基于視角轉(zhuǎn)換的多視角步態(tài)識別方法

瞿斌杰，孫韶媛，Samah A.F.Manssor，趙國順

（1.東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，上海 201620；2.東華大學(xué)數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620）

0 概述

生物識別技術(shù)通過計算機與光學(xué)、聲學(xué)、生物傳感器及生物統(tǒng)計學(xué)原理等高科技手段密切結(jié)合，利用人體固有的生理特性和行為特征來進行個人身份的鑒定。當前諸如面部、虹膜、指紋和簽名之類的生物識別技術(shù)已廣泛用于身份認證。這些生物識別技術(shù)的局限性在于需要被測者的配合來獲取特征信息。步態(tài)是一種重要的生物特征，它克服了上述限制，在不受控制的情況下無需對象合作，攝像機可以很容易地在遠距離捕獲目標并采集信息［1］。目前步態(tài)識別方法主要分為基于模型的方法和基于外觀的方法。

基于模型的方法試圖建立模型以從視頻序列重建人體的基礎(chǔ)結(jié)構(gòu)。文獻［2］通過構(gòu)建身體結(jié)構(gòu)模型來完成步態(tài)識別，文獻［3］從多個相機重建的3D步態(tài)數(shù)據(jù)進行識別。3D 數(shù)據(jù)比2D 數(shù)據(jù)能夠傳遞更多的信息，但采集成本高限制了其應(yīng)用。

基于外觀的方法將步態(tài)圖像序列作為輸入。此類方法首先從視頻序列中提取二進制輪廓序列，然后用多種方法將步態(tài)輪廓序列處理成單張的步態(tài)特征圖，如步態(tài)能量圖像（Gait Energy Image，GEI）［4］即是廣泛使用的一種步態(tài)特征，其通過在整個步態(tài)周期上平均輪廓序列獲得，GEI 包含了步態(tài)周期的空間信息。此外，還有其他步態(tài)特征，如運動歷史圖像（Motion History Image，MHI）［5］。受MHI 的啟發(fā)，文獻［6］提出了運動剪影圖像來嵌入步態(tài)剪影的時空信息，文獻［7］提出了用于步態(tài)識別的步態(tài)流圖像。

盡管目前基于深度學(xué)習(xí)的步態(tài)識別算法已經(jīng)取得了一些成果，但是步態(tài)識別面臨著諸多挑戰(zhàn)，如視角的變換、著裝變化和攜帶物等。在視角的變換方面［8］，由于一般攝像頭均為固定狀態(tài)，當行人由不同的方向進入攝像采集區(qū)域時，會造成多視角下目標姿態(tài)不同的問題。針對這種視角變化問題，文獻［9］將來自不同視角的樣本表示為在原對應(yīng)視圖下的線性組合，通過提取特征表示系數(shù)進行分類，文獻［10］提取一種基于均值的視角不變步態(tài)特征方法，并基于形狀距離測量步態(tài)相似性。文獻［11］提出了基于頻域特性和視圖轉(zhuǎn)換的模型。在此基礎(chǔ)上，文獻［12］進一步應(yīng)用線性判別分析簡化計算。因此，構(gòu)造視角轉(zhuǎn)換模型可以在較小代價下實現(xiàn)精度較高的識別效果。在著裝變化方面，人的著裝在很大程度上會改變?nèi)梭w的輪廓，尤其在著裝較厚或者衣物較長的情況下，會對人體姿態(tài)形成遮擋，影響步態(tài)的識別效果。在攜帶物方面，在前景分離的過程中，人所攜帶的物品極有可能被當作人體的一部分而被提取出來，從而影響步態(tài)特征的準確性。若該行人在其他時刻未攜帶物品或攜帶其他物品，則較難實現(xiàn)精確識別。

本文提出一種基于視角轉(zhuǎn)換的步態(tài)識別方法。通過VTM-GAN 網(wǎng)絡(luò)將不同視角下的步態(tài)特征統(tǒng)一轉(zhuǎn)換至90°狀態(tài)下，即目標運動方向與拍攝方向呈垂直狀態(tài)，采用視角轉(zhuǎn)換后的步態(tài)數(shù)據(jù)構(gòu)建步態(tài)正負樣本對，擴充用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)來增加模型的泛化能力，將時空雙流卷積神經(jīng)網(wǎng)絡(luò)作為步態(tài)識別網(wǎng)絡(luò)，并在CASIA-B 數(shù)據(jù)集上進行了實驗驗證。

1 步態(tài)數(shù)據(jù)預(yù)處理

良好的步態(tài)序列預(yù)處理可以提升實驗效果，因此將原始步態(tài)序列中的圖像經(jīng)過混合高斯模型背景差分［13］、形態(tài)學(xué)處理以及尺寸歸一化等操作后能夠得到質(zhì)量較高的步態(tài)二值圖。

基于混合高斯模型的背景差分法是一種較常用的背景減除算法，該算法認為像素間顏色互不相關(guān)，對每一像素點的處理都是獨立的。通過對每個背景像素點建立2 個～3 個高斯模型后分別進行前背景匹配，得到背景圖象后進行差分運算得到步態(tài)前景圖。

通過背景差分后得到的步態(tài)二值圖往往存在較多的空洞以及噪聲，因此，引入圖像形態(tài)學(xué)處理中的開運算［14］，即先腐蝕再膨脹來消除噪聲以提高步態(tài)輪廓的質(zhì)量，開運算數(shù)學(xué)表達式如式（1）所示：

其中，A表示待處理圖像，B表示開運算所定義的結(jié)構(gòu)體用以遍歷圖像。

經(jīng)過前兩步得到的步態(tài)二值圖中，目標位置及大小往往因為拍攝角度以及目標位置的改變不盡相同，所以采用步態(tài)尺寸歸一化得到步態(tài)二值圖序列。將每個歸一化后的輪廓圖B表示為：

其中，(x,y)表示步態(tài)圖左上角坐標，w和h分別表示為歸一化后二值圖的寬度和高度，實驗中為了減少因縮放尺度給圖像質(zhì)量帶來的影響，將歸一化二值圖的寬高比例設(shè)置為1，即w=h=240。歸一化二值圖的高度為目標的高度，再對每個目標的中心(Gx,Gy)進行計算，其中x的計算如式（3）所示：

對步態(tài)二值圖進行平均化相加操作來獲取GEI，其定義如式（4）所示：

其中，g(x,y)為步態(tài)能量圖，Sq,t(x,y)表示在第q個步態(tài)序列中時刻t的步態(tài)剪影圖中坐標為(x,y)的像素值。

對于CGI 的合成，本文參考了文獻［15］提出的方法，在GEI 基礎(chǔ)上，通過該方法將步態(tài)二值圖序列根據(jù)三通道RGB 色彩的映射，來保留GEI 圖像中損失的時間信息。

2 網(wǎng)絡(luò)架構(gòu)及參數(shù)配置

本文主要以VTM-GAN 網(wǎng)絡(luò)作為視角轉(zhuǎn)換網(wǎng)絡(luò)，以時空雙流卷積神經(jīng)網(wǎng)絡(luò)作為步態(tài)識別網(wǎng)絡(luò)，步態(tài)視角轉(zhuǎn)換網(wǎng)絡(luò)VTM-GAN 基于Cycle-GAN 網(wǎng)絡(luò)［16］，將不同視角下 的GEI 轉(zhuǎn)換成90°狀態(tài)下 的GEI，從而構(gòu)建擴充的正負數(shù)據(jù)樣本對。時空雙流卷積神經(jīng)網(wǎng)絡(luò)同時保留時間空間信息，通過距離度量判斷同時輸入的樣本是否來源于同一個目標。

2.1 VTM-GAN 網(wǎng)絡(luò)

VTM-GAN 網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。VTM-GAN 網(wǎng)絡(luò)具有2 個輸入端，本質(zhì)上是2 個鏡像對稱的GAN 網(wǎng)絡(luò)，共有2 個G1生成器、2 個G2生成器及2 個鑒別器，在每一對生成器間共享權(quán)值且采用跳躍鏈接技術(shù)。該網(wǎng)絡(luò)思想是源于Cycle-GAN 網(wǎng)絡(luò)，在網(wǎng)絡(luò)中有兩個數(shù)據(jù)域A和B，該網(wǎng)絡(luò)從域A獲取輸入圖像并傳遞到第一個生成器G1，完成從域A至域B圖像的轉(zhuǎn)換。然后新生成的圖像被傳遞到另一個生成器G2，再完成從域B到域A圖像的轉(zhuǎn)換，其目的是在原始域A轉(zhuǎn)換回圖像A'。輸出A'必須與原始輸入圖像相似，用來定義非配對數(shù)據(jù)集中原來不存在的映射。

圖1 VTM-GAN 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of VTM-GAN

該網(wǎng)絡(luò)的損失函數(shù)主要由對抗損失、身份損失、身份保持損失、循環(huán)一致性損失以及分類損失組成。網(wǎng)絡(luò)的對抗損失主要由兩部分組成，對于映射A→B和它對應(yīng)的判別器DB，損失函數(shù)可以定義為：

同理，對于映射B→A和它對應(yīng)的判別器DA，損失函數(shù)可以定義為：

當網(wǎng)絡(luò)優(yōu)化時，對于生成器G1即去最小化目標函數(shù)式（5），而對于鑒別器即去最大化目標函數(shù)式（5），如式（7）所示：

對于生成器G2就是去最小化目標函數(shù)式（6），而對于鑒別器就是去最大化目標函數(shù)式（6），如式（8）所示：

因為映射G1完全可將所有域A中的圖像轉(zhuǎn)換成域B中同一張圖像，從而導(dǎo)致?lián)p失無效化，所以引入循環(huán)一致性損失同時學(xué)習(xí)G1和G2兩個映射，并要求G2(G1(a))≈a以及G1(G2(b))≈b，該損失如式（9）所示：

綜上所述，可得網(wǎng)絡(luò)總損失如式（10）所示：

其中，λ用于調(diào)節(jié)循環(huán)一致性損失在總損失中的比重。

生成器是負責(zé)域A到域B的圖像的生成，輸入一個域B的圖片生成域B的圖片b'，用于計算b'與輸入b的損失稱為身份損失，而身份保持損失的作用是不僅希望生成的GEI 看上去像同一個人，而且能夠保持原有的身份信息，因此引入分類損失，并使分類器與生成器進行競爭，與鑒別器進行協(xié)作，將真實圖片與生成的圖片作為輸入，然后預(yù)測它們的標簽，希望兩者間預(yù)測得到的是同樣的標簽，并且使生成的特征盡可能地靠近真實的特征。

基于以上的思想，將步態(tài)數(shù)據(jù)庫中不同視角、不同狀態(tài)風(fēng)格下的步態(tài)特征圖統(tǒng)一轉(zhuǎn)換為90°狀態(tài)下正常行走風(fēng)格的步態(tài)特征圖，從而完成對步態(tài)數(shù)據(jù)庫樣本的擴充并且消除了多視角對于步態(tài)識別的影響［17］，如圖2 所示，其中，NM 表示正常狀態(tài)，BG 表示背包狀態(tài)，CL 表示穿外套狀態(tài)。

圖2 視角轉(zhuǎn)換示意圖Fig.2 Schematic diagram of view transformation

表1 所示為網(wǎng)絡(luò)生成器的具體參數(shù)，其中，輸入尺寸為240 像素×240 像素×1 通道。采用的Unet 網(wǎng)絡(luò)結(jié)構(gòu)由編碼器及解碼器兩部分構(gòu)成，并且在第4 層編碼器之后之間引入［?1，1）范圍內(nèi)遵循均勻分布的噪聲，反卷積層的第一層設(shè)置Dropout 大小為0.5。跳躍連接將d1 與e3、d2 與e2、d3 與e1 進行合并。

表1 生成器參數(shù)Table 1 Generator parameters

表2 所示為網(wǎng)絡(luò)鑒別器參數(shù)，其中輸入尺寸為240 像素×240 像素×1 通道。對輸入圖像進行特征提取，然后確定該輸入是否屬于某特定類別，鑒別器最后一層卷積層通過產(chǎn)生一維輸出來完成鑒別。

表2 鑒別器參數(shù)Table 2 Discriminator parameters

2.2 時空雙流卷積神經(jīng)網(wǎng)絡(luò)

時空雙流卷積神經(jīng)網(wǎng)絡(luò)具有左右兩側(cè)輸入端，網(wǎng)絡(luò)的左右兩側(cè)具有相同結(jié)構(gòu)和參數(shù)，兩側(cè)輸入的樣本對可以通過模仿減法運算來得到一對特征的差別，隨后可以通過兩者的差別進而得到樣本間的相似度。其主要思想是通過一個函數(shù)將輸入映射到目標空間，在目標空間基于距離度量的歐式距離來對比相似度。在分別計算每對樣本差值之前，只使用線性投影，這是由卷積核在最底卷積階段實現(xiàn)的，即在網(wǎng)絡(luò)底層進行特征的融合，能夠在輸入端減少數(shù)據(jù)復(fù)雜度，進而能夠一定程度地減少網(wǎng)絡(luò)復(fù)雜度，更易于計算。一對卷積核可接受兩個輸入，可以看作權(quán)重比較器。在每個空間位置，首先分別對其兩個輸入的局部區(qū)域重新加權(quán)，然后將這些加權(quán)后的項相加來模擬減法。在底層融合之后的深層卷積層可以從樣本對之間的差異中學(xué)習(xí)更多復(fù)雜信息。

在網(wǎng)絡(luò)的頂層設(shè)置一個Softmax 二分類器來判斷輸入樣本對是否為同一目標，利用邏輯回歸損失對整個網(wǎng)絡(luò)進行訓(xùn)練。該預(yù)測器可用式（11）表示：

其中，x和xi為輸入樣本對，?將x和xi映射到同一空間，與此同時，φ計算兩個輸入的權(quán)值差，η作為預(yù)測器來預(yù)測最終的相似度，?可由一層或多層卷積層和全連接層組成，φ必須有兩個輸入并且可由一個卷積層或全連接層構(gòu)成，預(yù)測器η由全連接層和Softmax層構(gòu)成，Si為預(yù)測器。

該網(wǎng)絡(luò)在訓(xùn)練階段最小化來自相同類別的一對樣本的損失函數(shù)值，最大化來自不同類別的一對樣本的損失函數(shù)值。給定一組映射函數(shù)Gw(X)，其中參數(shù)w為共享參數(shù)向量，目的是尋找一組參數(shù)w，使得當X1和X2屬于同一類別時，相似性度量較小，且最小化損失函數(shù)。當屬于不同類別時，相似性度量較大，且最大化損失函數(shù)。其中，X1和X2是網(wǎng)絡(luò)的一組輸入圖像，Y為輸入組的一個0，1 標簽，如果輸入為同一個人，即一組正對，那么Y=0，否則Y=1，相似性度量公式如式（12）所示：

綜上，該網(wǎng)絡(luò)可以用式（13）簡明地表示為：

其中，Wl和分別代表了一對樣本第l層的權(quán)值，f為非線性激活函數(shù)，本文采用Relu 作為非線性激活函數(shù)。

網(wǎng)絡(luò)結(jié)構(gòu)及各層參數(shù)設(shè)置如圖3 和表3 所示，在表3 中，輸入尺寸為240 像素×240 像素×2 通道。因為是對稱的網(wǎng)絡(luò)，所以左右兩側(cè)網(wǎng)絡(luò)參數(shù)相同網(wǎng)絡(luò)中的N 為批歸一化技術(shù)，網(wǎng)絡(luò)中的D 為Dropout 技術(shù)，通過減少每次訓(xùn)練時的參數(shù)量，提高了模型準確率，增強了模型的泛化能力。

圖3 時空雙流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of spatial-temporal double flow convolutional neural network

表3 網(wǎng)絡(luò)參數(shù)設(shè)置Table 3 Setting of network parameters

3 實驗結(jié)果與分析

本文采用CASIA-B［17］數(shù)據(jù)集作為實驗數(shù)據(jù)，該數(shù)據(jù)集是一個大規(guī)模、多視角的步態(tài)庫，其中共有124 個人，每個人有11 個視角（0o，18o，36o，…，180o），并在普通條件（NM）、穿大衣（CL）以及攜帶包裹（BG）這3 種行走條件下采集。實驗的具體流程依次為步態(tài)圖像預(yù)處理、GEI 及CGI 的合成、VTM-GAN網(wǎng)絡(luò)視角轉(zhuǎn)換、步態(tài)樣本對構(gòu)建、時空雙流卷積神經(jīng)的網(wǎng)絡(luò)訓(xùn)練，最后通過測試得到各視角下的準確率。

本文算法使用PyTorch1.4框架，實驗的軟硬件配置如下：CPU為Intel i5-6600，內(nèi)存為8 GB，GPU為NVIDIA GTX 1060，操作系統(tǒng)為Windows10，CUDA為9.2。

3.1 數(shù)據(jù)預(yù)處理結(jié)果

圖4 所示為實驗得到的各角度不同狀態(tài)下CASIA-B 的GEI，其能很好地表現(xiàn)步態(tài)的速度、形態(tài)等特征。

圖4 不同角度及狀態(tài)下的步態(tài)能量圖Fig.4 Gait energy diagrams at different angles and states

圖5 所示為將步態(tài)二值圖序列通過RGB 三通道色彩映射后得到的CGI 圖像，通過色彩映射保留了步態(tài)序列的時間信息。

圖5 CGI 圖像示例Fig.5 Examples of CGI image

3.2 視角轉(zhuǎn)換及樣本擴充

圖6 所示為通過視角轉(zhuǎn)換后的到的計時步態(tài)圖像（CGI）步態(tài)樣本。圖7 所示為將不同視角下、不同行走狀態(tài)下的步態(tài)能量圖像（GEI），通過VTM-GAN網(wǎng)絡(luò)轉(zhuǎn)換成90°狀態(tài)下的結(jié)果示例，圖中每3 列為一組，每一列分別包含輸入步態(tài)、實際步態(tài)和正常視圖中的合成步態(tài)。

圖6 CGI 視角轉(zhuǎn)換后結(jié)果Fig.6 Result of CGI after view transformation

圖7 GEI 視角轉(zhuǎn)換后結(jié)果Fig.7 Results of GEI after view transformation

為衡量該視角轉(zhuǎn)換網(wǎng)絡(luò)的準確性，本文采用余弦相似度來判斷參考圖像與合成圖像的相似度，余弦相似度公示如式（14）所示：

其中，Ai、Bi分別代表參考圖像與合成圖像。如果合成圖像與參考圖像通過式（14）計算所得結(jié)果越接近1，那么兩圖就越接近，即合成GEI 的信息保留程度就越高。

如圖8 所示，通過計算參考步態(tài)以及合成步態(tài)的余弦相似度，發(fā)現(xiàn)兩者的相似度總體在98.5%以上，因為從0°及180°轉(zhuǎn)換至90°的視角跨度較大，所以相似度有所下降。

圖8 視角轉(zhuǎn)換后合成步態(tài)與參考步態(tài)的余弦相似度Fig.8 Cosine similarity between the synthesized gaits and the reference gaits after the view transformation

在視角轉(zhuǎn)換前，一共擁有124×10=1 240 個側(cè)視圖下的步態(tài)樣本，而將CASIA-B 的124 個目標的GEI 以及CGI 樣本全部經(jīng)過視角轉(zhuǎn)換后，每種共有124×10×11=13 640 個側(cè)視圖下的樣本，視角轉(zhuǎn)換突破了原數(shù)據(jù)庫多視角上的限制，大大擴充了可訓(xùn)練的步態(tài)樣本數(shù)量。本文使用CASIA-B 中的NM01-NM04、CL01、BG01 序列作為訓(xùn)練集，即124×6×11=8 184 個特征來構(gòu)建正負樣本對用于時空雙流卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，每個目標包含了6×11=66 個側(cè)視圖下的GEI 及CGI，任選同一目標的兩個GEI 及兩個CGI構(gòu)成一組正樣本對，則共可構(gòu)成對，即2 145 對。因此，對于124 個目標，總共可以構(gòu)成265 980 對正樣本對。同樣，隨機選取某一目標的一個GEI 及一個CGI，再選取其他目標的某一個GEI 及某一個CGI 來構(gòu)建負樣本對。本文構(gòu)建的正負樣本對都為265 980 對，即各占總樣本對的一半。通過這種樣本構(gòu)建方法，網(wǎng)絡(luò)訓(xùn)練過程中的樣本量成倍增加，緩解了模型因數(shù)據(jù)量較少而產(chǎn)生過擬合問題。

3.3 時空雙流卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練及測試方式

時空雙流卷積神經(jīng)網(wǎng)絡(luò)采用Adam 進行優(yōu)化，設(shè)置初始學(xué)習(xí)率為0.000 1，訓(xùn)練過程中采用自適應(yīng)方式調(diào)節(jié)各個參數(shù)的學(xué)習(xí)率。用二分類交叉熵損失作為模型的目標函數(shù)訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練集由數(shù)量相同的正負樣本對構(gòu)成，Mini-Batch 尺寸為128，每訓(xùn)練一個Mini-Batch進行一次網(wǎng)絡(luò)的權(quán)值更新，損失函數(shù)如式（15）所示：

其中，L(y,y)為二分類交叉熵損失函數(shù)，y和y分別為預(yù)測值與真實值。

在訓(xùn)練中，每5 000 次對模型進行一次測試得到如圖9 所示的訓(xùn)練準確率及損失變化曲線，時空雙流卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過將近1 600K 次迭代后，網(wǎng)絡(luò)損失函數(shù)和訓(xùn)練準確率逐漸開始趨于穩(wěn)定，表明模型已經(jīng)趨于穩(wěn)定。

圖9 網(wǎng)絡(luò)損失及訓(xùn)練準確率變化曲線Fig.9 Network loss and training accuracy curves

對網(wǎng)絡(luò)進行測試時，分別采用CASIA-B 中NM05-NM06、CL02、BG03 序列中的每個視角下的GEI作為測試集。首先將待測試樣本利用VTM-GAN網(wǎng)絡(luò)進行視角轉(zhuǎn)換至側(cè)視狀態(tài)下，此時一共可以得到124×11×4=5 456 個測試GEI。然后隨機在某類樣本中選擇一個作為基樣本，將待測樣本與基樣本構(gòu)成一組樣本對輸入至訓(xùn)練好的時空雙流卷積神經(jīng)網(wǎng)絡(luò)中，如圖10 所示，最終得到NM、BG 和CL 各狀態(tài)下各視角的平均準確率分別為94.4%、92.5% 和90.5%。

圖10 NM、BG 及CL 狀態(tài)下平均測試準確率Fig.10 Average test accuracy in NM，BG and CL states

將本文方法與文獻［18］提出的基于3DCNN 方法、文獻［19］提出的Deterministic Learning 方法以及文獻［7］提出的SST-MSCI 方法進行比較，如圖11所示，本文方法在視角為0°時識別準確率略低于SST-MSCI 方法，但是在剩余的視角下，識別準確率均高于其他幾種算法。此外，將本文方法與文獻［20］提出的GaitGAN 方法進行了對比，該方法在NM 狀態(tài)下識別準確率達到了98.75%，但在BG 以及CL 狀態(tài)下本文方法均高于GaitGAN 算法在這兩種狀態(tài)下的識別準確率。

圖11 不同方法識別準確率的對比Fig.11 Comparison of recognition accuracy of different methods

4 結(jié)束語

本文采用基于視角轉(zhuǎn)換的方法進行步態(tài)識別研究，針對目前步態(tài)識別中多視角、缺少對步態(tài)時間信息的利用以及數(shù)據(jù)量較少等問題，結(jié)合VTM-GAN網(wǎng)絡(luò)將不同視角下的步態(tài)樣本統(tǒng)一轉(zhuǎn)換至保留步態(tài)信息最豐富的90°狀態(tài)下，從而構(gòu)建擴充的步態(tài)樣本對訓(xùn)練時空雙流卷積神經(jīng)網(wǎng)絡(luò)。實驗結(jié)果表明，與3DCNN、Deterministic Learning 等步態(tài)識別方法相比，本文方法在各角度下步態(tài)識別準確率有所提升，驗證了基于視角轉(zhuǎn)換方法的有效性。但是針對多視角狀態(tài)下的步態(tài)識別仍需改進，如研究更精準的行人檢測模型來獲取精確的步態(tài)數(shù)據(jù)，并結(jié)合多種生物特征的優(yōu)點研究特征融合識別算法。