📲Digital Trends•最新收集於 31m
AI步態識別系統可透過行走模式辨識個人身份
💡了解電腦視覺如何超越臉部辨識，透過移動模式來識別個人身份。
⚡ 30-Second TL;DR
有什麼變化
利用獨特的行走模式進行生物特徵識別
為什麼重要
此技術顯著增強了在惡劣環境下的監控能力。然而，它也可能引發關於在未經同意下追蹤個人的隱私疑慮。
下一步行動
探索如 MediaPipe 或 OpenPose 等姿勢估計函式庫，以建立您自己的步態分析功能原型。
誰應關注：Developers & AI Engineers
關鍵要點
- •利用獨特的行走模式進行生物特徵識別
- •在臉部模糊或被遮擋時仍能有效運作
- •擴展現有安全攝影機基礎設施的範圍與效用
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •步態識別技術通常依賴於深度學習中的卷積神經網絡（CNN）與長短期記憶網絡（LSTM）來捕捉時空特徵。
- •該技術在處理穿著厚重衣物或攜帶物品導致體型變化時，識別準確率仍面臨挑戰。
- •步態識別系統已被應用於智慧城市監控，旨在實現跨攝影機的行人重識別（Re-ID）功能。
- •隱私權倡議團體對步態識別的廣泛應用表示擔憂，認為其具備『非合作式』識別特性，即受測者無需知情或配合即可被辨識。
- •部分先進系統已開始整合多模態生物特徵，將步態與骨架特徵結合，以進一步提升在複雜環境下的識別穩定性。
📊 競品分析▸ Show
| 競爭對手 | 核心技術 | 識別優勢 | 隱私爭議 |
|---|---|---|---|
| Watrix (銀河水滴) | 步態識別 | 遠距離、非接觸式識別 | 高 |
| Hikvision (海康威視) | 多模態生物識別 | 整合安防生態系統 | 極高 |
| Dahua (大華技術) | 視訊分析與步態 | 邊緣運算處理 | 高 |
🛠️ 技術深入
- 模型架構：多採用基於步態能量圖（Gait Energy Image, GEI）或基於骨架（Skeleton-based）的深度學習模型。
- 時空特徵提取：利用 3D 卷積神經網絡（3D-CNN）處理連續影格，捕捉行走過程中的動態變化。
- 數據預處理：包含背景減除、行人檢測與姿態估計，將原始影像轉換為標準化的步態序列。
- 識別機制：透過計算特徵向量之間的歐幾里得距離或餘弦相似度來進行身份比對。
🔮 前景展望AI analysis grounded in cited sources
步態識別將成為智慧安防的標準配置
隨著邊緣運算晶片效能提升，步態識別將從雲端運算轉向攝影機終端即時處理。
法律監管將針對步態識別制定專屬規範
由於步態識別具備無感採集特性，各國政府將被迫針對此類生物特徵數據的採集與儲存設立嚴格的隱私保護法規。
⏳ 時間線
2018-10
Watrix 發布首款步態識別系統，標誌著該技術進入商業化應用初期。
2021-05
學術界在 CASIA-B 等公開數據集上的步態識別準確率突破 95%，技術趨於成熟。
2024-09
多項國際安防展會展示了將步態識別與臉部辨識融合的多模態生物識別解決方案。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Digital Trends ↗