步態識別作為一種新興的生物識別方式，相比于人臉識別、指紋識別等方式，具有易于適應環境、無法偽裝等優點。

本文所設計的步態識別系統，搭建在全志V853開發板上，充分利用板載外設、CPU與NPU，實現了嵌入式系統上的實時步態識別系統。

具體來說，系統所采用的深度學習算法在PC端進行訓練，得到的Pytorch 模型通過模型轉換工具轉換為V853 NPU所能運行的NB模型，模型的推理在NPU上進行。系統的整體運行過程分為前處理、模型推理、后處理與UI顯示四大部分。

步態識別系統搭建過程圖

本系統所采用的深度學習算法絕大部分算子在板載NPU上進行推理，小部分算子在板載CPU上運算得到結果。前處理與后處理過程均在板載CPU上進行，分別采用OpenCV與Eigen運算庫，其中前處理從板載攝像頭采集的視頻中提取步態輪廓，并將其裁剪拼接后作為NPU模型的輸入數據，后處理將NPU模型運行結束得到的輸出數據進行補充運算并進行特征對比，以實現身份鑒定。UI界面的顯示，通過Qt生成的應用程序實現。

本研究在CASIA-B數據集上測試了NB模型的步態識別準確率。CASIA-B是一個大規模、多視角的步態識別數據集，共包含124個樣本，每個樣本都有10種步態序列，分為6個正常行走的序列（NM），2個身著長外套行走的序列（CL）以及2個佩戴背包行走的序列（BG）。CASIA-B注重視角的變化，在每個行走序列中又包含了11個不同的角度。將數據集中的74個樣本作為訓練樣本，剩下的50個樣本作為測試樣本。

步態識別算法總流程

在測試集中，使用每個樣本的前4個正常行走的序列作為gallery集，為了研究在不同人體輪廓下系統的性能表現，劃分了3個probe集，分別為正常行走序列的最后2個序列、2個身著長外套行走的序列和2個佩戴書包行走的序列。考慮到角度對識別效果的影響，本研究在每一個角度都進行了單獨測試，以驗證不同角度下識別的正確率。

根據上述測試數據制作了下表，表中包含了本文設計的步態識別系統GaitCircle使用的NB模型與GaitSet模型針對相同條件下的識別準確率數據。其中NM表示正常行走狀態、BG表示背包行走，CL表示穿外套行走。

除了針對步態識別準確率進行了測試，本研究也對步態識別的實時性進行了測試。對于單人步態識別，前處理的處理速度達到了每幀58ms，模型推理運行時間僅為77ms，后處理的運行時間為0.73s。

最后，本研究還進行了實時識別測試，實時識別測試是利用V853開發板上的攝像頭拍攝錄像，并實時進行步態識別輸出行人身份的過程。在進行測試之前，V853 Tina Linux中設置了開機自啟動步態識別程序，主要通過在/etc/profile文件添加運行步態識別程序的命令實現。

本文內容均轉載自

https://mp.weixin.qq.com/s/AxUeqC-8ogck7qd2Lgo92A

審核編輯：劉清