打发走韩烟凝，章杉又准备读书。

不过这个时候章杉突然想起系统的提示

“宿主成功触发系统第29个成就薪火相传，特赠与宿主神秘技术类礼包一份”

神秘技术？

想想就很刺激

章杉果断选择了开启礼包。

“礼包开启中……”

“恭喜宿主获得超凡级生物识别技术步态识别”

章杉：！！！

生物识别技术并不是什么新鲜的概念，在时代，越来越多的生物特征可以被提取出来并进行识别。

目前市场应用比较多的有人脸识别、指纹识别、声纹识别等

人脸识别在现在这个时间节点虽然还没有说是烂大街

但也几乎在广泛商用的前夕了。

甚至门槛相对较高的虹膜识别、掌静脉识别在个别场景也已经落地应用。

但步态识别技术因为门槛较高，几乎是在落地应用中难觅踪影。

步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比图像识别更具优势。

步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。

英国南安普敦大学电子与计算机系的马克尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的“风格”上都存在细微差异。

对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。

人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。

步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。

但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。

尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。

步态识别主要提取的特征是人体每个关节的运动。

说起来很简单，不过实现很难

至少到目前为止，还没有商业化的基于步态的身份鉴别系统。

当然，现在这一切要随着这个礼包的横空出世画上一个句号了。

章杉能感觉到系统的凡尔赛，一个成熟的步态识别技术的构建岂是用四千万就能衡量其价值的。

但系统偏偏将这份技术当作一个价值四千万的礼包送给章杉。

虽然步态识别具有非接触、远距离和不容易伪装的优势

但是章杉能想象的道这门技术商业级应用的难度！

但在落地应用时，步态识别需要随机采样大量的时序步态数据进行模型学习。建步态库，然后根据步态数据提供系统解决方案。

在前期建库采集数据的时候，步态识别的正面识别率低，容易受到性别、步长、节奏、速度等的干扰

同时，相机角度、天气条件、遮挡物、附属物、道路崎岖、甚至衣服光照等都会影响准确性

比较难获取年龄、性别等信息，而且非普遍性，如残疾人不适合步态识别技术。

那么在落地商用的过程中，大多数监控场景都是比较复杂的，可能存在多个运动物体，行人图像容易受天气、光照等外界因素的影响，而有所变化。

以日照条件下运动目标的影子为例，它可能与被检测的目标相连，也可能与目标分离。如果是前者，影子扭曲了目标形状，使基于轮廓的步态识别方法不可靠如果后者，影子可能被误认为是场景中一个错误的目标。

因此，在实际场景下的步态检测面对的挑战不小。

步态识别提取的特征点包含两个方面，一方面是提取静态的内部特征，如身高、头型、腿骨、关节、肌肉等生理结构，这些特征相对比较稳定，在很长一段时间，都不会发生大的变化

第二方面，是提取人的动态特征，比如走路姿态、手臂摆幅、晃头耸肩、运动神经敏感度等，这些动态特征与身体属性密不可分，很长一段时间内也会相对比较稳定。但是，这些动态特征的提取与处理难度也更大。

行人重识别依靠行人的整体姿态来做检索，主要提取静态的外部特征，比如穿着、背包、发型、雨伞等，通过分析行人的穿着和体态来识别人。

但是，这些静态的外部特征很容易发生改变，比如整体外型发生变化，换了衣服、发型、帽子、鞋子，甚至是伪装姿态、体型等等。

因此涉及到行人重识别也很麻烦

行人重识别是需要利用大量单个人体同一时段不同监控下的图像信息进行模型学习。在用于监控场景中相对较短时间内的行人识别，精度较高，算法速度可达到毫秒级别。

在真实场景下，重识别算法需要做到在跨时间段、跨场景、跨不同成像质量的图像采集设备下进行高精度的快速识别，而这些摄像机所覆盖的范围彼此并不重叠，导致缺乏连贯的信息。

而且在不同画面中，人物的姿态、行为及外观会发生较大变化，不同时间、场景的光照、背景和遮挡物各不相同，背景中还常有体型、衣着相似的其他人物干扰摄像机的分辨率也有高有低，人物在画面中出现的位置有远有进，这些都对重识别技术提出了极大的挑战。

行人的姿态多变导致人脸上广泛使用的对齐技术也在重识别中失效。行人的数据获取难度远远大于人脸识别数据获取难度，而行人的信息复杂程度又远远大于人脸，这两个因素叠加在一起，使得重识别的算法研究变得更加困难，也更加重要。