发型、帽子、鞋子，甚至是伪装姿态、体型等等。

因此涉及到行人重识别也很麻烦

行人重识别是需要利用大量单个人体同一时段不同监控下的图像信息进行模型学习。在用于监控场景中相对较短时间内的行人识别，精度较高，算法速度可达到毫秒级别。

在真实场景下，重识别算法需要做到在跨时间段、跨场景、跨不同成像质量的图像采集设备下进行高精度的快速识别，而这些摄像机所覆盖的范围彼此并不重叠，导致缺乏连贯的信息。

而且在不同画面中，人物的姿态、行为及外观会发生较大变化，不同时间、场景的光照、背景和遮挡物各不相同，背景中还常有体型、衣着相似的其他人物干扰摄像机的分辨率也有高有低，人物在画面中出现的位置有远有进，这些都对重识别技术提出了极大的挑战。

行人的姿态多变导致人脸上广泛使用的对齐技术也在重识别中失效。行人的数据获取难度远远大于人脸识别数据获取难度，而行人的信息复杂程度又远远大于人脸，这两个因素叠加在一起，使得重识别的算法研究变得更加困难，也更加重要。

通过算法的有效设计，降低对数据依赖来实现重识别效果的突破是现在业内的共识。这不仅对算法提出更高要求，也需要更高效的芯片提供强大的算力支持，二者缺少任意一个，都会影响行人重识别的实际应用价值。

训练维度的提升使步态识别的适用性更强，其算法在迁移学习方面更具优势。其他识别方式可能只需要若干张图片样本即可以开始训练模型，但是对于步态识别而言，则需要大量的视频数据来训练模型。

尽管不是很懂这门具体技术，但现在的章杉拥有超凡级编程能力。

而超凡级编程能力最核心的就是章杉对算法的敏感性。

章杉能想到到这门技术进行的模型训练的复杂性，怕是每个人用到了近千段视频数据

涵盖多种不同着装、多个不同场景、多种行走状态、多个不同水平视角、多个不同垂直视角，多种属性包括年龄、性别、民族、身高、国籍，哪里是那么容易能进行精准的人形分割的。

不说别的，相比于基于二维图像进行训练学习的其他生物特征识别方式，步态识别基于三维视频进行的训练，输入的数据量提高了一个维度。

这意味着什么呢，伴随着维度变化的是认识层次和思维角度的巨大改变。

……

但不管怎么说系统就是成功将这门技术实现了，甚至在系统的价值参考体系中只将这项技术列为小白级技术

尽管在系统眼中这项技术只是小白级技术，但章杉可丝毫不敢小觑。

一项新技术诞生后，有个问题总会伴随而来，就是它有什么用？

对这个问题的回答往往决定着这个技术是否有价值以及价值的大小。

在机器识别领域，已经有人脸识别、语音识别、指纹识别、虹膜识别等多种识别方式。

但和这些识别方式相比，步态识别的很多特性是上述识别方式无法替代的，是独一无二的。

相较于其他识别方式，步态识别的识别距离更远，普通高清摄像机下识别距离最远可达50米属于非受控识别，无需识别对象主动配合步态难以伪装，步态识别是一种全身识别技术，由体型、头型、肌肉力量特点、运动神经灵敏度、走路姿态等共同决定，局部变化并不会大幅影响识别结果。

步态识别的这些特性注定了其在某些应用领域的唯一性。

譬如说依靠步态识别迅速检索目标嫌疑人。

按照系统的介绍，章杉知道应用这项技术以步态信息检索嫌疑人，最快可在5秒内检索完毕，大大改变了此前人工办案的现状，节省了大量的人力和时间。

并且，步态识别技术比普通的办案人员更加“火眼金睛”，识人的效率和准确度更高。

在医疗康复领域：该识别机制可以同医疗机构研究防止老年人跌倒的步态预警机制，利用步态识别技术对老年人长期的步行姿态进行监测、分析、整理和评估，对比多时间、多状态下外界因素对步态产生的影响，计算出跌倒风险的阈值，对风险等级进行划分。

如此就可以建立常态化的老年人步态信息监测管理体系，实现跌倒提前预警需要，有效降低老人跌倒真实发生的概率。此外，腿部术后康复等其他医疗方面应用场景也在探索中。

不止是医疗领域，在泛安防领域该技术都能大展身手。

包括野外油井、核电站、大型水利设施等重点安防单位可以利用步态识别技术防范外部侵入，其解决方案为：首先把工作人员的“步态”预先录入数据库，设为白名单，标定为可进入，没有录入数据的外部人员只要进入监控范围，由于系统底库无匹配步态数据，系统会判定为“黑名单”，就会及时报警。

当然这些也只是冰山一角罢了，系统此次附赠给章杉的技术并不是简简单单