Dynamic Descriptors in Human Gait Recognition
Notice bibliographique
Résumé
Feature extraction is the most critical step in any human gait recognition system. Although gait is a dynamic process yet the static body parameters also play an important role in characterizing human gait. A few studies were performed in the past to assess the comparative relevance of static and dynamic gait features. There is, however, a lack of work in comparative performance analysis of dynamic gait features from different parts of the silhouettes in an appearance based setup. This dissertation presents a comparative study of dynamic features extracted from legs, arms and shoulders for gait recognition. Our study partially supports the general notion of leg motion being the most important determining factor in gait recognition. But it is also observed that features extracted from upper arm and shoulder area become more significant in some databases. The usefulness of the study hinges on the fact that lower parts of the leg are generally more noisy due to a variety of variations such as walking surface, occlusion and shadows. Dynamic features extracted from the upper part of the silhouettes posses significantly higher discriminatory power in such situations. In other situations these features can play a complementary role in the gait recognition process. We also propose two new feature extraction methods for gait recognition. The new methods use silhouette area signals which are easy and simple to extract. A significant performance increase is achieved by using the new features over the benchmark method and recognition results compare well to the other current techniques. The simplicity and compactness of the proposed gait features is their major advantage because it entails low computational overhead.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».