Walker-Independent Features for Gait Recognition from Motion Capture Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F16%3A00090768" target="_blank" >RIV/00216224:14330/16:00090768 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-319-49055-7_28" target="_blank" >https://doi.org/10.1007/978-3-319-49055-7_28</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-49055-7_28" target="_blank" >10.1007/978-3-319-49055-7_28</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Walker-Independent Features for Gait Recognition from Motion Capture Data

Popis výsledku v původním jazyce

MoCap-based human identification, as a pattern recognition discipline, can be optimized using a machine learning approach. Yet in some applications such as video surveillance new identities can appear on the fly and labeled data for all encountered people may not always be available. This work introduces the concept of learning walker-independent gait features directly from raw joint coordinates by a modification of the Fisher’s Linear Discriminant Analysis with Maximum Margin Criterion. Our new approach shows not only that these features can discriminate different people than who they are learned on, but also that the number of learning identities can be much smaller than the number of walkers encountered in the real operation.

Název v anglickém jazyce

Walker-Independent Features for Gait Recognition from Motion Capture Data

Popis výsledku anglicky

MoCap-based human identification, as a pattern recognition discipline, can be optimized using a machine learning approach. Yet in some applications such as video surveillance new identities can appear on the fly and labeled data for all encountered people may not always be available. This work introduces the concept of learning walker-independent gait features directly from raw joint coordinates by a modification of the Fisher’s Linear Discriminant Analysis with Maximum Margin Criterion. Our new approach shows not only that these features can discriminate different people than who they are learned on, but also that the number of learning identities can be much smaller than the number of walkers encountered in the real operation.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the joint IAPR International Workshops on Structural and Syntactic Pattern Recognition (SSPR 2016) and Statistical Techniques in Pattern Recognition (SPR 2016)

ISBN

9783319490540

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

310-321

Název nakladatele

Springer International Publishing AG

Místo vydání

Switzerland

Místo konání akce

Mérida, Mexico

Datum konání akce

1. 1. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—