Simple and efficient methods for gait recognition using pose information

• Ano de defesa: 2021
• Autor(a) principal: Vítor Cézar de Lima
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Gait recognition; Biometry; Computer vision; Computação – Teses; Visão por computador - Teses; Biometria – Teses; Reconhecimento de padrões (Computadores) – Teses
• Link de acesso: http://hdl.handle.net/1843/38879; https://orcid.org/ 0000-0002-7552-1957

Gait é um tipo de biometria que diferencia os indivíduos pela forma como andam. Pesquisas relacionadas a essa biometria estão ganhando evidência devido à vantagem de gait ser discreto e poder ser capturado a distância, o que é desejável em cenários de vigilância. A maioria dos trabalhos da literatura foca em usar silhueta humana como representação de gait; no entanto, elas sofrem de diversos fatores, como movimento de pessoas nas cenas, condições de carga e uso de roupas diferentes. Para evitar esses problemas, esse trabalho propõe um método de estimativa de pose, denominado PoseDist, para recuperar coordenadas de articulações e transformá-las em sinais e histogramas de movimento. Depois disso, essas informações são processadas usando uma fusão de Subsequence Dynamic Time Warping e distância euclidiana para comparar as sequências de gait da consulta com as da galeria. Esse método é avaliado em todas as visualizações de CASIA Dataset A e comparado com trabalhos existentes, demonstrando sua eficácia. No entanto, como seu custo algorítmico é alto, ele só é adequado para ambientes com poucos indivíduos; e dessa forma, um novo método denominado PoseFrame é desenvolvido para reconhecimento de gait, treinando uma rede neural multicamadas para classificar as poses a partir de quadros individuais e agregando os resultados por votação majoritária. PoseFrame é testado em CASIA Dataset A, tendo precisão acima dos outros trabalhos baseados em modelo, incluindo PoseDist; e em CASIA Dataset B, alcançando precisão estado-da-arte quando a amostra tem a mesma visualização da galeria e tendo alguns dos melhores resultados em validação cruzada. Finalmente, um estudo de ablação também é realizado para descobrir quais partes do corpo são as mais importantes para reconhecimento de gait e de acordo com os resultados, os braços e os pés são as localizações mais importantes.