步态识别技术难以实现不仅是因为建立模型复杂。
当很久没见到一个人之后，特别是孩子，由于变化较大，人眼就难以识别出对方了。
在机器视觉领域其实也是如此，如果识别特征点变化太大，就会影响识别精度，比如一个人，孩提时和长大后，面部特征变化会特别明显，让人脸识别去辨认，肯定难以辨识。
对于步态识别而言，这一样适用。
如果只是几年之内的成长变化，由于特征点变化幅度不大依旧可以进行有效识别，但如果十几年的时间，特征点已经发生非常明显的改变，那将没办法有效识别。
虽然事实上，这样的使用技术在实际应用中也基本不会出现，人类使用技术来进行生产生活的目的是提高工作效率、改善生活品质，根据效益最大化的原则，人类会自发的让工具发挥最大效能。在合适的时间合适的地点合适的场景使用最合适的工具，而且是工具中最有效的那个部分，利用其所长舍弃其所短。
所以，为了机器视觉工具能够发挥最大功用，人类会根据实际需要，动态的采集信息，不断更新最新数据，以便相应技术可以达到最好的效果，促进社会生产生活的发展，否则刻舟求剑也不会成为千古笑谈。
但是系统所提供的步态识别却可以基本上一次识别之后便能通过核心计算衍生出之后这个人一生其余阶段可能拥有的步态。
对于这项骚操作章杉简直不知道该用什么形容。
最变态的是系统提供的步态识别，还兼具姿态识别功能。
步态识别是主要基于人的走路姿态（提取的特征点还包括体型特征、肌肉力量特点、头型等上百个识别要素）进行身份识别的一种生物识别技术。步态识别与身份紧密关联，可以通过步态识别目标人物身份，可应用于刑侦破案、嫌疑人检索等场景。
姿态识别可以实现人体动作、手指运动等姿态的估计，对于描述人体姿态、预测人体行为至关重要。主要基于对人体关键节点的观察，比如骨骼、关节等。姿态识别无关身份，可通过研究人的姿态应用于跌倒检测、虚拟试衣、体感游戏等场景。
这些都对深度学习有很高的要求。
深度学习（英语：deeplearning）是机器学习的分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。
深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法。表示方法来自神经科学，并松散地创建在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系。
至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
另外，“深度学习”已成为时髦术语，或者说是人工神经网络的品牌重塑。
深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机，而人工神经网络的历史更为久远。1989年，扬·勒丘恩（YannLeCun）等人开始将1974年提出的标准反向传播算法应用于深度神经网络，这一网络被用于手写邮政编码识别。尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用。
许多因素导致了这一缓慢的训练过程，其中一种是由于尔根·施密德胡伯的学生赛普·霍克赖特于1991年提出的梯度消失问题。
最早的进行一般自然杂乱图像中自然物体识别的深度学习网络是翁巨扬（JuyangWeng）等在1991和1992发表的生长网（Cresceptron）。
它也是第一个提出了后来很多实验广泛采用的一个方法：现在称为最大汇集（max-pooling）以用于处理大物体的变形等问题。
生长网不仅直接从杂乱自然场景中学习老师指定的一般物体，还用网络反向分析的方法把图像内被识别了的物体从背景图像中分割出来。
2007年前后，杰弗里·辛顿和鲁斯兰·萨拉赫丁诺夫（RuslanSalakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法。这一算法将网络中的每一层视为无监督的受限玻尔兹曼机，再使用有监督的反向传播算法进行调优。
这章没有结束，请点击下一页继续阅读！
喜欢读书成神豪请大家收藏：(m.2yq.org)读书成神豪爱言情更新速度全网最快。