Low-Resolution Gait Recognition
Low-Resolution Gait Recognition
复制标题
低分辨率步态识别
DOI：
10.1109/tsmcb.2010.2042166
复制
发表时间：
2010-08
影响因子：
--
通讯作者：
Fleischer, Rudolf
中科院分区：
文献类型：
--
作者：
Zhang, Junping;Pu, Jian;Chen, Changyou;Fleischer, Rudolf
与其他生物特征认证方法不同，步态识别是非侵入性的，并且从远处有效。然而，步态识别的性能将受到低分辨率（LR）的情况下。此外，当步态序列被投影到一个非最优的低维子空间，以减少数据的复杂性，步态识别的性能也会下降。为了解决这两个问题，我们提出了一种新的算法，称为超分辨率与流形采样和反投影（SRMS），它学习高分辨率（HR）的LR测试图像的对应物从HR/LR训练步态图像补丁对的集合。然后，我们将SRMS到一个新的算法称为多线性张量为基础的学习无调整参数（MTP）LR步态识别。本文的主要贡献包括：1）采用流形采样，显著降低了步态图像块的冗余度，使超分辨率过程更加高效合理。2)反向投影保证了学习的HR步态图像和对应的LR步态图像可以更加一致。3)在不引入额外参数的情况下，自动确定用于降维的最佳子空间维数。4)理论分析表明，MTP算法是收敛的。在USF人体步态数据库和CASIA步态数据库上的实验结果表明，与已有算法相比，该算法提高了效率。
Unlike other biometric authentication methods, gait recognition is noninvasive and effective from a distance. However, the performance of gait recognition will suffer in the low-resolution (LR) case. Furthermore, when gait sequences are projected onto a nonoptimal low-dimensional subspace to reduce the data complexity, the performance of gait recognition will also decline. To deal with these two issues, we propose a new algorithm called superresolution with manifold sampling and backprojection (SRMS), which learns the high-resolution (HR) counterparts of LR test images from a collection of HR/LR training gait image patch pairs. Then, we incorporate SRMS into a new algorithm called multilinear tensor-based learning without tuning parameters (MTP) for LR gait recognition. Our contributions include the following: 1) With manifold sampling, the redundancy of gait image patches is remarkably decreased; thus, the superresolution procedure is more efficient and reasonable. 2) Backprojection guarantees that the learned HR gait images and the corresponding LR gait images can be more consistent. 3) The optimal subspace dimension for dimension reduction is automatically determined without introducing extra parameters. 4) Theoretical analysis of the algorithm shows that MTP converges. Experiments on the USF human gait database and the CASIA gait database show the increased efficiency of the proposed algorithm, compared with previous algorithms.
登录
查看更多内容
影响因子：
3.7
作者：
M. Timmerman
通讯作者：
M. Timmerman
影响因子：
3.2
作者：
Abdi, Herve;Williams, Lynne J.
通讯作者：
Williams, Lynne J.
DOI：
10.1109/cvpr.2007.382984
发表时间：
2007-06
期刊：
2007 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Shuicheng Yan;Dong Xu;Stephen Lin;Thomas S. Huang;Shih-Fu Chang
通讯作者：
Shuicheng Yan;Dong Xu;Stephen Lin;Thomas S. Huang;Shih-Fu Chang
DOI：
10.1109/cvpr.2007.383028
发表时间：
2007-06
期刊：
2007 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Shengyang Dai;Mei Han;W. Xu;Ying Wu;Yihong Gong
通讯作者：
Shengyang Dai;Mei Han;W. Xu;Ying Wu;Yihong Gong
DOI：
10.1109/cvpr.2000.854852
发表时间：
2000-06
期刊：
Proceedings IEEE Conference on Computer Vision and Pattern Recognition. CVPR 2000 (Cat. No.PR00662)
影响因子：
--
作者：
Simon Baker;Takeo Kanade
通讯作者：
Simon Baker;Takeo Kanade