基于水平切片的前视步态识别技术：在遮挡情况下结合增强现实注释的应用

《Array》：Horizontal Slicing-based Frontal View Gait Recognition under Occlusion with Augmented Reality Annotations

　　穆克什·库马尔·罗希尔 | 阿尤什·古普塔 | 耶米尼尼·阿肖克
计算机科学与信息系统系，比尔拉理工学院和科学学院，皮拉尼校区，皮拉尼，拉贾斯坦邦 333 031，印度

**摘要**
随着生物特征安全技术的发展，人们越来越关注利用步态作为识别手段。步态代表了人类独特的行走模式，在人员重新识别任务中表现良好。与其他生物特征不同，步态的独特性在于它基本上是一种无意识的行为，这减少了由于恶意意图而故意混淆的风险。在步态识别中的一个实际问题是，当输入的一部分被摄像头遮挡时，对于红绿蓝（RGB）视频模式的研究还不够充分。然而，由于闭路电视（CCTV）在安全领域的广泛应用，步态识别成为了一种可行的方法。在这项研究中，我们提出了一种名为GROS-AR的强大模型，该模型利用水平切片机制，表明分部分提取特征有助于在遮挡情况下成功捕捉步态特征；识别后，我们可以使用这些特征来显示相应的增强现实数字注释。我们在公开可用的两个数据集——Frontal-View Gait（FVG）数据集和CASIA B数据集上展示了我们的方法，并观察到了令人鼓舞的结果。此外，我们还开发了一个增强现实系统，能够在视频帧上创建被识别人员的视觉描述，以实现人员识别。

**1. 引言**
“步态”一词字面意思是行走的方式。步态识别是生物特征、安全和人员重新识别中的一个子问题，即仅通过步态来识别一个人。虽然听起来可能令人惊讶，但就像每个人都有独特的指纹一样，他们也有独特的步态。尽管人类肉眼无法看到步态，但从理论上讲，可以通过步态来识别人[1]。
传统上，步态识别是通过使用各种传感器（如压力传感器、加速度计和陀螺仪）来捕捉受试者的运动数据来完成的[2]。这些方法使用可穿戴传感器捕获不同形式的数据，并利用这些数据获得每个受试者的特征性步态签名。然而，这种步态识别方法具有侵入性——因为受试者必须实际佩戴传感器，并且完全意识到自己的步态正在被观察。由于这种侵入性，这种方法并不实用，因此基于视觉的步态识别开始受到关注。在这种方法中，必须仅通过行走者的视频来识别他们[3]。这种视频可以来自CCTV摄像头。这类方法本质上是非侵入性的，因此更适用于安全目的。
随着深度学习的发展，步态识别领域也得到了进步。将重点从基于捕捉受试者运动数据的传统技术转向基于深度学习的技术后，该领域的性能像计算机视觉中的许多其他相关领域一样显著提高。目前，深度步态识别的性能超过了所有传统方法[1]。
步态识别是生物特征和安全的一个子领域，其主要应用包括人员重新识别[4]。就像指纹或面部数据库一样，也可以有一个包含不同人步态签名的步态数据库。这些数据库可用于监控和安全目的。在已经安装了CCTV摄像头的公共场所，步态识别系统可以帮助从远处识别人员，而无需近距离拍摄面部图像。此外，虽然面部可以轻易被口罩遮盖，但步态是无法隐藏的。因此，一旦步态分析在实际场景中达到所需的性能，它将对监控非常有用。
目前，步态分析的主要应用领域是运动科学和医学。已经有一些研究通过分析患者的步态来诊断疾病[5]。这种方法非常有用，因为通过这种方式诊断疾病既快速又成本低廉，不需要昂贵的设备或耗时的过程。当然，这种检查只是初步检查，并不能替代真正的医学测试。尽管如此，这是一种患者在家中方便地自我检测的快速有效方法。
基于视觉的步态识别更为实用，因此近年来这一直是该领域的主要研究方向。已经提出了多个数据集[6, 7]用于此任务，这些数据集专注于轮廓上的步态识别。轮廓序列是二值视频——它们只包含两种像素值：0和1。视频中的背景完全是黑色的，而行走在背景中的人是白色的。使用轮廓是因为它们确保数据集中没有其他区分特征（例如面部、身体结构、服装等）。这些数据集来自普通摄像头，并经过预处理转换为轮廓。预处理包括去除背景并将像素转换为二值。最近发布了Frontal-View Gait（FVG）数据集[8]，这是一个RGB数据集。在这个数据集中，背景也被处理成了黑色。
文献中已经在一定程度上解决了常规的步态识别问题，最先进的方法在某些数据集上取得了接近完美的分数[1]。然而，当前研究中对于遮挡问题的探索还不够充分，所提出的2D卷积模型在这方面取得了有希望的结果。
在当前的步态识别研究中，遮挡问题没有得到足够的关注。当人物的部分被树木、汽车或人行道等障碍物遮挡时，就会发生遮挡现象。这种情况在现实场景中非常常见，但由于缺乏专门针对遮挡问题的大规模数据集，因此步态识别文献中对此的探讨较少。图1展示了一个腿部不可见的遮挡序列示例。

**2. 相关工作**
步态识别作为人类身份的重要但难以捕捉的特征，已经得到了广泛研究。本节重点介绍了自步态识别诞生以来的主要进展，特别是基于视觉的深度学习方法。
现有的步态识别技术涵盖了各种问题——无论是遮挡、解缠、重建、跨视图识别、跨条件识别还是简单的步态特征提取[3, 7]。在深度学习出现之前，大多数步态识别相关工作都集中在步态特征提取上，而不是使问题复杂化。以下是该领域主要进展的分类：
最早的步态识别系统由Niyogi和Adelson在1994年提出[13]，他们首次提出了这个问题。一些生理学研究也表明，至少在理论上，可以通过步态来识别人[1]。在[14]中，Cunado等人将人类腿部的周期性运动建模为摆锤。很长一段时间里，步态能量图像（GEIs）[11]是一种流行的方法。由于计算机当时的计算能力不足，无法分析整个视频，但GEIs在处理单帧图像时表现相当好，因为GEI就是一系列居中轮廓帧的平均值。
随着技术的进步，研究人员开始在适当的数据集上使用各种机器学习方法进行步态识别。最初，基于机器学习的方法用于基于传感器的数据，因为操作这种数据的计算成本较低。下面简要介绍了神经网络（NNs）在步态识别中的使用。

**a. 卷积神经网络**
随着计算能力的提高，研究人员开始尝试使用基于视觉的模型进行步态识别。如前所述，GEI[11]是最早被广泛研究的步态识别方法。简单的卷积神经网络用于处理GEI，以获得受试者的步态特征。GEINet[15]是步态识别领域表现最好的工作，证明了GEI可以有效建模步态。

**b. 循环神经网络**
对于序列建模任务，循环神经网络（RNNs）被广泛使用。如图2所示，步态也可以通过一系列帧来捕获，这激发了使用RNNs进行步态识别的兴趣[16]。RNN的单层由多个单元组成——每个序列元素对应一个单元——但由于每个单元共享权重，RNN可以用于处理不同长度的序列。

**c. 长短期记忆（LSTM）模型**
LSTM模型[17]也被引入作为RNN的改进，因为它们能够捕捉序列中的长期依赖关系。近年来，Zheng等人[18]使用密集的3D表示进行步态识别，取得了比基于2D轮廓的方法更高的性能，但代价是更高的计算量和更大的内存需求。Mogan等人[19]提出了一种基于CNN和视觉变换的多模型方法，结合了预定义特征和独特特征以提高准确性。Habib等人[20]结合了学习曲线和三元组选择策略来减少偏差。然而，所有这些方法在遮挡情况下的表现都不佳。

**3. 提出的模型**
以下小节将描述问题、GROS-AR模型的概述、GROS-AR的架构以及与步态识别结合的增强现实/虚拟现实数字注释。

**a. 问题表述**
步态识别问题可以建模为一个度量学习问题，给定一个输入视频序列V = {f1, f2, ..., fn}，其中fi表示输入视频中的第i帧，目标是执行操作(1)，使得E能够捕捉V中受试者的步态特征，g为编码网络。

**b. 概述**
我们的模型GROS-AR由四个主要组件组成：
- 首先将输入视频水平分割。
- 每个切片通过主干编码器。
- 主干编码器的帧级特征通过聚合层处理，将所有嵌入转换为单一的步态特征。
- 增强现实注释模块

**c. 数据加载**
从输入视频中随机抽取32帧传递给模型。这样做的直觉是32帧足以捕捉一个完整的步态周期，并能有效生成步态特征。我们随机选择了另一个关于同一主题的视频作为正样本，供我们的损失函数使用。该视频的序列长度为32帧，这遵循了步态识别文献中的常见做法，旨在捕捉足够的时间信息，而不仅仅是完整的步态周期。先前的研究，如GaitSet，已经证明即使使用有限数量的帧也能实现可靠的识别。

为了捕捉不同身体部位的步态序列并获得部分特征，我们将输入帧水平分割成4个均匀的切片，每个帧得到4幅图像。头部、躯干、大腿和小腿分别被捕获在不同的切片中。每个切片分别通过编码器处理，从而获得部分步态特征。这些特征包含了步态信息、受试者的姿势以及它们随时间的变化。这些特征通过一个聚合层进行处理，该层对时间特征进行均值池化。

每个帧可以是仅包含二进制值的轮廓图像，或者是每个RGB像素包含3个整数的RGB图像。基于此，决定了第一个卷积层中的输入通道数量。接下来，对每个帧执行2D卷积操作以获得帧级步态特征。

我们使用两种聚合方法——连接和均值池化。对所有帧的帧级特征fei进行均值池化，得到每个水平切片j的单一嵌入Ej，其中j表示切片编号。通过连接操作从这些部分嵌入中得到最终的步态签名，如下所示（2），其中·表示连接操作。因此，均值池化和连接将所有帧级和切片级特征聚合起来，得到受试者的单一步态签名E。聚合过程首先使用均值池化，然后进行切片级连接。设表示从第j个水平切片中提取的特征向量，其中是特征维度。对于每个切片，使用均值池化对所有帧进行时间聚合：

假设输入序列被分为四个水平切片，这样就得到了四个切片级别的嵌入，每个维度的嵌入。然后按照固定的顺序（从上到下的身体部位）将这些嵌入沿着特征维度连接起来，得到最终的步态表示‘E’：这种连接保留了特定区域的信息，同时确保了特征结构的一致性。在实现中，该操作对应于沿着通道（特征）维度的张量连接，不需要额外的归一化或加权。这种公式确保了可重复性，并保持了与下游分类模块的兼容性。

在架构中，使用监督对比损失[21]作为损失函数。对比损失已被证明对于度量学习任务非常有效，特别适合生物识别。此外，在传统对比损失中加入监督意味着可以利用标签的力量。对比损失旨在将同一受试者的步态签名嵌入在语义空间中拉近，正样本是同一受试者的其他行走实例，而小批量中的其余序列作为负样本。整个架构通过监督对比损失进行训练，以获得有意义的步态签名。

增强现实（AR）通过向当前运行的视频（即用户周围的实时视频）添加额外内容来扩大视野。AR系统和步态识别模型的结合生成了在遮挡视频上的人体识别和运动跟踪的沉浸式AR显示，以及对识别人物的AR注释[22]。

4. 实验

a. 数据集

i. CASIA-B：CASIA-B [6] 是最流行的步态识别数据集之一。传统上，这个数据集以预处理过的轮廓形式使用，但我们使用的是这个数据集的RGB视频。它包含124名受试者，根据最流行的训练-测试划分，我们使用前74名受试者进行训练，剩余的50名受试者进行评估。该数据集包含三种行走条件：正常行走（NM）、携带行李（BG）和穿着衣物（CL）——每种条件都有多个序列。此外，数据集从0°到180°的11个不同视角捕捉受试者的步态，间隔均匀。在评估协议中，使用正常行走条件下的前四个序列作为样本集，其余序列用于各种协议。示例帧显示在图2中。我们在考虑行走平面与相机平行的正面视图的情况下对CASIA-B进行评估。

ii. FVG：FVG [8] 是一个最近收集的RGB步态数据集。它包含226名受试者，每个受试者有4种不同的行走条件和3个不同的视角。数据集仅考虑正面视角进行拍摄，因此视频仅存在于0°和45°两侧。此外，数据集是在两个不同的会话中收集的，两个会话的行走条件不同。一个人的行走条件包括正常行走、快速或慢速行走、携带包/帽子、更换衣物和杂乱背景，背景中还有其他人一起行走。数据集以预处理的形式提供，其中帧已被分割并且背景已被移除。根据作者设计的划分，我们使用前136名受试者进行训练，剩余的90名受试者进行评估。使用0°角度的正常行走视频作为受试者的样本集，其余视频根据各种协议作为探针。示例帧显示在图4中。

下载：下载高分辨率图像（731KB）
下载：下载全尺寸图像

图4. 从FVG数据集中提取的示例帧。

b. 实现细节

在GROS-AR模型中使用了多种超参数，可以通过调整这些参数来提高性能。

1) 学习周期：训练模型需要多少个周期？
2) 学习率：初始学习率以及随时间减少的学习率。
3) 温度：对比损失函数的一个超参数，决定了损失函数对嵌入之间距离的敏感度。
4) 层次：卷积架构的深度。
5) 嵌入大小：步态签名的最终大小。
6) 批量大小：用于对比学习的训练批量大小。
7) 数据增强概率：为了增强学习，使用了随机裁剪和水平翻转等增强技术。

表1给出了所提出的步态识别模型的网络架构细节。表2显示了经过多次实验后找到的最佳超参数设置。

表1. 网络架构细节
层名称 输入形状 输出形状
Conv1 4x32x3 64x32x16
Tanh 16x32x16 64x32x16
BatchNorm 16x32x16 64x32x16
Conv2 64x32x16 64x32x32
MaxPool 16x32x32 32x16x32
Tanh 232x16x32 32x16x32
BatchNorm 232x16x32 32x16x32
Conv3 32x16x32 32x16x12
MaxPool 232x16x12 16x8x12
Tanh 16x8x12 16x8x12
BatchNorm 16x8x12 128
AvgPool 16x8x12 128

表2. 最佳超参数设置
超参数 值
学习周期 16
学习率 0.05
温度 0.07
嵌入大小 512
批量大小 64
水平翻转概率 0.5
层数 3

c. 网络细节

在我们的架构中，使用了一个三层2D卷积模型。随着输入通过网络，通道数量不断增加，而高度和宽度由于每层后滤波器数量的增加而减小。此外，使用MaxPooling [23] 层来减少维度，同时保留必要的步态和身体姿势信息。每层之后使用Tanh激活函数，以及BatchNorm [24] 层来减少内部协变量偏移并稳定训练。在三个卷积层之后，使用额外的平均池化层得到最终的128维步态签名，用于对受试者进行分类。

d. 评估协议

根据数据集协议，我们计算所有测试序列的步态签名。数据集协议定义了样本集和探针集之间的划分。前者包含数据库中的序列，后者包含新的未见序列。为了将每个未见序列与探针匹配，我们计算探针与所有样本集签名的相似度。我们方法中使用的相似度度量是欧几里得距离。与探针签名最相似的样本集序列表明所见视频和未见视频之间的匹配。因此，可以确定受试者的身份。为了计算准确性，我们将每个探针的预测ID与数据集中存在的真实ID进行比较。这个准确性可以作为衡量模型性能的单一指标。这个指标可以用于比较不同的方法。

e. 模拟遮挡

目前没有专门针对遮挡场景的大规模数据集。因此，我们使用现有的数据集并通过裁剪帧来模拟合成遮挡。为了引入合成遮挡，我们移除了所有帧的底部四分之一部分，使得模型无法看到腿部的图像。腿部是受试者步态的重要部分，即使在这种具有挑战性的情况下也能提取步态签名并非易事。我们在遮挡输入视频和完整视频帧上评估我们的方法，并比较两种情况下的性能。

f. 识别人物的AR注释

实现了一个简单的模型，可以在接近实时的情况下对视频中识别出的人物进行注释。

5. 结果

GROS-AR的结果在部分数据集和完整数据集的背景下进行了评估，如下所示。

a. 部分数据集

作为起点，我们仅使用FVG [8]的20%训练和测试数据来评估我们的方法。此外，我们还在完整序列和遮挡序列上评估了该方法。我们观察到，在使用完整帧的情况下，模型在FVG的“所有”协议上的准确率为76%，仅考虑了20%的训练受试者。在遮挡序列上，这一数字下降到69.4%。我们在部分数据集上观察到了令人鼓舞的结果，因此使用完整数据集进行了广泛的评估，包括跨条件的协议。我们将使用20%数据的评估协议称为“减少”协议。

b. 完整数据集

在完整、未遮挡序列上的训练和评估结果显示在表3中。使用遮挡数据时的结果显示在表4中。与使用完整帧相比，在遮挡场景中可以观察到性能下降，这是预期的，因为腿部是受试者步态的重要组成部分。

表3. 使用原始序列在FVG上的完整评估
协议 准确率
所有 67.3
携带包 84.9
穿着衣物 34.2
行走速度 78.6
杂乱背景 75.5

表4. 使用遮挡序列在FVG上的完整评估
协议 准确率
所有 66.3
携带包 81.8
穿着衣物 29.5
行走速度 79.2
杂乱背景 73.4

c. CASIA-B数据集上的遮挡序列

为了验证性能，我们还使用了CASIA-B [6]数据集的RGB视频序列，并在数据集的正面视图中模拟了遮挡场景。相应评估的结果显示在表5中。与FVG类似，我们在穿着衣物条件下的性能最差，在正常行走条件下的性能最好。这表明我们的模型能够很好地泛化到CASIA-B数据集，即使在遮挡场景下也是如此。

表5. 使用遮挡序列在CASIA-B [6]上的完整评估
协议 准确率
正常行走 90.0
携带包 77.0
穿着衣物 44.0

c. 讨论与分析

a. 穿着衣物条件下的较低性能

如表3和表4所示，在穿着衣物条件下的性能最低。传统上，在所有步态识别工作中，穿着衣物条件被认为是深度网络最难识别的条件[1]，因为当受试者穿着夹克或外套时，步态会有显著变化。受试者有将手放在口袋里的倾向，这消除了步态中的手臂动作[8]。此外，所有数据集协议的设计都是这样，样本集只包含正常行走序列，进一步增加了模型将穿着衣物探针与正常行走样本集匹配的难度。我们的结果表明，在实际应用中广泛采用步态识别系统之前，还需要对穿着衣物条件进行更多的研究，因为在实际情况中，人们可以在各种条件和角度下行走。

b. 部分数据集与完整数据集

随着数据的增加，预计任何深度学习方法的表现都会更好。然而，在这种情况下，观察到的情况却相反。对于完整序列和遮挡序列，我们发现模型在FVG的“减少”协议中的准确率更高。我们观察到在使用完整帧时，“减少所有”协议和“所有”协议之间的准确率从76%下降到67.3%。同样地，在遮挡场景中，我们观察到性能从69.4%下降到66.3%。其原因在于评估协议的差异。尽管常规协议允许网络在训练过程中看到更多的数据，但它们也使得评估任务变得更加困难，因为与简化协议相比，常规协议包含了更多的样本序列。从直觉上讲，从较少的样本（例如15个）中识别一个人要比从更多的样本（例如90个）中识别一个人容易得多，而这正是本实验中发生的情况。随着测试样本数量的增加，样本集的大小也随之增加，虽然有更多的训练数据可供学习，但评估任务的难度增加所导致的负面影响更为显著。

表3和表4显示，当输入被遮挡的序列时，我们的方法性能有所下降。这是预期之中的，因为在遮挡场景中，步态信息部分被移除了，与使用完整帧相比。然而，由于样本集大小的增加导致的分数下降，在遮挡场景中比使用完整帧时要小。在使用完整帧的情况下，随着样本集大小的增加，我们观察到性能下降了9%；而在遮挡场景中，仅观察到1%的轻微下降。这表明，将输入数据水平分割成部分以计算部分特征有助于提高模型对遮挡的鲁棒性。

尽管模型在诸如遮挡这样的挑战性条件下进行了评估，但明确说明在推理过程中如何处理水平切片是很重要的。在所提出的方法中，每个切片都是使用2D CNN独立处理的，并通过连接来形成最终的步态表示。在发生遮挡的情况下——例如，当下半身不可见时——相应的切片要么被省略，要么被替换为零向量，以保持特征结构的一致性。这使得模型能够与训练期间学到的表示保持兼容。

此外，该模型被设计为从多个身体区域提取互补信息，即使某些部分缺失也能保持有效性。为了支持这一点，我们通过故意在测试过程中移除下半身切片进行了额外的实验。结果显示识别准确性仅有轻微下降，表明模型可以依赖于剩余的切片。这强调了模型在处理现实世界中的部分遮挡时的鲁棒性。

在比较表3和表4时，我们观察到一个异常现象：在步行速度场景中，模型的性能在遮挡情况下实际上比在完整帧情况下更好！性能差异虽然很小，但由于这与趋势相反，我们提出了一种可能的解释：快速行走者的完整步态序列与正常行走序列看起来非常不同，因为腿部的运动速度极快，导致显示腿部的视频区域出现运动模糊。由于样本集只包含正常行走的视频，当模型能够看到受试者的完整身体时，它很难识别快速行走者。然而，在遮挡情况下，大部分运动发生的身体部分（即腿部）被遮挡住了。因此，模型能够从正常行走的样本集中更好地识别快速行走者，从而表现出略好的性能。然而，这只是一个假设，我们将其留给未来的研究来验证。如果这一假设确实成立，那么它为未来的研究提供了一个有趣的方向——“故意隐藏部分输入是否可以提供更好的性能？”

警察技术：当执法机构开始使用最初的面部识别软件时，调查人员会将嫌疑人的照片通过一个庞大的数据库进行比对。嫌疑人的照片显然来源于犯罪现场的摄像头录像。然而，面部识别系统仅适用于清晰的图像。罪犯可能在犯罪现场佩戴面罩或咬掉指纹。在这些情况下，利用步态特征是至关重要的。

所提出的系统遵循一个结构化的多阶段流程（如图5所示），从输入帧生成增强视频输出。首先，从实时或录制的来源捕获至少720p分辨率的输入视频帧。

第一阶段是我们的步态识别模块。该模块产生人类分类结果，包括身份或属性信息，这些信息将在后续阶段中使用。人类检测模块使用最先进的对象检测算法（如YOLOv8）在每个帧中定位个体。它输出由(x, y, width, height)定义的人类边界框以及置信度分数。这些边界框对于准确对齐虚拟内容和检测到的个体至关重要。虚拟内容生成模块根据分类结果创建上下文感知的图形元素，如身份标签和注释。增强（渲染）模块将虚拟内容与原始帧集成在一起。渲染使用2D叠加技术（如alpha混合和坐标变换）来确保精确的空间定位。边界框用于相对于场景中的每个人定位图形内容。为了保持时间一致性和减少闪烁，采用了卡尔曼滤波器和SORT等跟踪方法。该增强模块使用Unity结合AR Foundation实现，能够实现高质量的渲染和虚拟元素与真实世界场景的无缝集成。系统以大约30-45 FPS的帧率生成增强输出视频，确保流畅的实时可视化。

该系统运行在Intel Core i7-13700K（第13代）处理器上，频率高达5.40 GHz，并配备了32 GB的DDR5 RAM。此外，还使用了NVIDIA GeForce RTX 4060 GPU和8 GB的GDDR6 VRAM来部署深度学习模块。这种硬件配置使得深度学习推理和实时增强渲染高效进行，整个端到端的延迟小于100毫秒。

我们成功生成了一种人类识别显示系统，可以添加带有步态识别信息的AR虚拟数字注释。图6显示了与CASIA步态数据集结合步态和AR科学技术生成的结果。在这里，额外的图形内容（标注人类识别细节）被合并到视频帧的顶部。

可能的应用场景包括利用6G技术的医学成像[25]和飞行物体跟踪[26]，并结合有效的边缘检测算法[27]。

我们进行了广泛的常规和遮挡场景评估，发现我们的模型GROS-AR对遮挡具有相当的鲁棒性。通过比较不同的评估条件，我们发现携带包和穿着衣物分别是 easiest 和 toughest 的条件。尽管取得了令人鼓舞的结果，但这些方法仍然不适合实际或商业用途，该领域仍需进行大量工作。改变从帧级嵌入中获取时间信息的方法，并提供与时间相关的步态特征可能是解决遮挡问题的一个未来方向。此外，将步态系统嵌入到AR镜头（头戴设备）中仍有待验证。因此，在未来的工作中，我们计划开发一种增强型的人工智能人类识别系统，能够在用户的头戴设备（HMD）中成功投影带有识别细节的视觉注释。

CRediT作者贡献声明：
Mukesh Kumar Rohil：撰写——审阅与编辑、撰写——原始草稿、验证、监督、方法论、调查、概念化。
Ayush Gupta：撰写——原始草稿、可视化、方法论、调查。
Yemineni Ashok：撰写——原始草稿、可视化、方法论、调查。

数据可用性：
本研究使用的数据是公开可用的；Frontal View Gait数据集可在https://cvlab.cse.msu.edu/frontal-view-gaitfvg-database.html获取，CASIA-B数据集可在http://www.cbsr.ia.ac.cn/GaitDatasetB-silh.zip获取。

本研究未获得任何资助。