摘要

步态识别是一种生物特征识别技术，通过个体独特的行走方式来识别其身份，适用于非约束环境，并具有广泛的应用前景。目前的方法主要集中在利用基于身体部位的表示，但往往忽略了局部运动模式之间的层次依赖关系。在本文中，我们提出了一种层次时空表示学习（HSTL）框架，用于从粗到细地提取步态特征。我们的框架首先通过层次聚类分析从整体身体结构恢复到局部细节的多级身体结构。接下来，设计了一种自适应区域运动提取器（ARME），以学习与区域无关的运动特征。所提出的HSTL框架以自上而下的方式堆叠多个ARME，每个ARME对应层次结构中的一个特定分区级别。自适应时空池化（ASTP）模块用于捕捉不同细节级别的步态特征，以实现层次特征映射。最后，帧级时间聚合（FTA）模块通过多尺度时间降采样减少步态序列中的冗余信息。在CASIA-B、OUMVLP、GREW和Gait3D数据集上的大量实验表明，我们的方法在保持模型精度和复杂度之间合理平衡的同时，优于现有最先进方法。