函数。该体系结构还包括一个更新门，允许网络根据新信息更新当前状态。门的输出，也称为复位门，仅保持与单元输入的连接。

\quad \quad在深度步态识别系统中使用RNN有三种不同的方法。第一种方法（图6-a）主要用于骨架表示，使用RNN从关节位置的时间关系中学习。在第二种方法（图 6-b）中，稍后将在第 4.4.9 节中详细讨论，RNN 与其他类型的神经架构相结合，尤其是 CNN，用于学习空间和时间信息。最近在（图6-c）中采用的最后一种方法是使用RNN从单个步态模板（例如GCEM）反复学习局部表示之间的关系。

Deep AutoEncoders

\quad \quad深度自动编码器 (DAE) 是一种旨在使用编码器-解码器结构提取所谓的瓶颈特征或潜在空间表示的网络。编码器将输入数据转换为特征表示，解码器将表示转换回原始输入数据。编码器通常包括几个完全连接和/或卷积层，而解码器由执行逆操作的层组成。DAE网络通常以最小化重构误差为目标进行训练，重构误差测量原始输入和重构版本之间的差异。一旦对DAE进行训练，瓶颈特征（原始输入知识的潜在/压缩表示）将被提取出来用于分类，即在本文的案例中的步态识别。

\quad \quad[99]中提出的方法使用DAE网络，首先使用四个卷积层对输入时间模板进行编码以提取特征。然后解码器使用四个反卷积层从提取的特征中重构输入。在[100]中，使用具有7个全连接层以及输入和输出层的自动编码器来提取稳健的步态特征。在[101]中，DAE用于将输入时间模板分解为身份和协变量特征。编码器的主干基于GoogLeNet中的初始模块，提取多尺度身份和协变量特征。然后解码器将这些特征作为输入，使用反卷积层重构时间模板。

Generative Adversarial Networks

\quad \quad生成性对抗网络（GAN）包括生成器和鉴别器，其中生成器旨在通过合成与真实样本相似的假样本来欺骗鉴别器。反过来，鉴别器的目的是区分假样本和真样本。由于这两个组件之间的极小极大博弈，GANs可以生成真实的合成样本，尤其是在步态环境中。这些网络还可以用来保存身份信息，同时在称为域适应的过程中沿低维流形传递步态变化，如姿势和服装。这将分离身份和步态变化，通常会提高步态识别系统的性能。

\quad \quad最近不同类型的GANs被用于步态识别。Multi-task GAN（MGANs）已被提出用于跨视角步态识别，其中CNN用于学习时间模板，作为潜在空间中视角特定的特征。然后，使用视角变换层将特征从一个视角变换到另一个视角。然后使用多任务对抗性和像素级损失训练网络。在另一篇论文中，Discriminant Gait GAN（DiGGAN）考虑了使用两个独立鉴别器的机制，以便将GEI从某个视点转移到不同的视角，同时保留身份信息。在[107]中，提出了一种Two-Stream GAN（TS-GAN），用于在将具有不同视角的GEI时间模板转换为具有标准视图（即90°）的GEI时间模板时学习全局和局部特征表示◦

Capsule Networks

\quad \quad胶囊网络 (CapsNet) [109] 已被提出来解决 CNN 中的两个重要缺点，即通过分别利用胶囊激活值和按协议路由算法，标量激活的限制和通过池化操作的不良信息路由。 CapsNets 由胶囊组成，胶囊是一组神经元，这些神经元明确编码对象不同部分中可用的内在视角不变关系。例如，在步态表示学习的背景下，CapsNet 可以使用可学习的姿势矩阵建模和理解主体的多个视角图之间的关系。这与 CNN 中失去位置属性（如旋转、位置和尺度）的标准池化层形成对比。 CapsNets 通常包括两个模块，初级和高级胶囊组。第一个块使用包括卷积层、重塑层和挤压层在内的多个层对空间信息进行编码，然后是第二个块，用于学习分层子部分之间更深的部分-整体关系。胶囊网络的概念最近已被用于步态识别 [83]、[110]、[111]。 [110] 中提出的方法首先使用 CNN 学习 GEI 模板的属性。然后它使用带有动态路由的 CapsNet 来保留每个模板内的关系，目的是找到更强大的特征。在 [83] 和 [111] 中，胶囊网络也与其他类型的深度网络相结合，本文将在第 4.4.9 节中进行概述。

3D Convolutional Neural Networks

$\quad \quad$3D 卷积神经网络 (3D CNN) 最近已被用于步态识别、学习整个步态序列的时空动态 [35]、[81]、[112]。 3D CNN 能够提取对相机视角和受试者外观变化更稳健的特征。 3D CNN 以 3D 张量形式的堆叠步态帧作为输入，然后使用多个 3D 卷积滤波器和池化操作来提取空间角度表示。 3D CNN 在步态识别方面的局限性在于在处理可变长度序列方面缺乏灵活性。在 [35] 中，已经努力通过利用多个 3D CNN 来整合不同尺度的时间信息来解决这个缺点。在[112]中，一个包含 13 个 3D 卷积滤波器和池化层以及两个全连接层的 3D CNN 网络被设计用于步态识别。 [81] 中提出的方法由几个全局和局部 3D 卷积层组成，其中标准 3D 池化层被修改为聚合局部剪辑中的时间信息。

Graph Convolutional Networks

\quad \quad图卷积网络 (GCN) 以使用任意结构的图和图卷积滤波器将 CNN 扩展到更高维度的域。 GCN 可以对步态序列中可用的结构信息和时间关系进行联合建模，以便学习关于相机视点和主体外观的判别性和鲁棒性特征。基于 GCN 的步态识别方法将步态序列体积视为步态识别的时间表示。在[82]中，步态特征是通过从可用视频序列中形成时空图来提取的。然后使用关节关系学习方案通过将步态特征映射到关于人体结构和步行模式更具判别力的子空间来获得最终特征。

Hybrid Networks

\quad \quad为了提高步态识别系统的性能，提出了大量利用两种或两种以上网络的混合深度网络。其中，具有CNN+RNN、DAE+GAN、DAE+RNN和RNN+CapsNet组件的架构在深度步态识别文献中最为流行（见图4）。下面本文将提供这四种混合体系结构的描述和示例。

\quad \quadCNN+RNN 将CNN与RNN（尤其是LSTM和GRU）结合起来学习空间编码后的时间关系可能是最流行的时空学习方法，在文献中也被用于步态识别。在[114]中，通过将八种不同的CNN结构与LSTM相结合，提出了一种深度步态识别系统，以从图像序列中获得时空特征。[115]中提出的方法首先将步态轮廓划分为4个水平条，其中每个条都被馈送到具有10层的单个CNN。然后，使用基于注意力的LSTM为每个CNN特征序列输出帧级注意力分数。CNN特征最终乘以其相应的权重，以选择性地聚焦于步态识别的最重要帧。在[31]中，首次使用8层CNN学习步态帧的卷积图。然后将卷积图聚合形成GCEM模板，然后将其拆分为水平条。这些局部特征（水平条）最终由专注的双向GRU学习，以利用嵌入的这些局部之间的关系。

\quad \quadDAE+GAN 最近，DAE被认为是GANs中用于步态识别的生成器和/或鉴别器组件的主干。GaitGAN和GaitGANv2使用了两个具有编码器-解码器结构的鉴别器，分别用于假/真鉴别和识别。这两个鉴别器确保生成的步态图像真实，并且生成的图像包含身份信息。Alpha-blending GAN (AbGAN)利用编码器-解码器网络作为生成器来生成没有携带物体的步态模板。Cycle-consistent Attentive GAN (CA-GAN)将编码器-解码器结构用于步态视角合成。提出的GAN包含两个分支，可以同时利用全局和局部特征表示。

\quad \quadDAE+RNNs DAE和RNN的组合最近被提出用于使用LSTM RNN生成基于序列的分解特征。在此背景下，首次使用具有新损失函数的深度编码器-解码器网络来分解步态特征，即来自外观的身份信息和主要包含用于步态识别的虚假信息的规范特征。然后，使用多层LSTM捕捉步态特征的时间动态，最终聚合用于识别。

\quad \quadRNNs+CapsNets RNN 获得的循环学习特征可以被视为胶囊，从而通过动态路由学习这些胶囊之间的耦合权重。这种封装了循环学习特征之间的分层局部-整体关系，可以使混合网络对外观和视角变化更加鲁棒。此外，CapsNet还可以作为一种注意力机制，从而更加重视更相关的特征。在 [83] 中，使用 CapsNet 将卷积模板的循环学习部分表示视为胶囊，从而学习部分特征之间的耦合权重。这既利用了部分特征之间的关系，又保留了位置属性。因此，该模型可以在测试期间更好地推广到看不见的步态视角。在[111]中，使用具有动态路由的胶囊网络来利用身体部位之间的空间和结构关系。在这种情况下，首先使用 LSTM 网络从一系列步态帧中提取循环学习的特征，以提供给胶囊网络。

参考文献

[18] T. Verlekar, L. Soares, and P. Correia,“Gait recognition in the wild using shadow silhouettes,” Image and Vision Computing, vol. 76, no. 1, pp. 1– 13, August 2018.

[25] B. M. Nair and K. D. Kendricks,“Deep network for analyzing gait patterns in low resolution video towards threat identification.” Electronic Imaging, vol. 2016, no. 11, pp. 1–8, February 2016.

[26] Z. Wu, Y. Huang, L. Wang, X. Wang, and T. Tan,“A comprehensive study on cross-view gait based human identification with deep CNNs,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 2, February 2017.

[31] A. Sepas-Moghaddam and A. Etemad,“View-invariant gait recognition with attentive recurrent learning of partial representations,” IEEE Transactions on Biometrics, Behavior, and Identity Science, vol. 3, no. 1, pp. 124–137, January 2021.

[35] B. Lin, S. Zhang, and F. Bao,“Gait recognition with multiple-temporalscale 3D convolutional neural network,” in ACM International Conference on Multimedia, Seattle, WA, USA, October 2020.

[38] J. P. Singh, S. Jain, S. Arora, and U. P. Singh,“A survey of behavioral biometric gait recognition: Current success and future perspectives,” Archives of Computational Methods in Engineering, vol. 28, no. 1, pp. 107–148, November 2019.

[64] T. K. Lee, M. Belkhatir, and S. Sanei,“A comprehensive review of past and present vision-based techniques for gait recognition,” Multimedia tools and applications, vol. 72, no. 3, pp. 2833–2869, July 2014.

[81] B. Lin, S. Zhang, X. Yu, Z. Chu, and H. Zhang,“Learning effective representations from global and local features for cross-view gait recognition,” arXiv:2011.01461, November 2020.

[82] N. Li, X. Zhaoa, and C. Ma,“JointsGait:a model-based gait recognition method based on gait graph convolutional networks and joints relationship pyramid mapping,” arXiv:2005.08625, December 2020.

[83] A. Sepas-Moghaddam, S. Ghorbani, N. F. Troje, and A. Etemad,“Gait recognition using multi-scale partial representation transformation with capsules,” in International Conference on Pattern Recognition, Milan, Italy, January 2021.

[90] M. Benouis, M. Senouci, R. Tlemsani, and L. Mostefai,“Gait recognition based on model-based methods and deep belief networks,” International Journal of Biometrics, vol. 8, no. 3, pp. 237–253, March 2017.

[99] X. Li, Y. Makihara, C. Xu, Y. Yagi, and M. Ren,“Joint intensity transformer network for gait recognition robust against clothing and carrying status,” IEEE Transactions on Information Forensics and Security, vol. 14, no. 12, pp. 3102–3115, December 2019.

[100] S. Yu, H. Chen, Q. Wang, L. Shen, and Y. Huang,“Invariant feature extraction for gait recognition using only one uniform model,” Neurocomputing, vol. 239, pp. 81–93, May 2017.

[101] X. Li, Y. Makihara, C. Xu, Y. Yagi, and M. Ren,“Gait recognition via semi-supervised disentangled representation learning to identity and covariate features,” in Computer Vision and Pattern Recognition, Seattle, WA, USA, June 2020.

[107] Y. Wang, C. Song, Y. Huang, Z. Wang, and L. Wang,“Learning view invariant gait features with two-stream GAN,” Neurocomputing, vol. 339, pp. 245–254, April 2019.

[110] Z. Xu, W. Lu, Q. Zhang, Y. Yeung, and X. Chen,“Gait recognition based on capsule network,” Journal of Visual Communication and Image Representation, vol. 59, pp. 159–167, February 2019.

[111] A. Zhao, J. Li, and M. Ahmed,“SpiderNet: A spiderweb graph neural network for multi-view gait recognition,” Knowledge-Based Systems, vol. 206, pp. 1–14, October 2020.

[112] T. Wolf, M. Babaee, and G. Rigoll,“Multi-view gait recognition using 3d convolutional neural networks,” in IEEE International Conference on Image Processing, Phoenix, AZ, USA, September 2016.

[114] G. Batchuluun, H. S. Yoon, J. K. Kang, and K. R. Park,“Gaitbased human identification by combining shallow convolutional neural network-stacked long short-term memory and deep convolutional neural network,” IEEE Access, vol. 6, pp. 63 164–63 186, October 2018.

[115] Y. Zhang, Y. Huang, S. Yu, and L. Wang,“Cross-view gait recognition by discriminative feature learning,” IEEE Transactions on Image Processing, vol. 29, no. 1, pp. 1001–1015, 2020.

深度步态识别综述（二）相关推荐

深度步态识别综述（一）
文章目录 Deep Gait Recognition: A Survey Abstract INTRODUCTION REVIEW METHODOLOGY TEST PROTOCOLS AND DAT ...
face recognition[翻译][深度人脸识别:综述]
这里翻译下<Deep face recognition: a survey v4>. 1 引言由于它的非侵入性和自然特征,人脸识别已经成为身份识别中重要的生物认证技术,也已经应用到许多领 ...
【深度学习】步态识别-论文阅读：（T-PAMI-2021）综述:Deep Gait Recognition
论文详情: 期刊:T-PAMI-2021 地址:参考笔记 1.Abstract 本文综述了到2021年1月底在步态识别方面的最新进展,以全面概述了深度学习步态识别的突破和最近的发展,涵盖了广泛的主题 ...
【步态识别】SMPLGait 算法学习《Gait Recognition in the Wild with Dense 3D Representations and A Benchmark》
目录 1. 论文&代码源 2. 论文亮点 2.1 SMPLGait模型 2.2 3D-STN 2.3 Gait3D数据集 3. 模型结构 3.1 SLN--Silhouette Learnin ...
【步态识别】GaitGL 算法学习《Gait Recognition via Effective Global-Local Feature Representation and Local Temp》
目录 1. 论文&代码源 2. 论文亮点 3. 模型结构 3.1 局部时间聚合(Local Temporal Aggregation, LTA) 3.2 全局和局部特征提取(Global an ...
基于深度学习的脑电图识别综述篇(二)数据采样及处理
作者|Memory逆光本文由作者授权分享导读脑电图(EEG)是一个复杂的信号,一个医生可能需要几年的训练并利用先进的信号处理和特征提取方法,才能正确解释其含义.而如今机器学习和深度学习的发展,大 ...
基于深度学习的脑电图识别综述篇(三)模型分析
作者|Memory逆光本文由作者授权分享导读脑电图(EEG)是一个复杂的信号,一个医生可能需要几年的训练并利用先进的信号处理和特征提取方法,才能正确解释其含义.而如今机器学习和深度学习的发展,大 ...
基于深度学习的单人步态识别系统
基于深度学习的单人步态识别系统(目前数据集大小15人,准确率100%) 一.数据预处理 a.步态轮廓图 b.头部轮廓图实现方式: 核心代码: c.骨架图二.提取步态特征 a.角度特征 b.下肢特征 ...
指纹识别综述(10): 深度学习方法
指纹识别综述系列 1.导论:2.指纹传感器:3.特征提取:4.匹配:5.分类与检索:6.现场指纹识别: 7.指纹合成: 8.唯一性: 9.指纹系统安全:10.深度学习方法:11.专利. 本文会不定期更 ...
【深度学习】步态识别-论文阅读（无参考意义）：Cross-View Gait Recognition Based on Feature Fusion
这里写目录标题摘要介绍相关工作改进提出多尺度特征融合全局和局部特征融合特征映射结论基于特征融合的跨视图步态识别摘要与人脸识别相比,步态识别是最有前途的视频生物特征识别技术之一, ...

深度步态识别综述（二）