基于生物信息的身份认证技术是近年来计算机视觉领域较为热门的研究方向。步态识别是一种基于行人行走时的姿态特征的生物信息身份认证手段,可以用于远距离的被动身份识别。步态数据一般通过摄像头进行采集,可以在被验证者不知情的情况下进行,具有非接触性的特点,且对数据的清晰度要求较低,非常适合用于公共场所的安全监控。另外,与人脸识别、虹膜识别等其他生物信息身份认证技术相比,步态识别包含静态的外貌特征和时序的动态特征,更加难于模仿和伪造。由于以上特性,步态识别技术得到了学术界的广泛关注,且已在安保、刑事案件侦查等领域投入实际应用。本课题将探讨深度学习在步态识别领域的应用,并针对跨视角(Cross-view)的步态识别问题提出基于注意力模型的步态识别系统。摄像头的拍摄方向与被验证者行走方向之间的夹角被称之为步态的视角。在一些情况下,待验证的步态视角与数据库内的步态视角可能不同,我们把两者之间的差距叫做视角差异。跨视角识别即指在视角差异不为0的情况下进行识别,本课题针对跨视角的识别设计了基于注意力模型的嵌入编码(Embedding)网络。不同于以往的双输入或孪生网络,本课题将使用单输入的卷积神经网络将步态数据映射到高维空间,并联合Contrastive Loss和Triplet Loss对网络进行训练。通过嵌入网络可以得到步态特征的嵌入表示,并在低维度的嵌入空间中进行步态匹配,减少计算开销。对于嵌入编码网络的主干结构,本课题将针对GEI图像和轮廓序列两种输入模式提出不同的方法:(1)以GEI图像为输入,采用级联的二维卷积构建网络;(2)以轮廓序列为输入,浅层采用二维卷积和可分离的三维卷积,深层采用标准的三维卷积。此外,本课题所提出的方法在主干网络之外增加了注意力模块(Attention Block),帮助网络提取更加有效的特征并过滤噪声。人在行走过程中,各肢干的大小、运动轨迹、运动速度有着较大的差异,各部分对于身份认证的重要性也不尽相同。而由于卷积操作的参数共享特性,之前一些基于卷积神经网络的方法都无法体现出这种空间上的差异性。因此,在本课题中,我们设计了一种空间维度的注意力模块,用于计算各空间位置上像素级别的权重掩码,起到信息过滤的作用。本文在OU-MVLP和OULP两个大型步态数据集上对上述方法进行了对比实验。实验结果表明,本文所提出的两种基于注意力模型的步态识别系统在跨视角的步态识别上都能够超过现有的最优模型。值得注意的是,将两者融合后的模型在OULP数据集上能提升2.1%的平均准确率。其中,在30?视角差距下,准确率提升达到6.3%。