基于深度学习的步态识别算法研究文献综述

1. 文献综述（或调研报告）：

步态指的是人的走路姿态，属于生物行为特征的一种。与其他生物识别技术相比较，步态识别可以在远距离、低分辨率下有效工作 ，不易伪装和隐藏。心理学证据表明，每个人的步态存在一定的差异，具有唯一性，因此可用于身份识别[1]。步态识别是一项十分具有挑战性的任务，因为步态容易收到物体遮挡、衣着、视角和携带物等协变量因素的影响，准确率相比较于其他识别技术远远落后。随着近年来机器学习和计算机视觉的发展，步态识别在识别准确率和模型鲁棒性上都有大幅提升。本文主要从深度学习的角度，对步态识别领域近期相关研究工作、各种识别算法的优点和不足进行综述。

1. 问题定义

步态识别任务涉及计算机视觉领域内多个研究方向。对于一段给定的视频序列，可以包含一个人或者多个人，广义上步态识别的流程可以分为4个阶段：行人检测、行人分割、行人追踪和行人识别。（1）行人检测：定位行人在单帧图像中的位置，确定行人大小；（2）行人分割：对行人检测结果进行像素级的分割，移除背景；（3）行人追踪：多人时，需要根据运动轨迹区分视频序列中的不同个体；（4）行人识别。狭义上的行人识别指行人身份识别，广义上还可以包括基于步态识别的年龄推测和性别识别[2]。近年来伴随着深度学习的发展，通用检测分割框架，如掩码区域卷积神经网络[3]等的提出，使步态识别技术运用到实际复杂场景成为可能。

图一 步态识别任务流程图

除上述步态的识别流程，也有直接利用前背景分离技术[4]来提出步态序列中的背景，然后再进行行人追踪和识别的方法。使用前背景分离技术优点是分离出的轮廓图质量更好，局限性在于只适用背景不变的场景。还有利用姿态估计算法[5-6]提取视频中的人体关键点，并利用关键点序列中的运动信息进行识别的额方法。

步态识别分为两类，分别是身份的验证和身份的辨别。验证人物只需要判断注册样本(Probe Sample)和验证样本(Gallery Sample)的相似度是否达到阈值，辨别人物则是遍历验证集(Gallery Set)中的所有样本，找到和注册样本具有相同身份的验证样本。

1. 常用数据集

验证步态算法和模型的有效性需要合适的数据集。目前常用于验证基于深度学习的步态识别有效性的数据集包括：中国科学院的CASIA-B数据集[10]、日本大阪大学的ISIR数据集（包括MVLP[7]，LP[8]及LP-Bag beta; 3个常用数据子集[9]、美国南佛罗里达大学的USF数据集[11]。表1总结常用的步态数据集。

表 1 现有步态识别数据集