Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Interpretable Gait Recognition by Granger Causality

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F22%3A00125672" target="_blank" >RIV/00216224:14330/22:00125672 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.1109/ICPR56361.2022.9956624" target="_blank" >https://doi.org/10.1109/ICPR56361.2022.9956624</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/ICPR56361.2022.9956624" target="_blank" >10.1109/ICPR56361.2022.9956624</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Interpretable Gait Recognition by Granger Causality

  • Popis výsledku v původním jazyce

    Which joint interactions in the human gait cycle can be used as biometric characteristics? Most current methods on gait recognition suffer from a lack of interpretability. We propose an interpretable feature representation of gait sequences by the graphical Granger causal inference. The gait sequence of a person in the standardized motion capture format, constituting a set of 3D joint spatial trajectories, is envisaged as a causal system of joints interacting in time. We apply the graphical Granger model (GGM) to obtain the so-called Granger causal graph among joints as a discriminative and visually interpretable representation of a person's gait. We evaluate eleven distance functions in the GGM feature space by established classification and class-separability evaluation metrics. Our experiments indicate that, depending on the metric, the most appropriate distance functions for the GGM are the total norm distance and the Ky-Fan 1-norm distance. Experiments also show that the GGM is able to detect the most discriminative joint interactions and that it outperforms five related interpretable models in correct classification rate and in the Davies-Bouldin index. The proposed GGM model can serve as a complementary tool for gait analysis in kinesiology or for gait recognition in video surveillance.

  • Název v anglickém jazyce

    Interpretable Gait Recognition by Granger Causality

  • Popis výsledku anglicky

    Which joint interactions in the human gait cycle can be used as biometric characteristics? Most current methods on gait recognition suffer from a lack of interpretability. We propose an interpretable feature representation of gait sequences by the graphical Granger causal inference. The gait sequence of a person in the standardized motion capture format, constituting a set of 3D joint spatial trajectories, is envisaged as a causal system of joints interacting in time. We apply the graphical Granger model (GGM) to obtain the so-called Granger causal graph among joints as a discriminative and visually interpretable representation of a person's gait. We evaluate eleven distance functions in the GGM feature space by established classification and class-separability evaluation metrics. Our experiments indicate that, depending on the metric, the most appropriate distance functions for the GGM are the total norm distance and the Ky-Fan 1-norm distance. Experiments also show that the GGM is able to detect the most discriminative joint interactions and that it outperforms five related interpretable models in correct classification rate and in the Davies-Bouldin index. The proposed GGM model can serve as a complementary tool for gait analysis in kinesiology or for gait recognition in video surveillance.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of 26th International Conference on Pattern Recognition, ICPR 2022

  • ISBN

    9781665490627

  • ISSN

    1051-4651

  • e-ISSN

  • Počet stran výsledku

    7

  • Strana od-do

    1069-1075

  • Název nakladatele

    IEEE

  • Místo vydání

    Los Alamitos, CA, USA

  • Místo konání akce

    Montréal, Québec, Canada

  • Datum konání akce

    21. 8. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000897707601011