Causality-Based Multimodal Identity Recognition Method

doi:10.1002/cpe.70751

Causality-Based Multimodal Identity Recognition Method

2026-05-01

0

PRE

AI

DOI：10.1002/cpe.70751

原文链接

原文求助

摘要

En 中文

鲁棒个体身份识别为智能监控、人机交互等众多视觉应用提供了关键基础。然而，在光照变化、遮挡及其他干扰因素等复杂现实场景下，依赖单一生物特征的传统方法性能显著下降。为解决此局限，本文提出了一种基于因果关系的多模态特征解耦与融合算法（CA-DFMF），通过两阶段流程实现鲁棒身份识别。首先设计因果驱动的特征解耦模块（CDFD），利用环境-特征交叉注意力机制分离环境因素诱发的混淆特征，提取纯净的内在身份特征。随后开发基于图注意力的特征融合模块（GAFF），基于面部与骨骼模态的内在关联动态融合特征，并引入正交解耦损失抑制冗余信息。该方法从数据生成机制角度削弱环境混淆因素影响，增强双模态特征互补性。Market-1501数据集实验表明，所提方法较基准人脸识别和骨骼识别方法分别提升Rank-1准确率7.9%和16.1%。在涵盖各类遮挡与光照挑战的自建数据集上，该方法超越当前最优公开方法，准确率与F1分数分别提高13.1%和13.8%。结果表明，该方法能有效增强复杂场景下身份识别的鲁棒性，为高可靠性视觉感知系统提供可靠高效的技术方案。

Keyword:

causal inference

feature decoupling

feature fusion

graph attention mechanism

identity recognition

Causality-Based Multimodal Identity Recognition Method

摘要

期刊

机构

引用论文