随着智能化的发展，人与人在网络上的接触日益增加，网络身份认证也更加频繁，在网页上、智能家居、智能汽车等各个方面都有这种互联网身份认证需求。

在智能化网络时代的身份认证，我们就需要用到生物特征识别技术，如指纹、人脸、虹膜……为智能设备、智能网络、智能服务、智能安防等提供自动精准的身份标识。

常用的生物识别方法包括人脸识别、指纹识别、虹膜识别、步态识别等。其中，步态识别技术可以通过人的身体体型和行走姿态来辨识身份，它是目前远距离复杂场景下几乎唯一可用于身份识别的生物特征识别技术。

1、你的脚步独一无二

步态是远距离复杂场景下唯一可清晰成像的人体生物特征。

步态识别是指通过身体体型和行走姿态分析人的身份，其物理基础是每个人不同的生理结构：身高、头型、腿骨、臂展、肌肉、重心、神经灵敏度等。

通过身体体型和行走姿态来实现自动身份识别，是一项融合计算机视觉、模式识别与视频图像序列处理的AI技术。

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。

对人体步幅、步频、足部摆动周期、关节弯曲度、抬腿高度、摆臂周期等特征进行大数据智能化分析，从而实现对目标进行精准识别的一种人体生物特征识别技术。

简单点来说，通过视频及摄像头等专业设备，对人的身体体型及走路的姿态，做到自动识别，本质上是同人脸识别、指纹、虹膜等等AI技术的工作原理相同，只不过识别的类型不同。

2、步态识别面临着极具挑战的复杂环境

步态识别面临着极具挑战的复杂环境——远距离、跨视角、跨着装、低照度、全天候，是极具挑战、但又极其重要的科技难题，是公认的当前视频大数据解析与应用的核心技术之一。由于其数据环境复杂，因而所需要处理的数据种类繁多。

为了在步态识别过程中通过深度学习方法处理视角、着装、携带物等多种行人特征的同时，保持所生成步态序列的不变性，所需处理的数据量十分庞大，因而 AI 模型的训练数据吞吐量大、整体训练速度偏慢，亟需寻找更强大的 GPU 解决方案以更高效地从步态序列中提取更具鲁棒性的特征。

在步态识别 AI 模型训练中，需要通过 GPU 对大量数据进行传输与计算，NVIDIA DGX-1 所具有的高带宽可以大幅加速数据搬运的过程。DGX-1 是⼀款深度学习系统，专为实现高吞吐量和高互联带宽而构建，可极大提升神经网络训练性能。

3、怎么样来保证生物识别系统的安全性

首先是便捷性。在生物特征识别技术发展初期，我们是用一个非常笨重的机器来读取，但现在正逐步往便携式、移动式的方向发展。比如在手表上、眼镜上嵌入非常小的生物识别模块等，这种小巧精致，经济时尚的设备，能够让用户在整个穿戴过程中的认证体验非常好。同时，对图像的质量，以及轻量级计算提出了非常高的要求。

第二个难点是在复杂场景中的生物特征识别，这也是行业公认的一个难题。2013年，IEEE TPAMI（人工智能领域顶级期刊）前主编Anil K.Jain写了一篇生物特征识别综述，里面描述了这个生物特征识别技术已经解决的问题、没有解决的问题，以及未来发展中可能遇到的一些问题等等。

但是实际上他所提到的一些解决的问题，并非完全解决。在这种受控场景中，人脸识别、指纹识别能够达到将近100%的准确率。但是一旦到了这种复杂场景、非受控场景，图像会有一些背景的变化、姿态的变化，有形变、有噪声等等影响。那么就会对识别系统的鲁棒性提出非常大的挑战。

在生物特征识别的过程中，传统的视觉感知处理流程是先对输入的图像对做一个定位和分割，提取其中的特征，通过特征的表达、分类，最终得到识别结果。这种传统的处理方式，需要有经验的人手工来设置一些生物特征提取算法，它缺少了和环境信息的交互以及一些知识库的决策支持。

现在，我们用到的是基于深度网络的生物特征识别方法，这是一种端到端的模式识别方法，我们输入一个图像，系统自动输出结果，可以是有效区域标注，也可以是识别的结果等等。把特征提取和模式分类的两个小阶段，集合到一个非线性影射的深度模型里去，从而对大数据的语义理解产生了变革性的思路，即从大数据中来直接挖掘其中包含的语义信息。

再举一个例子，就是我们这种复杂背景下的人形分割。原来我们训练进行检测和分割的小模块，可能会受噪声、光照、姿态影响。而我们基于深度学习的方法可以设定不同模块的大小，它可以由粗到精，输入到不同的深度神经网络。最后再来对它的分割结果进行一个融合，能够得到精度比较高的人形分割结果。

我们提出了泛在网络采集的虹膜图像数据驱动的方式。原来我们需要对虹膜有效的纹理区域，先进行一个定位和分割，把虹膜纹理区域的光斑、眼睫毛区域去掉，最后得到它有效的纹理区域，然后再在它的纹理区域上，进行特征提取、进而比对等等。而使用数据驱动的自动学习方法，当输入一张虹膜图像，系统可自动地把它的概念要素等，直接从网络当中输出。

我们既可以输出有效的虹膜纹理区域，也可以输出人员身份和相关标签。 这种数据驱动的自动学习方法，比传统的纹理分析，精度能够得到有效的提升。

在步态识别领域当中，最近也有非常多深度学习的应用。步态就是利用人走路的姿势进行身份的识别。左边这张图是一个人走路的步态序列图的示意。下面是他在不同状态下的走路姿态。原来我们是用步态能量图进行分类来进行步态识别，外界干扰会影响识别精度，导致无法进行大规模实战应用。

现在用了基于深度学习的方法，我们可以首先对步态特征进行能量图的提取，再将它投入到我们的深度神经网络当中，最后得到一个比对的数值。然后，经过基于深度学习研发之后，我们的步态识别的算法得到了非常大的提升，现在已经在安防领域得到了应用。

最后

无论是人脸识别、虹膜识别、指纹识别和步态识别等生物识别技术，还是图像检索的行人重识别技术，通过计算机视觉或机器学习的方式，发展到如今，都各有所长，彼此互补。

而且，这些识别技术在实际落地应用的时候，若要发挥更大的效能，必定是需要彼此融合、彼此学习，不能完全割裂或独立。

文章来源：雷峰网leiphone，Ai芯天下，NVIDIA英伟达中国