一种多视角步态识别方法、装置、电子设备及存储介质与流程

1.本技术涉及特征识别技术领域，具体而言，涉及一种多视角步态识别方法、装置、电子设备及存储介质。


背景技术：

2.步态识别作为一种远距离且无需对象配合的生物特征识别手段，旨在根据人们行走的步态实现对个人身份的识别、鉴定或生理、病理及心理特征的检测。步态识别可在较低图像质量下进行，无需识别对象的配合，识别距离较远，且难以伪装和掩藏，与传统生物特征识别相比有明显优势。
3.但是目前，步态识别技术大都是基于人行走的单个视角进行的，导致人体行走的姿态和肢体变化情况较为片面，从而影响步态识别的准确性。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种多视角步态识别方法、装置、电子设备及存储介质，能够更高精度的进行步态识别。
5.第一方面，本技术实施例提供一种多视角步态识别方法，所述方法包括以下步骤：
6.利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；
7.从所述目标人员的不同视角的行走序列提取步态特征；
8.将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。
9.在一些实施例中，其中，基于录制时间和行走区域，将摆放在不同角度的相机所录制的视频中包含的目标人员进行关联，得到同一所述目标人员不同视角的行走序列。
10.在一些实施例中，所通过如下方式得到所述目标人员的不同视角的行走序列，包括以下步骤：
11.将录制的目标人员的行走状态视频逐帧拆解成连续的多张图像；
12.基于训练好的图像分割模型对拆解的每帧图像进行目标人员检测和分割，得到同一所述目标人员不同视角的行走序列。
13.在一些实施例中，所述从所述目标人员的不同视角的行走序列提取步态特征，包括以下步骤：
14.基于神经辐射场nerf对同一所述目标人员不同视角的行走序列进行3d建模，得到所述目标人员人体参数的三维隐式表达；
15.基于所述目标人员人体参数的三维隐式表达，利用卷积神经网络提取步态特征。
16.在一些实施例中，所述将所述步态特征与底库进行对比，获取满足设定对比阈值的识别对象，包括以下步骤：
17.将所述步态特征归一化，并分别计算与底库中所有行走序列之间的相似度；
18.根据计算出的相似度，确定满足设定阈值的识别对象，并将确定出的识别对象按
照相似度从高到低的顺序进行排列。
19.在一些实施例中，通过如下公式计算相似度：
[0020][0021]
其中，表示目标人员的步态特征，表示底库中姿态特征。
[0022]
在一些实施例中，所述相机摆放的角度包括水平角度和俯仰角。
[0023]
第二方面，本技术实施例提供一种多视角步态识别装置，所述装置包括：
[0024]
采集模块，用于利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；
[0025]
特征提取模块，用于从所述目标人员的不同视角的行走序列提取步态特征；
[0026]
识别模块，用于将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。
[0027]
第三方面，本技术实施例提供的一种电子设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面任一项所述的多视角步态识别方法的步骤。
[0028]
第四方面，本技术实施例提供的一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面任一项所述的多视角步态识别方法的步骤。
[0029]
本技术所述的一种多视角步态识别方法、装置、电子设备及存储介质，利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；从所述目标人员的不同视角的行走序列提取步态特征；将所述步态特征与底库进行对比，获取满足设定阈值的识别对象；即，同时有多个相机录制目标人员的行走序列，避免单一角度序列进行判断，从而提升步态识别的精度。
附图说明
[0030]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0031]
图1示出了本技术实施例所述多视角步态识别方法的流程图；
[0032]
图2示出了本技术实施例所述摆放在不同角度的相机同时录制目标人员行走状态视频的示意图；
[0033]
图3示出了本技术实施例所述得到所述目标人员的不同视角的行走序列的流程图；
[0034]
图4示出了本技术实施例所述从所述目标人员的不同视角的行走序列提取步态特征的流程图；
[0035]
图5示出了本技术实施例所述基于神经辐射场nerf获取人体参数的示意图；
[0036]
图6示出了本技术实施例所述将所述步态特征与底库进行对比，获取满足设定对
比阈值的识别对象的流程图；
[0037]
图7示出了本技术实施例所述多视角步态识别装置的结构示意图；
[0038]
图8示出了本技术实施例所述电子设备的结构框图。
具体实施方式
[0039]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
[0040]
另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0041]
需要说明的是，本技术实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
[0042]
鉴于背景技术所提出的技术问题，本技术提供一种多视角步态识别方法、装置、电子设备及存储介质，能够提升步态识别的精度。
[0043]
参见说明书附图1，本技术实施例提供的一种多视角步态识别方法，包括以下步骤：
[0044]
s1、利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；
[0045]
s2、从所述目标人员的不同视角的行走序列提取步态特征；
[0046]
s3、将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。
[0047]
本技术实施例提供的一种多视角步态识别方法，同时由多个相机录制目标人员的行走序列，避免单一角度序列进行判断，从而能够提升步态识别的精度。并且，这也符合现如今公共场所布设的越来越多的视频监控系统的应用场景，毕竟行人在视频监控系统中出现的视角毕竟是多种多样的。
[0048]
具体的，在步骤s1中，利用摆放在不同角度的相机同时录制目标人员的行走状态，这里的角度包括水平角度和俯仰角，其中，相机摆放的角度可以参见说明书附图2。在一实施例中，通过设置三组摆放在不同位置的相机对目标人员的行走状态进行录制，第一组相机可以与水平面平齐，第二组相机和第三组相机高于水平面，录制目标人员的角度可以是o
°
、俯角45
°
、仰角30
°
等。在其他实施例中，相机设置个数、摆放的位置以及录制的角度均可以根据需求进行具体调节，本技术并不对此进行限制和固定。
[0049]
需要说明的是，在本技术中，基于录制时间和行走区域，将摆放在不同角度的相机所录制的视频中包含的目标人员进行关联，得到同一所述目标人员不同视角的行走序列。
其中，参见说明书附图3，通过如下方式得到所述目标人员的不同视角的行走序列，包括以下步骤：
[0050]
s101、将录制的目标人员的行走状态视频逐帧拆解成连续的多张图像；
[0051]
s102、基于训练好的图像分割模型对拆解的每帧图像进行目标人员检测和分割，得到同一所述目标人员不同视角的行走序列。
[0052]
其中，所述行走序列具体是指目标人员行走时的轮廓序列，用于表征人体行走时的姿态和行为特征，可以为人体通过髋、膝、踝、足趾的一系列连续活动。
[0053]
在步骤s101中，先对相机录制的视频文件进行逐帧拆解得到连续的多张图片，例如，相机的录制帧率fps为50，即20ms一帧，一秒钟的视频文件就可以拆解为50张连续的图片，所述帧率(frame rate)是以帧称为单位的位图图像连续出现在显示器上的频率(速率)；如果相机对目标人员录制的是10s时长的视频文件，则可以按帧拆解成500张连续的图片；
[0054]
然后在步骤s102中，利用训练好的图像分割模型从拆解出的每帧图片中依次分割出目标人员的轮廓图像。其中，所述图像分割模型包括目标检测网络和图像分割网络，其中，可以录制大量的目标人员的行走状态视频，并对行走状态视频中的每帧图像进行标注，例如以矩形框的形式标注出每帧图片中目标人员所在的区域，且将标注后的图像作为训练目标检测网络的样本；采集大量人形区域图像并标注出人体轮廓，且将标注后的图像作为训练图像分割网络的样本。这样经过深度学习之后的图像分割模型能够精准的从每帧图像中检测出目标人员以及分割出目标人员的轮廓，进而减小环境背景对步态信息提取的干扰。
[0055]
在步骤s2中，参见说明书附图4，所述从所述目标人员的不同视角的行走序列提取步态特征，包括以下步骤：
[0056]
s201、基于神经辐射场nerf对同一所述目标人员不同视角的行走序列进行3d建模，得到所述目标人员人体参数的三维隐式表达；
[0057]
s202、基于所述目标人员人体参数的三维隐式表达，利用卷积神经网络提取步态特征。
[0058]
即，在本技术中先利用神经辐射场技术进行3d建模，得到精细化人体参数，然后利用神经网络提取步态特征。
[0059]
其中，在步骤s201中，所述神经辐射场(neural radiance field,nerf)作为一种具有隐式场景表示的新型视场合成技术，在计算机视觉领域引起了广泛的关注，其中，神经辐射场(nerf)模型是一种利用多层感知器(mlps)进行隐式神经场景体绘制的新型视图合成方法，在机器人、城市地图、自主导航、虚拟现实/增强现实等领域都有广泛的应用。具体的，参见说明书附图5，在本技术中，神经辐射场的输入为一组连续拍摄的图像和源姿态，所述源姿态是指从相机坐标转换为世界坐标的变换矩阵，相关概念如下：
[0060]
首先，相机坐标系[xc,yc,zc]
t
和三维世界坐标系[x,y,z]
t
的坐标转换如下：
[0061]
[0062]
其中，是一个仿射变换矩阵，是旋转信息，是平移信息；
[0063]
其次，二维图像的坐标[x,y]
t
和相机坐标系中的坐标[xc,yc,zc]
t
存在如下所示的转换关系：
[0064][0065]
其中，矩阵是相机的内参，包含焦距(f
x
,fy)和图像中心点的坐标(c
x
,cy)。
[0066]
从而得到空间坐标(x,y,z,θ,φ)，且将该空间坐标(x,y,z,θ,φ)作为神经辐射场的输入，使用mlp网络f:(x,d)
→
(c,σ)优化权重，以从每个输入5d坐标映射到其相应的体积密度方向发射颜色，神经辐射场的输出为rgb和体素密度(r,g,b,σ)。预测了颜色值并和当前姿态下对应的输入图片的损失，即可进行优化使模型逐步收敛。其中，网络渲染过程可概括为如下公式：
[0067][0068]
其中，体素密度σ(x)反映了该模型在该光线的某处的粒子的密度，也就是一个具体的三维坐标上粒子的密度；颜色c(x)反应了该具体的三维坐标上，从光线的方向看去，粒子反射的颜色光线累积量t(x)是一个随着光线的路径长度增加，而不断对体素密度积分的量，大小是随着光线达到的地方深度的增加而逐渐减小。
[0069]
之后，将摄像机光线r的渲染像素值与对应的真实像素值进行比较，定义出的损失函数如下：
[0070][0071]
在上述神经辐射场优化过程中所得到的人体的三维隐式表达输入识别网络中，该识别网络由另一个卷积神经网络组成，使用relu进行激活，用该网络提取步态特征得到
[0072]
在步骤s3中，参见说明书附图6，所述将所述步态特征与底库进行对比，获取满足设定对比阈值的识别对象，包括以下步骤：
[0073]
s301、将所述步态特征归一化，并分别计算与底库中所有行走序列之间的相似度；
[0074]
s302、根据计算出的相似度，确定满足设定阈值的识别对象，并将确定出的识别对象按照相似度从高到低的顺序进行排列。
[0075]
即，在本技术中通过计算相似度从底库中识别对象。在步骤s301中，在计算步态特征与底库中所有行走序列之间的相似度之前，对提取的步态特征进行归一化处理，以消除数据特征之间的量纲影响。其中，所述底库为真实场景下抓拍的各类步态数据确定的若干候选行走序列组成。例如：围绕目标场地搭建一圈相机，不同的行人在场地中来回走动，采集相应的各类视角行走状态视频，进而确定各类视角行走状态视频对应的若干候选行走序列，从而组成底库，即获取足够多的视角数据，进而提高跨角度识别的精度。
[0076]
在该实施例中，通过计算余弦相似度从底库中识别对象。具体的，将步骤s2最终输出的平均步态特征作为检索对象，用表示，底库中单个行走序列用表示，c为步态特征的维度，计算公式如下：
[0077][0078]
在步骤s302中，利用上述公式依次计算p与底库中所有序列的余弦相似度，然后将满足一定阈值的查询结果返回，并按照相似度从高到低的顺序进行排列。例如，设定阈值为0.7，则将底库中所有序列的余弦相似度s》0.7的结构返回，并从高到低进行排序。
[0079]
可见，本技术提供的一种多视角步态识别方法，利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；从所述目标人员的不同视角的行走序列提取步态特征；将所述步态特征与底库进行对比，获取满足设定阈值的识别对象，使得由多个相机同时录制目标人员的行走序列，一反面能够避免单一角度序列进行判断，从而提升步态识别的精度，另一方面符合现今监控设备系统部署的应用场景需求。
[0080]
基于同一发明构思，本技术实施例中还提供了一种多视角步态识别装置，由于本技术实施例中的装置解决问题的原理与本技术实施例上述一种多视角步态识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0081]
如说明书附图7所示，本技术还提供了一种多视角步态识别装置，所述装置包括：
[0082]
采集模块701，用于利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；
[0083]
特征提取模块702，用于从所述目标人员的不同视角的行走序列提取步态特征；
[0084]
识别模块703，用于将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。
[0085]
在一些实施例中，所述采集模块701基于录制时间和行走区域，将摆放在不同角度的相机所录制的视频中包含的目标人员进行关联，得到同一所述目标人员不同视角的行走序列；其中，所述相机摆放的角度包括水平角度和俯仰角。
[0086]
在一些实施例中，所述采集模块701利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列，包括：
[0087]
将录制的目标人员的行走状态视频逐帧拆解成连续的多张图像；
[0088]
基于训练好的深度学习模型对拆解的每帧图像进行目标人员检测和分割，得到同一所述目标人员不同视角的行走序列。
[0089]
在一些实施例中，所述特征提取模块702从所述目标人员的不同视角的行走序列提取步态特征，包括：
[0090]
基于神经辐射场nerf对同一所述目标人员不同视角的行走序列进行3d建模，得到所述目标人员人体参数的三维隐式表达；
[0091]
基于所述目标人员人体参数的三维隐式表达，利用卷积神经网络提取步态特征。
[0092]
在一些实施例中，所述识别模块703将所述步态特征与底库进行对比，获取满足设定对比阈值的识别对象，包括：
[0093]
将所述步态特征归一化，并分别计算与底库中所有行走序列之间的相似度；
[0094]
根据计算出的相似度，确定满足设定阈值的识别对象，并将确定出的识别对象按照相似度从高到低的顺序进行排列。
[0095]
其中，所述识别模块703通过如下公式计算相似度：
[0096][0097]
其中，表示目标人员的步态特征，表示底库中单个行走序列。
[0098]
本技术提供的一种多视角步态识别装置，通过采集模块利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；通过特征提取模块从所述目标人员的不同视角的行走序列提取步态特征；通过识别模块将所述步态特征与底库进行对比，获取满足设定阈值的识别对象；即，同时有多个相机录制目标人员的行走序列，避免单一角度序列进行判断，从而提升步态识别的精度。
[0099]
基于本发明的同一构思，说明书附图8所示，本技术实施例提供的一种电子设备800的结构，该电子设备800包括：至少一个处理器801，至少一个网络接口804或者其他用户接口803，存储器805，至少一个通信总线802。通信总线802用于实现这些组件之间的连接通信。该电子设备800可选的包含用户接口803，包括显示器(例如，触摸屏、lcd、crt、全息成像(holographic)或者投影(projector)等)，键盘或者点击设备(例如，鼠标，轨迹球(trackball)，触感板或者触摸屏等)。
[0100]
存储器805可以包括只读存储器和随机存取存储器，并向处理器801提供指令和数据。存储器805的一部分还可以包括非易失性随机存取存储器(nvram)。
[0101]
在一些实施方式中，存储器805存储了如下的元素，可保护模块或者数据结构，或者他们的子集，或者他们的扩展集：
[0102]
操作系统8051，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
[0103]
应用程序模块8052，包含各种应用程序，例如桌面(launcher)、媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。
[0104]
在本技术实施例中，通过调用存储器805存储的程序或指令，处理器801用于执行如一种多视角步态识别方法中的步骤，能够提升步态识别的精度。
[0105]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如多视角步态识别方法中的步骤。
[0106]
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述多视角步态识别方法。
[0107]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0108]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0109]
另外，在本技术提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0110]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0111]
最后应说明的是：以上实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种多视角步态识别方法，其特征在于，所述方法包括以下步骤：利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；从所述目标人员的不同视角的行走序列提取步态特征；将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。2.根据权利要求1所述的一种多视角步态识别方法，其特征在于，其中，基于录制时间和行走区域，将摆放在不同角度的相机所录制的视频中包含的目标人员进行关联，得到同一所述目标人员不同视角的行走序列。3.根据权利要求1所述的一种多视角步态识别方法，其特征在于，通过如下方式得到所述目标人员的不同视角的行走序列，包括以下步骤：将录制的目标人员的行走状态视频逐帧拆解成连续的多张图像；基于训练好的图像分割模型对拆解的每帧图像进行目标人员检测和分割，得到同一所述目标人员不同视角的行走序列。4.根据权利要求3所述的一种多视角步态识别方法，其特征在于，所述从所述目标人员的不同视角的行走序列提取步态特征，包括以下步骤：基于神经辐射场nerf对同一所述目标人员不同视角的行走序列进行3d建模，得到所述目标人员人体参数的三维隐式表达；基于所述目标人员人体参数的三维隐式表达，利用卷积神经网络提取步态特征。5.根据权利要求4所述的一种多视角步态识别方法，其特征在于，所述将所述步态特征与底库进行对比，获取满足设定对比阈值的识别对象，包括以下步骤：将所述步态特征归一化，并分别计算与底库中所有行走序列之间的相似度；根据计算出的相似度，确定满足设定阈值的识别对象，并将确定出的识别对象按照相似度从高到低的顺序进行排列。6.根据权利要求5所述的一种多视角步态识别方法，其特征在于，通过如下公式计算相似度：其中，表示目标人员的步态特征，表示底库中姿态特征。7.根据权利要求6所述的一种多视角步态识别方法，其特征在于，所述相机摆放的角度包括水平角度和俯仰角。8.一种多视角步态识别装置，其特征在于，所述装置包括：采集模块，用于利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；特征提取模块，用于从所述目标人员的不同视角的行走序列提取步态特征；识别模块，用于将所述步态特征与底库进行对比，获取满足设定阈值的识别对象。9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线
通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的多视角步态识别方法的步骤。10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的多视角步态识别方法的步骤。

技术总结
本申请提供了一种多视角步态识别方法、装置、电子设备及存储介质，涉及特征识别技术领域，利用摆放在不同角度的相机同时录制目标人员的行走状态视频，得到所述目标人员的不同视角的行走序列；从所述目标人员的不同视角的行走序列提取步态特征；将所述步态特征与底库进行对比，获取满足设定阈值的识别对象，使得由多个相机同时录制目标人员的行走序列，一反面能够避免单一角度序列进行判断，从而提升步态识别的精度，另一方面符合现今监控设备系统部署的应用场景需求。署的应用场景需求。署的应用场景需求。


技术研发人员：侯赛辉 曹春水 刘旭
受保护的技术使用者：银河水滴科技（北京）有限公司
技术研发日：2023.05.31
技术公布日：2023/8/28