GaitMspT：一种用于野外步态识别的新型多尺度、多视角时间学习网络

《IEEE Transactions on Biometrics, Behavior, and Identity Science》：GaitMspT: A Novel Multi-Scale and Multi-Perspective Temporal Learning Network for Gait Recognition in the Wild

步态识别技术在无约束场景中面临时空建模不足的问题，本文提出GaitMspT网络通过多尺度时间特征提取和多视角空间-时间特征融合模块，有效解决动态步态遮挡和复杂环境下的识别误差，在四个公开数据集上验证其性能优于现有SOTA方法。

　　

摘要：

步态识别是一种前景广阔的生物特征识别技术，但在无约束的野外环境中面临诸多挑战。尽管空间建模技术已经取得了进展，但现有的最先进方法由于依赖于为受限环境开发的策略，仍然难以应对时间变化问题，这限制了它们在多种现实世界条件下的有效性。为了解决这一关键瓶颈，我们提出了GaitMspT，这是一种新型的多尺度多视角时间学习网络，专为强大的无约束步态识别而设计。GaitMspT包含两个核心模块：多尺度时间提取（MsTE）模块，能够在三个不同的尺度上捕捉多样化的时间特征，有效缓解步态轮廓遮挡等问题；多视角时空提取（MpSTE）模块则能够提取细致的水平与垂直步态变化，突出关键组成部分。这两者的协同作用显著提升了网络的时间建模能力。在四个著名的野外步态数据集（Gait3D、GREW、CCPG和SUSTech1K）上的广泛实验结果表明，GaitMspT的性能明显优于现有的最先进方法，在保持优异性能的同时，还实现了计算复杂度与识别准确率之间的良好平衡。