《表1 CASIA-B在三种不同实验设置下的Rank—1识别率(不包括相同视角)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的3D时空特征融合步态识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文认为原因如下，3D骨架序列中包含了三维空间上的运动信息，这与2D轮廓图的特征不同，是从三维空间上描述的步态运动，其次，空间上的步态变化与轮廓图体现的步态变化本质上都是在描述行人的运动规律，因此3D时空运动信息与二维轮廓信息融合进一步丰富了步态特征，在一定程度上增加了原有步态特征的鲁棒性，从而提高了步态识别率。此外在融合训练时，融入3D时空特征提高了网络的学习能力，在测试时不需要去获取行人的3D模型，这也大大减低了实际应用的复杂度和计算量。