(CVPR-2022)具有密集 3D 表示和基准的野外步态识别

具有密集 3D 表示和基准的野外步态识别

paper题目：Gait Recognition in the Wild with Dense 3D Representations and A Benchmark

paper是杭电发表在CVPR 2022的工作

paper地址：链接

Abstract

现有的步态识别研究以二维表示为主，例如受限场景中的人体轮廓或骨架。然而，人类在不受约束的 3D 空间中生活和行走，因此将 3D 人体投影到 2D 平面上会丢弃很多关键信息，例如用于步态识别的视角、形状和动态信息。因此，本文旨在探索用于野外步态识别的密集 3D 表示，这是一个实际但被忽视的问题。特别的，我们提出了一个新的框架来探索用于步态识别的人体 3D Skinned Multi-Person Linear (SMPL) 模型，名为 SMPLGait。我们的框架有两个精心设计的分支，其中一个从轮廓中提取外观特征，另一个从 3D SMPL 模型中学习 3D 视角和形状的知识。此外，由于缺乏合适的数据集，我们构建了第一个基于 3D 表示的大规模步态识别数据集，命名为 Gait3D。它包含从不受约束的室内场景中的 39 个摄像机中提取的 4,000 个受试者和超过 25,000 个序列。更重要的是，它提供了从视频帧中恢复的 3D SMPL 模型，可以提供体形、视角和动态的密集 3D 信息。基于 Gait3D，我们将我们的方法与现有的步态识别方法进行了全面比较，这反映了我们框架的卓越性能以及 3D 表示在野外步态识别的潜力。代码和数据集位于：链接。

1. Introduction

视觉步态识别旨在使用视频中的她/他的步行模式来识别目标人，已经研究了二十多年 [29, 41]。现有的方法和数据集以 2D 步态表示为主，例如轮廓序列 [54]、步态能量图像 (GEI) [10]、2D 骨架 [61]，如图 1 所示。然而，人体是 3D 非刚性物体，因此 3D 到 2D 投影丢弃了许多有用的形状、视角和动态信息，同时为步态识别呈现模糊性。因此，本文专注于有价值但被忽视的 3D 步态识别。

图1. 从两个视角看同一个人的不同步态表现。与剪影和骨架相比，三维网格保留了三维空间中人体的形状和视角。(最好以彩色观看)。

最近，基于深度学习的方法通过直接从剪影序列[5, 8, 55]或GEI[44]中学习判别性特征，在广泛采用的二维步态识别基准上占据了最先进的性能，如CASIA-B[36]和OU-MVLP[35]。尽管在实验室数据集上取得了优异的成绩，但这些方法在野外场景中不能很好地工作，因为野外场景有更多样的相机三维视角和更复杂的环境干扰因素，如闭塞[61]。尽管一些工作利用了三维圆柱体[3]或三维骨架[40]，但这些稀疏的三维模型也失去了人体的有用信息，如视角和形状。幸运的是，参数化的人体模型的发展，如皮Skinned Multi-Person Linear（SMPL）模型[27]和三维人体网格恢复方法[17,19,33]，使得估计视频帧中人体的精确三维网格和视角成为可能。三维网格在步态识别方面的优势有两个方面：1）三维网格不仅可以提供人体在三维空间中的姿势，还可以提供人体的形状，这对于学习步态的判别特征至关重要；2）在跨视角匹配过程中，可以利用三维视角对人体的方向进行归一。

为此，我们设计了一个新颖的基于SMPL模型的三维步态识别框架，即SMPLGait，以探索用于人类识别的三维步态表示。我们的SMPLGait框架有两个基于深度神经网络的分支。一个分支将人的剪影序列作为输入来学习外观特征，如服装、发型和物品。然而，由于野外视角的极端变化，人体的形状会被扭曲，这使得外观变得模糊不清，如图1所示。为了克服这一挑战，我们设计了一个三维空间变换网络（3D-STN）作为另一个分支，从三维人体网格中学习视角和形状的三维知识。三维空间变换网络将每一帧的三维SMPL模型作为输入来学习空间变换矩阵。通过将空间变换矩阵应用于外观特征，这些来自不同视角的特征在潜在空间中被归一化。通过这种方式，同一个人的步态序列在特征空间中会更加接近。

然而，没有合适的数据集提供野外人体的 3D 网格。因此，为了促进研究，我们从野外拍摄的高分辨率视频中构建了第一个基于网格的大规模 3D 步态识别数据集，名为 Gait3D。与表 1 中列出的现有数据集相比，Gait3D 数据集具有以下特点：1) Gait3D 包含 4,000 名受试者和超过 25,000 个序列，由 39 台摄像机在无约束的室内场景中捕获，使其可扩展用于研究和应用。 2）它提供从视频帧中恢复的精确3D人体网格，可以提供人体的3D姿势和形状以及准确的视角参数。 3) 它还提供了传统的 2D 轮廓和关键点，可用于探索多模态数据的步态识别。

表 1. 用于步态识别的公开可用数据集的比较。 Speed、Wild 和 3D-View 分别指示数据集是否包含不稳定的步行速度、是否在野外捕获以及在 3D 空间中是否具有视角变化。

综上所述，本文的贡献如下：

• 我们首次尝试在现实世界场景中进行 3D 步态识别，旨在探索人体的密集 3D 表示以进行步态识别。

• 我们提出了一种基于 SMPL 模型的新型 3D 步态识别框架，名为 SMPLGait，以探索用于步态识别的 3D 人体网格。

• 我们构建了第一个名为 Gait3D 的大规模 3D 步态识别数据集，它提供了从不受约束的场景中收集的 3D 人体步态网格。

通过全面的实验，我们不仅评估了现有的 2D 轮廓/基于骨架的方法，还证明了所提出的 SMPLGait 方法的有效性，该方法反映了 3D 表示在步态识别方面的潜力。此外，3D 和 2D 表示的组合进一步提高了性能，显示了多模态表示的互补性。

2. Related Work

步态识别。我们分别回顾了基于 2D 和 3D 表示的步态识别方法。

2D 步态识别方法可分为基于模型和无模型的方法 [41]。早期的方法主要属于基于模型的方法，它定义了一个结构人体模型。然后，步态模式由四肢长度、关节角度和身体部位的相对位置等参数建模 [3, 46]。无模型方法主要采用从视频帧[5、8、10、14、15、21、31、44、55、56]中减去背景得到的轮廓。特别的，Han等人。提出将一系列轮廓聚合成紧凑的步态能量图像（GEI）[10]，该图像被以下方法广泛使用 [31, 44]。最近，由于深度学习在计算机视觉任务中的成功 [23-25, 48-52]，深度卷积神经网络 (CNN) 也主导了步态识别的性能。例如，Shiraga 等人 [31]和Wu等人[44] 提出从 GEI 中学习有效特征，并显著优于以前的方法。最近的方法开始使用更大的 CNN 或多尺度结构直接从轮廓序列中学习判别特征，并取得了最先进的结果 [5, 8, 15, 21]。尽管在实验室数据集（例如 CASIA-B 和 OU-LP）上表现出色，但这些方法通常在野外失败，如 GREW [61] 和我们的 Gait3D。

自步态识别的早期以来，也已经研究了 3D 表示。例如，Urtasun 和 Fua [40] 提出了一种步态分析方法，该方法依赖于使用关节骨骼的 3D 时间运动模型。Zhao等人 [57] 应用局部优化算法来跟踪 3D 运动以进行步态识别。 Yamauchi 等人[47] 提出了第一种方法，使用从 RGB 帧估计的 3D 姿势来识别行走的人类。 Ariyanto 和 Nixon [3] 使用复杂的多摄像头系统构建了一个基于 3D 体素的数据集，并提出了一个在每个关节处具有 3D 自由度的铰接圆柱体的结构模型来模拟人体小腿。然而，这些方法要么丢弃丰富的 3D 信息，如视角和形状，要么受到实际应用设备的限制。总之，为了克服 2D 方法的问题并探索用于野外步态识别的 3D 表示，我们的目标是探索 3D 网格作为具有人体视角和形状的丰富表示。

步态识别数据集。目前公开的步态识别数据集主要属于两个系列，即 CASIA 系列 [36, 43, 54] 和 OU-ISIR 系列 [1, 13, 16, 28, 38, 39, 45]，如表 1 所示. CASIA 系列是在步态识别的早期研究中建立的，它促进了对步态表示的 RGB 图像和轮廓的初步探索 [10, 36]。尽管受试者数量较少，但 CASIA-B [54] 仍然是评估基于剪影的方法最广泛使用的数据集。 OU-ISIR 系列最初是在十年前构建的，并开发了不同的步行速度 [38]、服装风格 [13] 和背包 [39]、不同年龄的受试者 [45] 和 2D 姿势注释等综合变体[1]。由于人口众多，OU-LP [16] 和 OU-MVLP [35] 也成为当前研究中最受欢迎的数据集。然而，上述数据集是在实验室 [16, 54] 或校园中的一个小定义区域 [30,43] 等受限场景中收集的。最近，研究人员开始缩小实验室研究与实际应用之间的差距。作为对我们工作的同期研究，Zhu等人[61] 从在开放区域收集的自然视频构建了 GREW 数据集。但是，没有数据集可以为野外步态识别提供丰富的 3D 表示。因此，我们需要构建一个从复杂场景中收集并具有密集 3D 网格的新数据集，以便在野外进行步态识别。

3D 人体网格恢复。 3D 表示在计算机视觉社区中引起了很多关注 [26, 59]。 3D人体可以用点云[22]、体素[40]、参数化混合形状[2]等来表示。其中，Skinned Multi-Person Linear（SMPL）模型[27]是基于skinned vertex-based的模型可以准确地表示自然人体姿势中的各种身体形状。使用 SMPL 模型，任意 3D 人体可以由一组形状、姿势、尺度和视角参数的线性组合来表示。基于 SMPL 模型，开发了一系列 3D 人体网格恢复方法，用于从自然图像中估计人体的准确 3D 形状、姿势和视角 [17、19、33、34]。这些方法为我们提供了从野外视频中获取 3D 人体网格以进行基于 3D 网格的步态识别的机会。

3. The 3D Gait Recognition Method

3.1. Overview

---

所提出的基于 3D SMPL 的步态识别框架 SMPLGait 的整体架构如图 2 所示。该框架有两个分支。对于第一个分支，我们将具有丰富外观知识的轮廓序列作为输入，并使用基于 CNN 的模型从每一帧中提取 2D 空间特征。对于第二个分支，将人体的 SMPL 输入 3D 空间变换网络 (3D-STN)，该网络旨在从 3D 视角和形状学习潜在变换矩阵。然后 3D 空间变换模块使用学习的变换矩阵对齐潜在空间中的 2D 外观特征。最后，将每一帧的变换特征聚合成序列级特征，用于训练或推理中的序列到序列匹配。接下来，我们将详细介绍上述模块。

图 2. 用于野外 3D 步态识别的 SMPLGait 框架架构。

3.2. Network Structure

---

剪影学习网络（SLN）旨在从包含二维空间信息（如服装和发型）的剪影中学习人类的外观知识。SLN 有六个卷积层，类似于 GaitSet [5] 的主干。如图 2 所示，轮廓序列被输入 CNN。我们将 X sil  = { x i } i = 1 L X_{\text {sil }}=\left\{\mathbf{x}_{i}\right\}_{i=1}^{L} Xsil ={xi}i=1L作为输入序列，其中 x i ∈ R H × W \mathbf{x}_{i} \in \mathbb{R}^{H \times W} xi∈RH×W是第 $i$个二进制帧，$L$是序列的长度，$\mathrm{H}$和$\mathrm{W}$是轮廓图像的高度和宽度。对于框架 x i \mathbf{x}_{i} xi，该过程可以表述为：
F i = F ( x i ) , \mathbf{F}_{i}=F\left(\mathbf{x}_{i}\right), Fi=F(xi),
其中$F(\cdot )$是基于 CNN 的主干， F i ∈ R h × w \mathbf{F}_{i} \in \mathbb{R}^{h \times w} Fi∈Rh×w是帧 x i \mathbf{x}_{i} xi的帧级特征图。

提出了 3D 空间变换网络 (3D-STN) 来解决真实 3D 场景中的视角变化。与 3D 视角、形状和姿势相关的 3D SMPL 参数是该模块的输入。假设 Y s p = Y_{s p}= Ysp= { y i } i = 1 L \left\{y_{i}\right\}_{i=1}^{L} {yi}i=1L是输入的 SMPLs，其中 y i ∈ R D y_{i} \in \mathbb{R}^{D} yi∈RD是第$i$帧的 SMPL 向量，$D$是 SMPL 向量的维数，包含$24\times 3$维的 3D 人体姿态，10 维3D 身体形状，以及 3 维相机比例和平移参数。 3D-STN 由三个全连接 (FC) 层组成，神经元数$=128\Rightarrow 256\Rightarrow h\times w$，其中$h$和$w$是来自剪影学习网络的特征图的高度和宽度。每个 FC 层之后是批归一化和 ReLU 激活函数。我们对最后两个 FC 层使用 dropout 来消除过拟合。3D-STN的前向过程可以表述为：
g i = G ( y i ) , \mathbf{g}_{i}=G\left(\mathbf{y}_{i}\right), gi=G(yi),
其中$G(\cdot )$是 3D-STN， g i \mathbf{g}_{i} gi是帧$i$的帧级变换向量。

3D空间变换模块被设计为使用特征空间中的变换向量gi对齐2D外观特征图 F i ∈ R h × w \mathbf{F}_{i} \in \mathbb{R}^{h \times w} Fi∈Rh×w，如图2所示。我们首先将变换向量 g i \mathbf{g}_{i} gi重塑为矩阵 G i ∈ R w × h \mathbf{G}_{i} \in \mathbb{R}^{w \times h} Gi∈Rw×h.然后，为了计算方便，我们通过在短边上补零将 F i \mathbf{F}_{i} Fi和 G i \mathbf{G}_{i} Gi扩展为方阵。之后，我们将 G i \mathbf{G}_{i} Gi应用于 F i \mathbf{F}_{i} Fi
F ^ i = F i ⋅ ( I G i ) , \widehat{\mathbf{F}}_{i}=\mathbf{F}_{i} \cdot\left(I \mathbf{G}_{i}\right), F i=Fi⋅(I Gi),
其中$I$是单位矩阵，$\cdot$是矩阵乘法。最后，我们采用GaitSet [5]中的集合池化（SP）和水平金字塔池化（HPP）将 F ^ i \widehat{\mathbf{F}}_{i} F i聚合成最终的特征向量，用于序列到序列的匹配。有关 SMPLGait 框架的更多详细信息，请参阅补充材料。

3.3. Training and Inference

---

我们的双分支3D步态识别框架是以端到端方式进行训练的。我们框架的网络是由一个有两个组成部分的损失函数来优化的。
L = α L t r i β L c e L=\alpha L_{t r i} \beta L_{c e} L=αLtri βLce
其中 L t r i L_{t r i} Ltri是三元组损失， L c e L_{c e} Lce是交叉熵损失。$\alpha$和$\beta$是加权参数。

在推理过程中，我们将剪影序列和SMPLs分别作为两个分支的输入。余弦相似度被用来衡量query-gallery对之间的相似度。

这篇好文章是转载于：学新通技术网