面向铁路客运的GaitSet步态识别算法探索性研究

Exploratory Research on GaitSet for Railway Passenger Transportation

摘要

目前，人脸识别技术在铁路客运车站进出站核验环节与铁路12306 APP中均得到充分应用，尤其基于人像检索的无接触出站的试点应用，显著提升了旅客出站的便利性，但旅客戴面部遮挡物出行的情况较为普遍，基于人脸识别技术的铁路车站应用受到挑战。针对基准的GaitSet步态识别算法进行改进，通过多尺度特征融合丰富步态的细节信息和语义信息的鉴别力，通过注意力机制挖掘并聚焦步态特征的关键信息，增强不同步态特征间的差异。改进的GaitSet步态识别算法，分别对开源步态数据集和自搜集的铁路场景数据进行模型训练，通过消融试验证明改进方法的有效性，其中基于铁路客运车站的试点应用，使得无接触出站能力提升2.31%，为铁路客运无接触出站研究提供参考。

Abstract

Currently, face recognition has been fully implemented in entrance and exit verification processes at railway passenger stations and within the 12306 APP. In particular, the pilot implementation of face image retrieval-based contactless exit has greatly enhanced the exit convenience for passengers. Nonetheless, it is common for passengers to wear face coverings, which presents challenges for face recognition-based applications in railway stations. The baseline GaitSet algorithm for gait recognition was improved. The improved algorithm incorporates multi-scale feature fusion to enhance the discriminative power of detailed and semantic information on gait. Additionally, an attention mechanism was employed to extract and focus on the key information on gait features, thereby improving inter-feature discriminability. The improved GaitSet algorithm was trained on both an open-source gait dataset and a self-collected dataset from real railway scenarios. An ablation experiment was performed to validate the effectiveness of the improved method. Additionally, a pilot implementation in railway stations demonstrated a 2.31% improvement in contactless exit capability, providing references for future research on contactless exits at railway passenger stations.

Graphical abstract

关键词

GaitSet / 步态识别 / 铁路 / 无接触出站 / 多尺度特征 / 注意力机制

Key words

GaitSet / Gait Recognition / Railway / Contactless Exit / Multiscale Feature / Attention Mechanism

0　引言

传统的铁路旅客出站，多采用人工检票及刷磁质票或刷证件等方式。2018年铁路电子客票试点及后续全路应用，进一步支持了扫二维码和特定介质(如中铁银通卡)的出站方式。为提升旅客出站便利性，在部分车站如太子城站和汕尾站等，借助人脸识别技术，先后研究并试点应用了“无感出站”“无接触出站”等新型刷脸出站^[1]方式，旅客出站时无需通过既有的刷证、扫码或者刷票等方式，仅通过非接触式的刷脸即可出站，增加了旅客出站的通行效率，提升了铁路客运现场作业的组织管理和服务水平。但是，由于寒冷地区的保暖需要及疾病安全防护需要等情况，旅客出行时，面部出现口罩、围巾等遮挡的情况较为普遍，需要旅客摘除面部遮挡物来配合刷脸核验，一定程度上降低了旅客无接触出站的体验。

步态识别能够针对人体的外形构建序列化的独特的步态特征，进而实现目标识别和分类。随着人体生物识别技术的发展，考虑非接触式、少配合、中远距离数据采集、抗伪装等多种因素，步态识别在临床医学^[2]、体育科学^[3]、人群分析^[4]等多种场景中得到尝试性应用。

行人步态识别算法主要分为传统的基于人体建模(Model-Based)^[5]和快速发展的非人体建模(Model-Free)^[6]。基于人体建模的步态识别方法，旨在建立一个可靠的人体步态表征模型，考虑行人活动轨迹，基于人的体型姿态变化对人体进行结构化处理，尽可能地提取行人步态特征。Bobick等^[7]尝试通过重建行人静态身体参数和步幅参数进行步态识别；Cunado等^[8]通过傅里叶级数捕获行人在行走过程中大腿与躯干之间的角度并将其作为识别特征，但未能聚焦人体全貌特征；Yoo等^[9]基于人体解剖学知识从人体轮廓中提取出9个关键点坐标构建2D步态模型，这种方法通常需要固定的图像处理流程，难以像深度学习方法那样灵活处理不同场景下的步态数据；Qiao等^[10]提出PoseGait步态识别模型利用3D姿态估计的人体关节点数据提取步态时空特征，但计算复杂度较大，处理多人场景时，实时性不足；Ghebleh等^[11]提出一种基于稀疏冗余表征的步态视图转换模型；郭国厂^[12]基于Kinect传感器采集骨骼信息，使用改进的动态时间规整(DTW)算法和K近邻算法结合的步态识别算法进行身份识别。

基于人体建模的方法，需要针对性地设计步态特征，一般泛化能力不强，而基于非人体建模的步态识别方法，不需要针对行人建立具体的人体模型，而是通过分析步态序列中的步态、姿态、轮廓等，直接提取步态特征并进行分类识别，常用的方法有基于外观轮廓、非线性变换和统计分布3种描述。基于外观轮廓的方法，主要包括平均轮廓^[13]、步态能量图^[14]、动态权重掩模^[15]、动态步态能量图^[16]、姿态能量图^[17]及步态熵图^[18]等多种方法；非线性变换方法的典型代表是深度学习方法，早期主要采用主成分分析(PCA)^[19-22]和傅里叶变换^[23-24]，后续多基于深度学习技术，并交叉应用于其他多种方法中；基于统计分布的方法常用的有光流分布^[25-26]、概率分布^[27]和纹理分布^[28]等。基于非人体建模的步态识别算法，目前主流的方法为采用深度学习技术实现，并逐渐融入多级分块^[29]、注意力机制^[30-31]等，典型代表为GaitSet^[32]步态识别算法，不受帧顺序的影响，能够自然地整合来自不同场景的帧，基于神经网络直接学习步态的深度表示，具有良好的灵活性和鲁棒性。

将步态识别与旅客身份进行绑定，即可实现旅客步态身份识别，其准确率受采集的步态数据质量、步态数据处理的精度及步态识别算法的自身能力等多方面影响。本研究基于铁路既有刷脸出站研究成果，针对性地研究以人脸识别为主、GaitSet步态识别算法为辅的无接触出站，增强基准步态识别算法能力，开展模型训练和消融实验，验证模型的有效性，并通过现场试验与验证，实现系统级无接触出站能力的提升。

1　铁路客运无接触出站分析

1.1　旅客刷脸无接触出站

铁路客运方面，已研究并构建了基于1∶N人脸识别模式的无接触刷脸出站系统^[1]，支持在旅客出站时通过刷脸定位旅客身份，与铁路客票验检票系统进行交互，完成旅客出站时实名制与票务的一致性核验，进而完成旅客出站流程。铁路旅客刷脸出站流程如图1所示。

（1）人脸底库Gallery。在旅客购票环节，系统将获取特定车站、特定车次的旅客的实名制信息，铁路人像检索平台根据实名制信息关联公安系统获取旅客人像信息，并调用平台侧的人脸识别算法提取人像特征值，形成具有一定标识的人像特征值集合。人脸底库Gallery的形成，包含旅客的车次、到站日期、实名制信息及出站等关键信息，会随着旅客的退票或者改签业务而动态更新。

（2）人脸查询集Probe。在旅客出站环节，闸机摄像头获取旅客现场人像，通过闸机端人脸识别算法提取旅客人脸的特征值，形成人脸查询集Probe。

（3）人像检索。为了实现旅客无接触出站，出站闸机的应用程序会携带旅客人脸特征、车站等人脸查询集Probe调用铁路人像检索平台的人脸底库Gallery，实现人像检索。铁路人像检索平台通过计算人脸特征间的相似度，输出相似度排名，如果最高相似度分数超过预训练的阈值，则人像检索成功并向闸机端响应检索后的实名制信息，当闸机获取检索成功的旅客实名制信息后，联动验检票系统施行车票核验、开闸机门等动作，实现旅客无接触出站的闭环管理。

1.2　步态识别辅助的铁路刷脸无接触出站

考虑到旅客出站时面部遮挡等现象，一定程度上影响了人脸识别算法的精准度。为了进一步提升旅客无接触出站能力，提出一种基于人脸识别和步态识别多模态融合的无接触出站方式，实现以人脸识别为主、步态识别为辅的刷脸出站流程。步态识别辅助的刷脸无接触出站如图2所示。

为了构建特定车次的旅客的步态底库，旅客进站时通过外置摄像机采集旅客步态，通过自助实名制核验进站流程获取旅客的实名制数据，并通过行人跟踪实现旅客步态与实名制数据的关联，进而形成旅客步态数据集。旅客出站时，通过外置摄像头采集旅客步态，基于步态识别算法提取旅客步态特征。作为无接触出站的辅助手段，仅当人像检索无法识别旅客身份时，才会针对旅客出站时的步态数据开展步态检索，通过步态识别的增强检索，完成旅客身份的定位。出站闸机保留旅客既有出站方式，如刷证件、扫二维码等方式，以作为双模态检索均无法完成旅客身份定位时的保障。通过业务流程分析，步态识别增强的人像检索，能够提升旅客的无接触出站效率。

2　改进的GaitSet步态识别算法模型构建

2.1　基准GaitSet模型简介

GaitSet将步态序列看成是一个集合，认为步态的时序关系不会影响最终的识别结果。假设现在存在步态数据集，数据集中有N个人，其id为y_i，i\in \{\mathrm{1}，\mathrm{2}，\dots ，N\}，假设人的步态图服从分布p_i，如果某个人的步态序列中有n个步态图，则其步态序列X_i可表示为

X_i=\left\{x_i^j\left|j=\mathrm{1}，\mathrm{2}，\dots ，n\right.\right\}，其中x_i^j~p_i(1)

式中：x_i^j为第i个人的第j个步态图。

在上述定义下，GaitSet算法g_i可以表示为

g_i=H\left(G\left(F\left(X_i\right)\right)\right)(2)

式中：F为卷积神经网络，用来提取步态序列X_i的特征；G为顺序无关的函数，可以选择最大值、均值或者中位数等函数，获得时序无关的步态特征；H为从时序无关的步态特征中，进一步学习到具有鉴别力的特征信息函数。

2.2　改进的模型网络结构

基于基准GaitSet步态识别算法，提出基于多尺度特征融合和关键特征增强的步态识别算法，其模型网络由多层卷积网络层组成，创新的步态识别网络结构图如图3所示。图3中，集合池化(SP)为上述提到的顺序无关函数，对卷积网络输出的序列特征进行SP操作，形成集合学习模块。多层全局管道(MGP)和水平金字塔映射(HPM)为GaitSet中的既有模块。

2.2.1　多尺度特征融合

GaitSet基准算法中的MGP模块蕴含的理念为：卷积神经网络的不同的特征层表达了不同的步态信息，浅层网络层能够学习到丰富的细节信息，深层网络层则能够学习到整体的语义信息。将多尺度特征融合，可兼顾局部细节和全局结构。

深度学习中，一般卷积神经网络的层级越深，特征稀释和梯度消失现象明显，输入数据的局部细节越容易丢失。针对基准GaitSet算法提出多尺度特征融合的网络模型学习方法，将融合后的特征传递给后续的卷积层进行再一次的学习，如图3中特别标注的下采样Downsampling，步态序列顺序经过多层卷积网络后，可更好地学习步态细节和语义信息，同步增强步态网络模型的特征提取能力，计算公式为

f_{i+\mathrm{1}}=B(f_i)+D(f_i)(3)

式中：f_i为输入的步态特征；f_{i+\mathrm{1}}为f_i的下一级特征；B为卷积层；D为下采样。

公式(3)中的加法操作可替换为其他操作，如特征通道叠加等。

2.2.2　特征增强学习

相比于行人重识别或图像分类任务，步态分析具有显著的特征差异性：其生物特征主要来源于肢体运动模式而非显性视觉属性。这种特性虽避免了传统方法中因相似表观特征(如服饰纹理、发型样式)导致的误判问题，却衍生出新的技术挑战，即：步态特征的表征维度相对有限，易受跨场景因素干扰，特别是相同行人的步态随穿戴变化的差异大，不同行人间则可能存在相似步态。这种背景下，如果能拉大主体间的步态特征细节差距，或对步态细节特征进行增强，可以增强步态识别的准确性。本研究提出特征增强模块(FEM)，能够对输入特征进行增强学习，并输出给后续模块。FEM模块网络结构如图4所示。

FEM模块主要由空间注意力机制组成，通过空间注意力机制对步态特征的细节信息进行像素级的增强，从而达到细粒度的识别效果，计算公式为

f_{\mathrm{o}\mathrm{u}\mathrm{t}}=SA\left(f_i\right)\times f_i(4)

式中：f_{\mathrm{o}\mathrm{u}\mathrm{t}}为通过空间注意力机制(SA)增强后的步态特征。

空间注意力机制如图5所示。首先，对输入的步态特征进行池化操作，通过最大池化保留最显著的特征图，通过平均池化捕获全局统计信息，再通过通道维度的特征图叠加，形成多尺度特征融合，之后再通过卷积神经网络和激活函数，构建注意力特征图，学习跨尺度的特征交互关系，计算公式为

f_{\mathrm{o}\mathrm{u}\mathrm{t}}=f_i\times Sig(Conv(Concat(MP(f_i),AP(f_i))))(5)

\mathrm{式中}：MP和AP分别为空间维度的最大池化和平均池化操作；Concat为通道维度上的叠加操作；Conv为卷积操作；Sig为\mathrm{S}\mathrm{i}\mathrm{g}\mathrm{m}\mathrm{o}\mathrm{i}\mathrm{d}激活函数。

3　实验分析

基于自搜集的铁路自然场景下的步态数据集(RENG)，对比分析所提方法和GaitSet基准算法，并对所提方法进行消融实验。通过实验，证明所提方法的有效性。

3.1　自搜集铁路旅客RENG步态数据集

针对步态识别研究的数据集，如常用的CASIA-B和OU-MVLP等步态数据集，大多都是基于实验室受控环境下开展，实际环境的动态性、复杂性等干扰因素考虑不足，训练出的步态识别模型难以满足生产环境要求。Zhu等^[33]首次提出完全开放环境下的大规模基准步态数据集GREW，并验证了开放环境下既有步态识别方法的模型泛化能力存在巨大挑战。为了促进步态识别在铁路客运业务场景下的研究与应用，在铁路进出站环节，制作RENG步态数据集，目前规模较小，仅包含799名旅客的4 271个步态序列，每位旅客的步态序列数均大于2，其中步态序列数为2的有555人，占整体人数的69.4%。对比主流步态数据集，目前RENG的数据规模还比较小，后续会继续扩大。RENG步态数据集部分样本如图6所示。

3.2　改进的GaitSet模型训练

通过增大不同行人的步态特征距离、减小相同行人的步态特征距离，采用Batch All+三元组损失函数训练整个模型。采样时Batch Size的形式为p\times k，其中p代表取样的行人数量，k代表每个人采样多少步态序列。由于收集的步态数据集规模还较小，改进的算法模型采用分阶段训练策略：初始阶段基于CASIA-B公开数据集(含多元步态样本)完成模型基础训练，以提升模型对标准步态模式的泛化能力；后续阶段则依托自主研发的RENG多场景步态数据集，通过两阶段优化增强场景适应性。2个数据集分别按照3：2进行训练集和测试集数据的随机抽样。

采用多阶段优化框架进行步态识别模型训练。初始训练阶段基于[30，1，64，44]维输入张量(时序长度30帧，单通道深度图，空间分辨率64×44像素)，通过4卡英伟达2080Ti执行以下配置：优化器选用带权重衰减的Adam(lr = 1e-4)，损失函数采用三元组对比学习机制，并采用复合批次采样策略(8个子批次×16帧序列/子批次)完成8×10⁴次迭代。再训练阶段加载预训练参数，保持1e-4学习率恒定，通过2×10³次迭代在RENG步态数据集上微调模型。

3.3　改进的GaitSet消融测试

通过多数据集消融实验，验证所提方法的有效性。基于CASIA-B、GREW和RENG步态数据集，开展对比分析。基于RENG步态数据集，采用随机采样策略构建Probe-Gallery对，从每个主体的测试集序列中随机选取一段步态序列作为查询样本(Probe)，剩余序列构成特征库(Gallery)，通过最大化步态序列的类内相似度与类间差异度评估模型鲁棒性；在CASIA-B和GREW数据集上则采用3∶2划分方案(训练集∶测试集 = 3∶2)，通过消融实验逐一验证多尺度特征融合与特征增强模块的贡献度。算法消融实验如表1所示。

如表1所示，在3个数据集中，所提方法的实验效果均优于基准GaitSet算法。在CASIA-B、GREW、RENG步态数据集上，所提方法的Rank-1准确度分别为95.81%，48.2%，79.9%，相比基准方法分别提升了0.81，1.9，1.51个百分点，证明了改进方法的有效性。

3.4　多模态融合的无接触出站试点验证

以既有的基于人像检索的铁路刷脸无接触出站应用为基础，试点采用以人像检索为主、步态检索为辅的无接触出站方式。通过分析铁路客票系统的数据，试验日期内从清河站始发的D6705次列车的旅客数为569人，包含了到站为八达岭长城站、延庆站的519人和50人2部分旅客。因缺少部分旅客的人脸特征值信息，实际构建的针对该车次的用于八达岭长城站出站的人脸底库规模为509人，获取完整步态的进站旅客数452人，构建的用于八达岭长城站出站的步态底库规模为452人，该部分旅客均关联了旅客实名制信息。步态底库的构建过程中，无法有效地筛选出出站为延庆的旅客步态数据，因此步态底库中，也包含了部分出站为延庆的旅客步态。

旅客在八达岭长城站出站时，通过人像检索成功定位身份而进行刷脸出站的有357人，通过步态检索成功定位身份的旅客数为23人，辅助提升无接触出站的旅客数为12人，步态识别辅助提升2.31%的无接触出站能力。其余旅客通过人工口、刷证或扫码等方式出站。D6705次列车八达岭长城站出站多模态数据统计分析如表2所示。

由表2可得，通过步态检索成功的人数为23，其中有11人也同时被人像检索成功识别，仅有12人为纯粹的步态辅助提升的无接触出站人数。从出站的角度而言，以人脸识别为主、步态识别为辅的提升能力为2.31%，较难开展实际场景的业务应用。步态检索的成功率较低，远低于研究预期，原因主要体现在以下方面。

（1）现场自然环境下旅客进出站环节的遮挡严重。由于大流量高密度旅客的互相遮挡、部分旅客在采集视野范围内长时间逗留的遮挡、工作人员现场组织旅客时的遮挡等，系统难以有效获取旅客完整的步态周期数据，算法处理阶段将对这些不完整的数据予以清洗，导致步态识别过程中不包含这些旅客信息。

（2）旅客进出站环节外观差异大。结伴旅行的旅客量较多，背包旅客、抱孩童旅客或拉箱旅客等，在进、出站时很多发生了身份互换，如进站时由A抱孩童、背包的，出站时则由同行的B负责等，以及出站时变为提包、牵引孩童等变化的情况。旅客外观的较大变化，对步态识别影响较大。

（3）特定场景的步态识别算法性能还需优化。铁路进出站场景下的旅客步态较为复杂，既有的步态识别算法对该特殊环境下的训练度、拟合度等还不够完善，如同一旅客的步行速度差异大，进站时疾走或小跑而出站时闲庭信步的情况较为普遍，还需针对性开展多机位、跨视角、行走速度多变等条件下的步态识别算法的研究。

4　结束语

基于GaitSet基准步态识别算法，提出一种基于多尺度特征学习和关键特征增强的步态识别算法。其中，多尺度特征学习方法以跨层连接的方式，将浅层特征和深层特征融合后共同输入下一卷积层进行学习，减少了图像细节信息的丢失，提高了卷积神经网络对目标的识别能力。同时，为了进一步提高对关键区域特征的提取，提出了一种FEM模块，通过空间注意力机制提高网络对关键区域的特征提取能力。基于不同的CASIA-B，GREW和自建的RENG等步态数据集进行消融对比实验，证明所提方法取得了更好的效果。但是，在实际应用试点中，步态身份识别辅助的无接触出站仅提升了2.31%的能力，未能满足试验的预期。因此，未来研究中还需探索其他步态识别算法，深化算法研究与工程应用的融合，提升铁路客运在数字化、智能化方面的应用和发展。

参考文献

[1] 李贝贝，朱建生，阎志远，等. 铁路客票系统人像检索平台构建与关键技术研究[J]. 铁道运输与经济，2021，43(5)：58-63，91.

[2] LI Beibei， ZHU Jiansheng， YAN Zhiyuan，et al. Construction of Face Retrieval Platform on Railway Ticket System and Its Key Technologies[J]. Railway Transport and Economy，2021，43(5)：58-63，91.

[3] 钱慧芳，易剑平，付云虎. 基于深度学习的人体动作识别综述[J]. 计算机科学与探索，2021，15(3)：438-455.

[4] QIAN Huifang， YI Jianping， FU Yunhu. Review of Human Action Recognition Based on Deep Learning[J]. Journal of Frontiers of Computer Science and Technology，2021，15(3)：438-455.

[5] 宋　倩，彭　莉，秦渝珂，等. 基于步态周期下跨栏运动员步态及下肢表面肌电特征分析[J]. 中国组织工程研究，2017，21(24)：3851-3857.

[6] SONG Qian， PENG Li， QIN Yuke，et al. Gait and Surface Electromyography Characteristics in Hurdle Athletes in a Total Gait Cycle[J]. Chinese Journal of Tissue Engineering Research，2017，21(24)：3851-3857.

[7] 程啟华，盛国良. 闸机人体步态测量与识别算法研究[J]. 计算机测量与控制，2014，22(5)：1487-1489，1522.

[8] CHENG Qihua， SHENG Guoliang. Research on Human Gait Test and Recognition Algorithm in Fare Gate System[J]. Computer Measurement & Control，2014，22(5)：1487-1489，1522.

[9] LI S Z， JAIN A K. Encyclopedia of Biometrics[EB/OL]. (2015-12-31)[2024-08-29].

[10] PANSAMBAL S， PAWAR S S， SHAH K. Literature Review：Model Free Human Gait Recognition[EB/OL]. (2014-04-30)[2024-08-29].

[11] BOBICK A F， JOHNSON A Y. Gait Recognition Using Static，Activity-Specific Parameters[EB/OL]. (2001-12-30)[2024-08-29].

[12] CUNADO D， NIXON M S， CARTER J N. Automatic Extraction and Description of Human Gait Models for Recognition Purposes[J]. Computer Vision and Image Understanding，2003，90(1)：1-41.

[13] YOO J H， NIXON M S， HARRIS C J. Extracting Gait Signatures Based on Anatomical Knowledge[J]. BMVA Symposium，2002，200(3)：400-410.

[14] QIAO S， WANG Y L， LI J. Real-Time Human Gesture Grading Based on OpenPose[EB/OL]. (2017-10-31)[2024-08-29].

[15] GHEBLEH A， MOGHADDAM M E. A View Transformation Model Based on Sparse and Redundant Representation for Human Gait Recognition[J]. Journal of Medical Signals and Sensors，2020，10(3)：135-144.

[16] 郭国厂. 基于Kinect骨骼信息的步态分析与识别[D]. 合肥：安徽大学，2020.

[17] LIU Z Y， SARKAR S. Simplest Representation yet for Gait Recognition：Averaged Silhouette[EB/OL]. (2004-08-31)[2024-08-29].

[18] HAN J， BHANU B. Individual Recognition Using Gait Energy Image[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(2)：316-322.

[19] YANG X C， ZHOU Y， ZHANG T H，et al. Gait Recognition Based on Dynamic Region Analysis[J]. Signal Processing，2008，88(9)：2350-2356.

[20] ZHANG E H， MA H B， LU J W，et al. Gait Recognition Using Dynamic Gait Energy and PCA LPP Method[EB/OL]. (2009-07-31)[2024-08-29].

[21] ROY A， SURAL S， MUKHERJEE J. Gait Recognition Using Pose Kinematics and Pose Energy Image[J]. Signal Processing，2012，92(3)：780-792.

[22] NANDY A， PATHAK A， CHAKRABORTY P. A Study on Gait Entropy Image Analysis for Clothing Invariant Human Identification[J]. Multimedia Tools and Applications，2017，76(7)：9133-9167.

[23] CHENG Q， FU B， CHEN H. Gait Recognition Based on PCA and LDA[EB/OL]. (2009-12-31)[2024-08-29].

[24] ZHENG S， ZHANG J G， HUANG K Q，et al. Robust View Transformation Model for Gait Recognition[EB/OL]. (2011-09-30)[2024-08-29].

[25] KUSAKUNNIRAN W， WU Q， ZHANG J，et al. Pairwise Shape Configuration-Based PSA for Gait Recognition under Small Viewing Angle Change[EB/OL]. (2011-09-30)[2024-08-29].

[26] KUSAKUNNIRAN W， WU Q， ZHANG J，et al. Gait Recognition across Various Walking Speeds Using Higher Order Shape Configuration Based on a Differential Composition Model[J]. IEEE Transactions on Systems，Man，and Cybernetics Part B，2012，42(6)：1654-1668.

[27] YUAN W， XIAO Q K， LI L Q. Gait Recognition Based on Fourier Descriptors and Canonical Time Warping[EB/OL]. (2015-12-31)[2024-08-29].

[28] CHOUDHURY S DAS， TJAHJADI T. Silhouette-Based Gait Recognition Using Procrustes Shape Analysis and Elliptic Fourier Descriptors[J]. Pattern Recognition，2012，45(9)：3414-3426.

[29] LAM T H W， CHEUNG K H， LIU J N K. Gait Flow Image：A Silhouette-Based Gait Representation for Human Identification[J]. Pattern Recognition，2011，44(4)：973-987.

[30] SOKOLOVA A， KONUSHIN A. Pose-Based Deep Gait Recognition[J]. IET Biometrics，2019，8(2)：134-143.

[31] HONG S， LEE H， KIM E. Probabilistic Gait Modelling and Recognition[J]. IET Computer Vision，2013，7(1)：56-70.

[32] KELLOKUMPU V， ZHAO G Y， LI S Z，et al. Dynamic Texture Based Gait Recognition[M].Berlin：Springer Berlin Heidelberg，2009.

[33] 张红颖，田鹏华. 结合残差网络与多级分块结构的步态识别方法[J]. 电子测量与仪器学报，2022，36(6)：66-72.

[34] ZHANG Hongying， TIAN Penghua. Gait Recognition Method Combining Residual Network and Multi-Level Block Structure[J]. Journal of Electronic Measurement and Instrumentation，2022，36(6)：66-72.

[35] 朱　磊，仝　超，董　亮，等. 基于残差网络和注意力机制的步态识别算法[J]. 电讯技术，2022，62(12)：1722-1728.

[36] ZHU Lei， TONG Chao， DONG Liang，et al. A Gait Recognition Algorithm Based on Residual Network and Attention Mechanism[J]. Telecommunication Engineering，2022，62(12)：1722-1728.

[37] 张　阳，陈燕玲. 多头图注意机制的深度学习地铁客流预测方法[J]. 铁道运输与经济，2024，46(2)：167-175.

[38] ZHANG Yang， CHEN Yanling. Deep Learning Subway Passenger Flow Forecasting Method Based on Multi-Head Graph Attention Mechanism[J]. Railway Transport and Economy，2024，46(2)：167-175.

[39] CHAO H Q， WANG K， HE Y W，et al. GaitSet：Cross-View Gait Recognition through Utilizing Gait as a Deep Set[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2022，44(7)：3467-3478.

[40] ZHU Z， GUO X， YANG T，et al. Gait Recognition in the Wild：A Benchmark[EB/OL]. (2021-10-31)[2024-08-29].

基金资助

中国铁道科学研究院集团有限公司科研项目(2023YJ138)