行为生物特征：步态识别

可视化演示

展示步态周期行走动画、识别处理流水线及GaitSet与GaitPart方法对比，切换模式理解步态识别核心技术。

概念认知：老王的听声辨人

在紫荆小区驿站，老王有个让街坊啧啧称奇的本事：只要听你从门口到柜台这段路的脚步声——高跟鞋笃笃笃、运动鞋嗒嗒嗒、拖鞋啪嗒啪嗒——他就知道该把谁的快递先拿出来。他全程没有看你的正脸，却对你的“步态”了如指掌。这听起来像玄学，但计算机科学家早就把这种能力变成了一个正经的研究方向。

这个方向就叫步态识别，它的任务一句话就能说清：给你一段人走路的视频，系统回答“这个人是谁”。与人脸识别寻找“脸的特征”不同，步态识别寻找的是“走路的特征”——步频快慢、步幅大小、摆臂角度、躯干起伏。这些特征组合起来，就是每个人独一无二的“走路签名”。

步态识别有三个与生俱来的优势，这也是它在安防监控中不可替代的原因。第一，无需配合：人只要正常走路就能被识别，不需要停下来对准镜头，这让人脸识别在“普通人流”场景中望尘莫及。第二，远距离可获取：普通监控摄像头在 5-10 米外就能拍到清晰的步态信息，而指纹和虹膜需要贴近设备才有戏。第三，非侵入性：整个过程完全无感，不会引起被识别者的警觉，适合布控场景。因为这些特性，步态识别被看作“行为生物特征”中最具落地潜力的一支。

老王不用你停下来说“我是谁”，你只管走你的路，他从你迈出的每一步里，就已经悄悄完成了身份确认。步态识别的本质，就是把老王的这份“浑然不觉的认得”，变成摄像头后面一行行可计算的代码。

特征对比：指纹与脚步声的分野

老王有两大绝活：一是看脸认人，二是听声辨人。看脸要你抬起头、摘下口罩、靠近柜台；听声辨人则随意得多——你从马路对面走过来，他趴在窗口就认出你了。这两条路，恰好对应生物识别世界的两大阵营：生理生物特征与行为生物特征。

指纹、人脸、虹膜属于生理生物特征，依赖人体静态的物理结构，优点是精度高、稳定性强，缺点是需要近距离采集、要求用户配合，而且容易受年龄、伤病、化妆的影响。步态、笔迹、击键习惯、声音则属于行为生物特征，来自人后天养成的动作习惯，具有“远距离、非配合、难伪装”的独特优势。两者的核心差异可以这样概括：

| 维度 | 生理特征（指纹/人脸） | 行为特征（步态） |

|------|----------------------|------------------|

| 采集距离 | 0.1-0.5 米 | 5-50 米 |

| 用户配合 | 必须配合 | 无需配合 |

| 感知性 | 用户知情 | 无感采集 |

| 稳定性 | 高 | 中（受情绪/疲劳影响） |

| 受衣着影响 | 无 | 有但可控 |

步态作为行为特征，最大的工程价值在于“补位”。在安防场景里，人脸往往因为分辨率不足、角度偏差、口罩遮挡而失效；此时远距离采集的步态可以作为兜底信号，先锁定“这个人是谁”，再引导高清相机抓拍人脸复核。这种“步态粗筛 + 人脸精核”的级联架构，已经成为智慧安防的标配思路。

老王心里也有一本账：隔着马路听到脚步声，先锁定“来的是三栋老张”，等他走近柜台再抬头看一眼脸做最终确认。两种特征从来不是非此即彼的竞争，而是在不同距离、不同精度要求下各司其职——先粗后精、先远后近的分工，才是生物识别系统落地的常态。

数据基础：从一段视频到一张签名

老王记人的过程，不是看一眼就完事，而是默默观察你从推门到取件那几秒钟的完整“视频”：迈左脚、摆右手、身体微微前倾……时间拉得越长，他对你的判断越有把握。步态识别同样需要一段视频序列，而不是一张静止照片——这是理解整个技术的关键前提。

典型的步态识别数据管线有三个环节。第一步是行人检测与前景分割：用目标检测模型从视频帧中框出行人，再用分割算法把人物从背景中抠出来，得到干净的“剪影”。第二步是步态周期估计：人走路是周期性运动，一个周期通常包含两步（左腿一步加右腿一步），工程上常通过统计剪影面积随时间的变化曲线，用自相关分析找到周期长度。第三步是特征序列整理：把一个周期内连续帧的剪影对齐后，送入特征提取网络。

为了把一段视频压缩成一张图，研究者发明了步态能量图（Gait Energy Image, GEI）。做法简单而巧妙：把一个周期内所有剪影逐像素相加并取平均，得到一张“光影拖影”般的灰度图。步频快的人，腿部区域会有更密集的“虚影”；摆臂幅度大的人，手臂区域能量更分散。GEI 在工程上极大降低了计算复杂度，是理解后续深度学习模型的最佳起点。

一张 GEI，就像老王用长曝光相机拍下你路过驿站的那几秒：躯干来回摆动的核心区域最亮，四肢一晃而过的边缘较暗。整张图浓缩了你步态中最稳定的共性，老王只需扫一眼这张“长曝光照”，就能在签名簿里圈出几个最像的候选人——而计算机要做的，是比老王更快更准地完成同一个动作。

特征提取：GaitSet 与 GaitPart

老王记人的风格有两种。一是“整体派”：不看你具体哪个部位，只感受你整体那股“劲儿”——步子稳健还是轻飘，节奏均匀还是忽快忽慢。二是“局部派”：专门盯你的细节——右手摆得多高、右腿迈得多大、肩膀是否倾斜。这两种风格，恰好对应步态深度学习的两大经典模型：GaitSet 与 GaitPart。

整体派代表 GaitSet 的核心洞察是：步态识别不需要严格的帧顺序。你走路视频里的 30 帧，打乱顺序后，“30 帧里有哪些姿态”这个集合其实没变。因此 GaitSet 把一段步态序列看成一组无序的“姿态集合”，先用卷积网络（一种擅长处理图像的神经网络）提取每帧特征，再用时间池化把各帧特征融合成一个整体表示。这种设计让模型对帧缺失、遮挡、噪声都更鲁棒——就像老王只需看你走路上半段，就知道还是你。

局部派代表 GaitPart 的洞察是：人的走路由不同身体部件协同完成，左臂摆动和右腿迈步是两套相对独立的子模式。如果只对全身整体建模，当某个部件被干扰（比如手里拎包导致左臂不动），整条特征都会被污染。GaitPart 先通过水平切分把特征图分为头、躯干、四肢等多个部件区域，再让每个部件学习独立的时空特征，最后拼接融合。

GaitSet 记住你的“整体感觉”，GaitPart 记住你的“局部习惯”。两者互补，也常被组合使用——先集合池化抓住大节奏，再在部件层面比对细节，这正是当下许多先进步态模型的通用配方。

识别匹配：掏出签名簿比对

老王认人的最后一步，是在心里掏出那本厚厚的“步态签名簿”：里面记着千百个街坊的走路特点。当他看到你在走时，会下意识把你的“实时签名”和本子里的模板一一比对：先看大节奏像谁，再看小习惯对不对，最后打出一个“像的程度”。计算机做同样事情的这个环节，叫作度量学习。

具体流程是：先把库中每个人的步态特征存成一个向量（称为 gallery），再把待识别人的步态特征也算成一个向量（称为 probe），然后用距离函数衡量两者相似度。最常用的距离是余弦相似度——它只关注向量的“方向”是否一致，而不关心“长度”。这天然适合步态：一个人胖瘦会影响特征向量的模长（能量大小），但步态节奏更多反映在方向上，用余弦可以弱化体型差异。

得到相似度后，识别决策有两条路线。验证模式下，系统设定一个阈值（如 0.75），相似度超过阈值就判定为同一人，常用于闸机、门禁。检索模式下，系统在库中扫描所有模板，选出相似度最高者作为结果，常用于“监控发现可疑人员，在历史库中搜他是谁”。

老王比完签名簿，也会给自己设底线：相似度不够高时，他会多观察一会儿，而不是贸然叫出名字。计算机的“阈值”和“Top-k 召回”，就是老王的这份谨慎——宁可多看一眼，不可认错一人。

挑战发展：老王也有失手时

再厉害的老王，也有挠头的时候：三栋老张今天穿了件宽大的冲锋衣，还拎着菜篮子，走路的姿势和平时判若两人，老王差点没认出来；五栋的小李从正面走来和从侧面走来，步态差异巨大，老王要不是多看了两眼，险些张冠李戴。这些困境，正是步态识别当前面临的主要挑战。

第一大挑战是换衣与跨条件。衣服改变会大幅改变剪影轮廓，宽大外套会让四肢摆动难以观察。GaitPart 这类部件级方法的价值就在于此：它能把被衣服“抹平”的部件特征与其余可辨识部件解耦，从而保住识别线索。第二大挑战是跨视角。侧视角下步态摆动信息最丰富，正面视角下摆动被压成左右对称的轮廓，差异非常大；单视角训练出的模型直接做跨视角匹配时，性能会明显下降。

针对这些挑战，研究社区提出了多套解法。一是视角对抗训练：在特征中剥离视角编码，让模型只保留与身份相关的信息。二是引入 3D 人体姿态估计：先恢复三维骨架，再在骨架层面比较步态，规避 2D 投影带来的畸变。三是与行人重识别（ReID，用外观特征跨摄像头找人）结合：步态负责远距离粗识别，外观负责近距离精识别，融合后显著提升跨摄像头追踪能力。数据集方面，CASIA-B 是学术界公认的基准，包含 124 个对象在 11 个视角下的三类视频（正常行走、拎包、穿大衣），几乎所有步态论文都以它为试金石。

老王服老，但他知道自己的本事在熟人社区、固定路径这类场景中无可替代。步态识别也是一样：它不会取代人脸识别，而会在人脸失效的远距离、低清晰度、非配合场景中，撑起身份识别的一角天空。理解了它的边界，你就能在设计系统时，把每种特征放到最合适的位置上。

AI 应用场景

Python 演示

import numpy as np  class SimpleGaitGenerator:    """用简化人形剪影模拟不同人的步态序列"""     def __init__(self, height=80, width=40, stride_amp=8,                 arm_amp=6, freq=1.0, phase=0.0):        self.height = height        self.width = width        self.stride_amp = stride_amp   # 步幅（受腿长影响）        self.arm_amp = arm_amp         # 摆臂幅度（受习惯影响）        self.freq = freq               # 步频        self.phase = phase             # 初始相位（步伐起点习惯）     def silhouette(self, t):        """生成 t 时刻的人形剪影，1 为人形像素，0 为背景"""        sil = np.zeros((self.height, self.width))        h, w = self.height, self.width        cx, cy = w // 2, h // 2        theta = 2 * np.pi * self.freq * t + self.phase        sil[cy-23:cy-13, cx-3:cx+3] = 1                     # 头        sil[cy-13:cy+15, cx-5:cx+5] = 1                     # 躯干        leg = int(self.stride_amp * np.sin(theta))        sil[cy+12:cy+35, cx-4+leg//2:cx+4+leg//2] = 1       # 左腿        sil[cy+12:cy+35, cx-4-leg//2:cx+4-leg//2] = 1       # 右腿        arm = int(self.arm_amp * np.sin(theta))        sil[cy-10:cy+5, cx-11+arm//2:cx-6+arm//2] = 1       # 左臂        sil[cy-10:cy+5, cx+6-arm//2:cx+11-arm//2] = 1       # 右臂        return sil     def gait_energy_image(self, n_frames=20):        """将一段步态视频压缩为 GEI：对全部剪影取平均"""        frames = [self.silhouette(i / n_frames) for i in range(n_frames)]        return np.mean(frames, axis=0)  def cosine_similarity(a, b):    """计算两个展平特征向量的余弦相似度"""    a_flat, b_flat = a.flatten(), b.flatten()    return float(np.dot(a_flat, b_flat) /                 (np.linalg.norm(a_flat) * np.linalg.norm(b_flat)))  def identify(probe_gei, gallery_geis, threshold=0.7):    """在库中检索最像的模板，返回 (id, 相似度, 是否通过阈值)"""    scores = [cosine_similarity(probe_gei, g) for g in gallery_geis]    best_id = int(np.argmax(scores))    return best_id, scores[best_id], scores[best_id] >= threshold  if __name__ == "__main__":    # 构造三人步态库：步频与相位各不相同，对应三名“走路签名”不同的行人    gallery = [        SimpleGaitGenerator(freq=1.0, phase=0.0),        SimpleGaitGenerator(freq=1.2, phase=0.6),        SimpleGaitGenerator(freq=0.9, phase=1.8),    ]    gallery_geis = [g.gait_energy_image() for g in gallery]     # 场景：1 号用户换了更宽的外套（width 增大），但步态核心参数不变    probe = SimpleGaitGenerator(freq=1.0, phase=0.0, width=46)    best_id, score, ok = identify(probe.gait_energy_image(), gallery_geis)    print(f"识别到的人员编号: {best_id}  相似度: {score:.3f}  结果: {'通过' if ok else '拒绝'}")

1. theta = 2 * np.pi * self.freq * t + self.phase相位驱动四肢摆动，步频 freq 决定快慢，phase 是走路起始习惯。
2. sil[cy-23:cy-13, cx-3:cx+3] = 1用切片在二维矩阵上“画”出头部剪影，模拟行人分割后的二值图。
3. frames = [self.silhouette(i / n_frames) for i in range(n_frames)]采集一整段步态视频帧，对应真实系统的视频序列输入。
4. return np.mean(frames, axis=0)对时间轴取平均，就是 GEI 公式 \(G=\frac{1}{T}\sum B_t\) 的代码实现。
5. np.dot(a_flat, b_flat)计算点积，是余弦相似度的分子部分。
6. scores[best_id] >= threshold相似度超过阈值才认定同一人，模拟验证模式下的决策逻辑。

常见误区

面试题