Gait Recognition Using EigenfeetNet
Notice bibliographique
Résumé
Due to a growing emphasis on personal privacy and non-intrusive methods of person authentication, researchers have sought to evaluate new and emerging biometric technologies. One promising approach is gait recognition using pressure-sensitive flooring (or footstep recognition) which strives to verify a person's identity using the patterns of pressures exerted on the floor while they walk. In this study, we describe the development of a solution for person verification based on a fused feature selection process inspired by the popular PCA-based eigenfaces approach and a deep learning framework. Dynamic three-dimensional (3D) foot pressure patterns recording during walking were first reduced to ten different 2D pre-feature images. Using the eigenfeet extracted from the peak pressure, a nearest neighbour balanced accuracy (BACC) of 91.1% was obtained based on a single footstep when verifying subjects. Selecting discriminatory eigenfeet, using a minimum-redundancy-maximum-relevance (mRMR), further improved the performance (93.4% BACC), and when fused with a convolutional neural network (CNN) architecture into a stacking PCA network (PCANet+), the maximum verification performance of 96.2% BACC was found. These results show that the proposed selective EigenfeetNet method (i.e., peak pressure, PCANet+, and mRMR) provides a promising platform for the further development of floor sensor-based gait recognition for person verification.
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) | 0,002 | 0,003 |
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 ».