Three-dimensional view invariant gait recognition

Bu tez, yürüyüş tanıma sistemlerinin bakış açısı değişikliklerine karşı bağlılığını araştırmaktadır. Yürüyüş tanıma sistemlerinin performansı, genellikle kameranın bakış açısından etkilenmektedir. Bu sorunun ciddiyetini değerlendirmek amacıyla, kamera açısının bakış açısı dayanıklılığına olan etkisini saptamak için özgün, üç aşamalı bir protokol önerilmektedir. İlk olarak, yürüyüş tanıma veri setlerini 10 derecelik bölmelere ayırdık ve her bir yürüyüş sekansını bir bölmeye atadık. İkinci olarak, veri setlerini, her yürüyüş sekansının eğitim setinde yalnızca yan profil görünümlerinde, test setinde ise ön veya arka görünümlerde yer alacak şekilde yeniden yapılandırdık. Son olarak, test setini eğitimdeki bakış açılarına göre döndürerek yürüyüş tanıma modellerini değerlendirdik. Protokolümüzü, özellikle Gait3D ve GREW veri setlerindeki en yüksek performanslı yürüyüş tanıma modellerine uyguladık. Ayrıca, bu yürüyüş tanıma yöntemlerinin sonuçlarını yeniden üreterek doğruladık. Bununla birlikte, Gait3D ve GREW veri setlerindeki her bir yürüyüş sekansı için açısal etiketler de sağladık. Ayrıca, Tek Kanallı Derinlik Görüntüsü ve RGB Derinlik Görüntüsü adında iki özgün yürüyüş temsili önerdik. Sonuçlarımız, tüm modellerin, eğitimde kullanılan açılara daha yakın açılarda değerlendirildiğinde daha yüksek doğruluk elde ettiğini ve test açısı farklılaştıkça performansın düştüğünü göstermektedir. Ayrıca, 3B yürüyüş temsillerinin 2B temsillerle birlikte kullanılmasının, protokolümüzle değerlendirildiğinde 2B muadillerine kıyasla dayanıklılıkta bir iyileşme sağlamadığı görülmüştür. En önemlisi, SkeletonGait++ modelinde RGB Derinlik Görüntüleri kullanmanın, Silüet tabanlı ve Tek Kanallı Derinlik Görüntüsü tabanlı muadillerine göre daha yüksek performans sağladığını gösterdik. Son olarak, SMPL'lerden veya 3B pozlardan oluşturulan silüetlerin ya da 2B pozların kullanılmasının performansta düşüşe yol açtığını gösterdik.