在当前"人脸识别"逐步实现落地应用，以人的形体、体态为特征的体态识别技术开始不断突破，准确率不断提升，并展现出巨大的应用前景。在这其中步态识别、人体行为识别等技术表现的尤为突出。

　　当下，随着AI算法精度的持续提升以及应用场景的大量爆发，作为应用场景最为广泛的生物识别代表性技术--人脸识别的落地应用已呈"燎原之势"。然而，人脸识别对外界环境的要求仍相对苛刻，尤其在大规模人流密集场所，光线、遮挡、安装角度、配合程度等因素都会影响到人脸识别的精准度。

　　同样作为人流密集场所下用于身份认证的生物识别技术，步态识别则以其识别距离远、应用范围广、无需配合等应用优势，可以很好的弥补人脸识别所存在的应用缺陷，由此也逐渐受到越来越多的关注。作为生物识别技术领域的后起之秀，步态识别正以其支持远距离识别、无需硬性配合、环境适应性强等特点开始进入到安防、交通、工业等行业领域展开相关应用，为行业带来创新性的AI技术应用。

　　步态识别，作为一种非受控性特征识别方式，是一种新兴的生物特征识别技术。步态之所以能够成为生物特征识别技术之一，同样源自每个人步态的唯一性，从解剖学的角度分析，步态唯一性的物理基础是每个人生理结构的差异性，不一样的腿骨长度、不一样的肌肉强度、不一样的重心高度、不一样的运动神经灵敏度，共同决定了步态的唯一性。

　　步态识别旨在通过人们走路的姿态进行身份识别。相比于指纹、人脸、掌纹、静脉等静态生物特征而言，步态属于动态特征，因此在识别流程上更为复杂。步态识别技术可以分为以下几个步骤：采集步态、分析图片、特征提取、数据比对。

　　先由不同角度的摄像机采集人的步态，通过检测与跟踪获得步态的视频序列，之后经过预处理分析提取该人的步态特征。这其中包括对图像序列中的步态运动进行运动检测、运动分割、特征提取等步态识别前期的关键处理；其次，再经过进一步处理，使其成为与已存储在数据库的步态的同样的模式；最后，将新采集的步态特征与步态数据库的步态特征进行比对识别。

　　在人脸识别、指纹识别、虹膜识别大面积落地应用的当下，为什么步态识别能够脱颖而出占有一席之地呢?这还在于步态识别本身的独特优势。和其他主流的生物识别技术相比，步态识别在识别距离、识别角度、配合度、环境要求等方面都占有一定优势。

　　指纹、虹膜、人脸生物特征识别在大部分情况下都需要人进行一定程度的配合，而且它们所需要的识别距离相对比较近。目前业内最领先的步态识别技术，在普通环境下，最远识别距离可达50米，在4K高清摄像头下的识别距离甚至可达100米，而且是360度全视角识别，不管人是从什么方向走过来，都可以识别。

　　与此同时，几乎所有的识别方式都会受到遮挡的干扰，但步态相对而言拥有独特的优势，一是识别距离比较远所以有更长的时间来进行调整和对新变化实时响应（比如遮挡去除），另外，步态识别识别的是全身信息，可以实现360°全视角识别，即使光照有变化，或者说穿的衣服有变化，甚至面部完全被遮挡也没有关系，依旧可以被识别出来。因此，步态识别相较于其他识别方式而言，也更加灵活高效。

　　另外作为一项非受控性特征识别技术，步态识别也不需要被识别人的主动配合，可以在目标人物最自然的状态下进行识别，用户体验更加友好。最为关键的是，步态识别相比于其他的生物特征具有更高的防伪性。

　　行人重识别（PersonRe-identification也称行人再识别，简称为ReID，是行人智能认知的其中一个研究方向，特别是计算机视觉行业里面。ReID是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。

　　行人重识别中包含以下几个重点领域，其中行人检测是在给定图片中检测出行人位置的矩形框，这个跟之前的人脸检测、汽车检测比较类似，是较为基础的技术，也是很多行人技术的一个前置技术。

　　行人分割比行人检测更精准，预估每个行人在图片里的像素概率，把这个像素分割出来是人或是背景，这时用到很多P图的场景，比如背景替换。举一个例子，一些网红在做直播时，可以把直播的背景替换成外景，让体验得到提升。

　　骨架关键点检测及姿态识别。一般识别出人体的几个关键点，比如头部、肩部、手掌、脚掌，用到行人姿态识别的任务中，这些技术可以应用在互动娱乐的场景中，类似于Kinnect人机互动方面，关键点检测技术是非常有价值的。

　　另外还包括行人跟踪"MOT"的技术、动作识别、行人属性结构化等。动作识别是基于视频的内容理解做的，技术更加复杂一点，但是它与人类的认知更加接近，应用场景会更多，这个技术目前并不成熟。动作识别可以有非常多的应用，比如闯红灯，还有公共场合突发事件的智能认知，像偷窃、聚众斗殴，摄像头识别出这样的行为之后可以采取智能措施，比如自动报警，这有非常大的社会价值。