第248章 神秘技術？

請關閉瀏覽器的閱讀/暢讀/小說模式並且關閉廣告遮蔽過濾功能，避免出現內容無法顯示或者段落錯亂。

打走韓煙凝，章杉又準備讀書。

不過這個時候章杉突然想起系統的提示——

“宿主成功觸系統第29個成就——薪火相傳，特贈與宿主神秘技術類禮包一份~”

神秘技術？

想想就很刺激~

章杉果斷選擇了開啟禮包。

“禮包開啟中……”

“恭喜宿主獲得凡級生物識別技術——步態識別”

章杉！！！

生物識別技術並不是什麼新鮮的概念，在aI時代，越來越多的生物特徵可以被提取出來並進行識別。

目前市場應用比較多的有人臉識別、指紋識別、聲紋識別等~

人臉識別在現在這個時間節點雖然還沒有說是爛大街~

但也幾乎在廣泛商用的前夕了。

甚至門檻相對較高的虹膜識別、掌靜脈識別在個別場景也已經落地應用。

但步態識別技術因為門檻較高，幾乎是在落地應用中難覓蹤影。

步態識別是一種新興的生物特徵識別技術，旨在透過人們走路的姿態進行身份識別，與其他的生物識別技術相比，步態識別具有非接觸遠距離和不容易偽裝的優點。在智慧影片監控領域，比影象識別更具優勢。

步態是指人們行走時的方式，這是一種複雜的行為特徵。罪犯或許會給自己化裝，不讓自己身上的哪怕一根毛掉在作案現場，但有樣東西他們是很難控制的，這就是走路的姿勢。

英國南安普敦大學電子與計算機系的馬克·尼克松教授的研究顯示，人人都有截然不同的走路姿勢，因為人們在肌肉的力量、肌腱和骨骼長度、骨骼密度、視覺的靈敏程度、協調能力、經歷、體重、重心、肌肉或骨骼受損的程度、生理條件以及個人走路的“風格”上都存在細微差異。

對一個人來說，要偽裝走路姿勢非常困難，不管罪犯是否帶著面具自然地走向銀行出納員還是從犯罪現場逃跑，他們的步態就可以讓他們露出馬腳。

人類自身很善於進行步態識別，在一定距離之外都有經驗能夠根據人的步態辨別出熟悉的人。

步態識別的輸入是一段行走的影片影象序列，因此其資料採集與面像識別類似，具有非侵犯性和可接受性。

但是，由於序列影象的資料量較大，因此步態識別的計算複雜性比較高，處理起來也比較困難。

儘管生物力學中對於步態進行了大量的研究工作，基於步態的身份鑑別的研究工作卻是剛剛開始。

步態識別主要提取的特徵是人體每個關節的運動。

說起來很簡單，不過實現很難~

至少到目前為止，還沒有商業化的基於步態的身份鑑別系統。

當然，現在這一切要隨著這個禮包的橫空出世畫上一個句號了。

章杉能感覺到系統的凡爾賽，一個成熟的步態識別技術的構建豈是用四千萬就能衡量其價值的。

但系統偏偏將這份技術當作一個價值四千萬的禮包送給章杉。

~~~

雖然步態識別具有非接觸、遠距離和不容易偽裝的優勢~

但是章杉能想象的道這門技術商業級應用的難度！

但在落地應用時，步態識別需要隨機取樣大量的時序步態資料進行模型學習。建步態庫，然後根據步態資料提供系統解決方案。

在前期建庫採集資料的時候，步態識別的正面識別率低，容易受到性別、步長、節奏、度等的干擾；

同時，相機角度、天氣條件、遮擋物、附屬物、道路崎嶇、甚至衣服光照等都會影響準確性；

比較難獲取年齡、性別等資訊，而且非普遍性，如殘疾人不適合步態識別技術。

那麼在落地商用的過程中，大多數監控場景都是比較複雜的，可能存在多個運動物體，行人影象容易受天氣、光照等外界因素的影響，而有所變化。

以日照條件下運動目標的影子為例，它可能與被檢測的目標相連，也可能與目標分離。如果是前者，影子扭曲了目標形狀，使基於輪廓的步態識別方法不可靠；如果後者，影子可能被誤認為是場景中一個錯誤的目標。

因此，在實際場景下的步態檢測面對的挑戰不小。

步態識別提取的特徵點包含兩個方面，一方面是提取靜態的內部特徵，如身高、頭型、腿骨、關節、肌肉等生理結構，這些特徵相對比較穩定，在很長一段時間，都不會生大的變化；

第二方面，是提取人的動態特徵，比如走路姿態、手臂擺幅、晃頭聳肩、運動神經敏感度等，這些動態特徵與身體屬性密不可分，很長一段時間內也會相對比較穩定。但是，這些動態特徵的提取與處理難度也更大。

行人重識別依靠行人的整體姿態來做檢索，主要提取靜態的外部特徵，比如穿著、揹包、型、雨傘等，透過分析行人的穿著和體態來識別人。

但是，這些靜態的外部特徵很容易生改變，比如整體外型生變化，換了衣服、型、帽子、鞋子，甚至是偽裝姿態、體型等等。

因此涉及到行人重識別也很麻煩~

行人重識別是需要利用大量單個人體同一時段不同監控下的影象資訊進行模型學習。在用於監控場景中相對較短時間內的行人識別，精度較高，演算法度可達到毫秒級別。

在真實場景下，重識別演算法需要做到在跨時間段、跨場景、跨不同成像質量的影象採集裝置下進行高精度的快識別，而這些攝像機所覆蓋的範圍彼此並不重疊，導致缺乏連貫的資訊。

而且在不同畫面中，人物的姿態、行為及外觀會生較大變化，不同時間、場景的光照、背景和遮擋物各不相同，背景中還常有體型、衣著相似的其他人物干擾；攝像機的解析度也有高有低，人物在畫面中出現的位置有遠有進，這些都對重識別技術提出了極大的挑戰。

行人的姿態多變導致人臉上廣泛使用的對齊技術也在重識別中失效。行人的資料獲取難度遠遠大於人臉識別資料獲取難度，而行人的資訊複雜程度又遠遠大於人臉，這兩個因素疊加在一起，使得重識別的演算法研究變得更加困難，也更加重要。