skeleton dataset

每一行代表一帧骨架数据，每三列代表一个关节的三维坐标，单位为毫米。

Each row corresponds to a single frame of skeleton data, where every trio of consecutive columns represents the 3D coordinates of one joint, with the unit being millimeters.

原始信息汇总

数据集概述

数据集名称

MF-GLFGCN: Multi-stream global-local fusion graph convolutional network for skeleton-based gait recognition

数据集描述

该数据集用于基于骨架的步态识别研究，包含预处理后的骨架序列数据。每个骨架数据帧由多个关节的3D坐标（毫米）表示。

数据集路径

• 训练数据路径：./data/new_data_plus_2/train_data/*.csv
• 验证数据路径：./data/new_data_plus_2/valid_data

数据结构

• 每行代表一帧骨架数据。
• 每三列代表一个关节的3D坐标（毫米）。

数据集示例

	0	1	2	7	8	9
0	-74.02	-310.438	1833.24	-80.907	-492.666	1821.558
1	-64.242	-295.929	1822.069	-70.83	-478.592	1810.891
2	-51.235	-294.411	1831.823	-60.415	-479.205	1817.587
3	-43.467	-293.231	1830.682	-55.04	-478.889	1817.587
4	-32.085	-290.424	1830.682	-41.851	-476.189	1814.108
5	-19.257	-292.719	1823.502	-31.681	-477.564	1806.558
6	-18.434	-296.251	1819.715	-28.079	-481.906	1804.226

主要结果

MS-GLFGCN模型

• 参数：0.51M
• FLOPs：7.52G
• 平均准确率：98.53%
• 最大准确率：98.53%

GaitSet_MS模型

CASIA-B数据集上的平均准确率

	0	18	36	54	72	90	108	126	144	162	180	mean
NM#5-6	74.2	81.1	83.2	82.8	79.7	82	83.8	87	86.6	86	73.9	81.85
BG#1-2	63.5	69.2	68.5	68.1	65.5	64.3	66.6	68.1	65.4	68.1	55.7	65.73
CL#1-2	50.9	56.7	55.2	51.9	53.3	52	52.1	49.6	49.5	50.6	44.1	51.45

OU-MVLP数据集上的平均准确率

	0	15	30	45	60	75	90	180	195	210	225	240	255	270	mean
Acc.	41.99	56.23	61.88	64.39	62.43	59.17	52.76	36.75	47.63	47.02	59.63	58.44	54.9	48.84	53.72

使用许可

• 该代码仅用于学术目的，不得用于任何商业用途。

搜集汇总

数据集介绍

构建方式

该骨架数据集通过多视角摄像头捕捉人体运动过程中的三维关节坐标数据构建而成。每一帧数据代表一个时间点的人体姿态，包含多个关节的三维坐标信息，单位为毫米。数据采集场景经过精心设计，确保在不同光照和背景条件下获取高质量的运动数据。数据预处理阶段，通过算法对原始数据进行清洗和标准化处理，确保数据的一致性和可用性。

使用方法

使用该数据集时，需先通过提供的脚本进行数据预处理，确保数据格式与模型输入要求一致。训练过程中，可通过调整超参数如批次大小、学习率等优化模型性能。模型训练完成后，使用评估脚本对模型进行测试，获取步态识别的准确率等指标。此外，数据集支持多流融合图卷积网络（MS-GLFGCN）等先进模型，为步态识别研究提供了强大的实验平台。

背景与挑战

背景概述

骨架数据集（Skeleton Dataset）是由Xu-repository团队于近年发布，旨在推动基于骨架的步态识别研究。该数据集通过多流全局-局部融合图卷积网络（MS-GLFGCN）模型进行开发，主要应用于人体步态识别领域。数据集的核心研究问题在于如何通过骨架数据准确捕捉和识别个体的步态特征，进而提升步态识别的精度与鲁棒性。该数据集的发布为步态识别领域提供了重要的数据支持，推动了相关算法的创新与优化，尤其在多视角、复杂背景下的步态识别任务中展现了显著的应用潜力。

当前挑战

骨架数据集在构建与应用过程中面临多重挑战。首先，步态识别任务本身具有较高的复杂性，尤其是在多视角、遮挡和复杂背景条件下，如何从骨架数据中提取有效的步态特征仍是一个难题。其次，数据集的构建过程中，骨架数据的采集与标注需要高精度的传感器和复杂的后处理流程，确保数据的准确性与一致性。此外，骨架数据的时空建模与特征融合也是技术难点，如何在全局与局部特征之间找到平衡点，进一步提升模型的识别性能，仍需深入研究。这些挑战不仅影响了数据集的构建效率，也对后续算法的设计与优化提出了更高的要求。

常用场景

经典使用场景

在步态识别领域，skeleton dataset被广泛应用于基于骨骼的动作分析。该数据集通过捕捉人体关节的三维坐标，为研究者提供了丰富的运动信息。经典的使用场景包括步态识别、行为分析以及人体运动预测等任务。通过多流全局-局部融合图卷积网络（MS-GLFGCN），研究者能够从骨骼数据中提取出更具判别性的特征，从而提升模型的识别精度。

解决学术问题

skeleton dataset解决了步态识别中因视角变化、遮挡和复杂背景导致的识别困难问题。通过提供精确的骨骼数据，研究者能够更好地建模人体的运动模式，从而在跨视角、跨场景的步态识别任务中取得显著进展。该数据集的出现为步态识别领域的算法优化和模型创新提供了坚实的基础，推动了相关研究的深入发展。

实际应用

在实际应用中，skeleton dataset被广泛用于安防监控、医疗康复和智能交互等领域。例如，在安防监控中，基于骨骼数据的步态识别技术可以用于身份验证和行为分析；在医疗康复中，该数据集可用于评估患者的运动功能恢复情况；在智能交互领域，骨骼数据为虚拟现实和增强现实中的动作捕捉提供了重要支持。

数据集最近研究

最新研究方向

在步态识别领域，基于骨架数据的研究正逐渐成为热点。近期，多流全局-局部融合图卷积网络（MS-GLFGCN）的提出，为骨架数据的处理提供了新的视角。该网络通过融合全局和局部特征，显著提升了步态识别的准确率。特别是在CASIA-B和OU-MVLP数据集上的实验表明，MS-GLFGCN在排除相同视角的情况下，Top-1准确率达到了98.53%，显示出其在复杂场景下的强大适应能力。此外，该研究还开源了所有模型、方法和数据集，为后续研究提供了宝贵的参考资源。这一进展不仅推动了步态识别技术的发展，也为相关应用如安全监控、医疗康复等提供了新的技术支持。