首个步态识别框架开源了_步态识别方法复现

OpenGait：首个开源步态识别框架

---

导言

---

行人步态作为一种远距离的生物识别特征，在识别时，无需受试者配合。相比于掌纹、虹膜、人脸识别，步态这个生物特征更具健壮性，不易被伪装。而步态这个生物特征，在识别时也会有许多挑战，比如：遮挡、角度变化、穿戴条件变化、光照变化等。由此，激发了许多研究者的研究兴趣。

---

背景

---

为了解决上述挑战，近几年，以基于外观的结合深度学习的网络在流行的两个步态数据集CASIA-B和OU-MVLP上取得了不错的准确率。著名的方法有，2019年AAAI的GaitSet，该方法以Set作为输入，取得了突破性的进展；2020年CVPR的GaitPart采用将特征图分块的方法，以提取局部的细粒度特征；2020年ECCV的GLN也是通过将特征图水平分块的方式，获取部分级特征；2021年ICCV的GaitGL通过3D CNN提取时空特征来获得更丰富更具判别性的特征。

---

痛点

---

有如此多的好idea，不能一窥其全貌，不能从代码中了解其本质的想法，实乃科研途中的一大憾事。俗话说，代码之下没有秘密，顶会论文说的天花乱坠，不如直接看代码来的实在。而对于idea很多，代码能力略差的同学来说，复现顶会论文相当痛苦，通常你要先搭建深度学习环境，手撸代码，调试代码bug。

---

福音

---

为了解决步态科研者的痛点，南方科技大学于仕琪老师团队开源了OpenGait这个步态识别框架，我们只用专注于网络的设计就可以了，大大减少了重复性的工作，毕竟在这个内卷的时代，效率也很重要。

---

OpenGait优点

---

1. 支持分布式多卡训练，在大数据吞吐量的情况下提速20%以上；分布式多卡测试，跑完CASIA-B仅需15秒！（5485个序列，BaseLine，2 1080ti gpus），跑完OUMVLP仅需不到两分钟！（133780个序列，Baseline，8 1080ti gpus）
2. 支持混合精度训练，当gpu支持半精度时显存直接砍半，并提速20%～50%（视具体GPU型号而定）。
3. 友好的可视化训练过程，支持Tensorboard可视化及日志记录，可自定义添加可视化内容。
4. 支持多阶段训练及边训边测。
5. 模块化设计，常规模型可以仅通过配置文件定义，主流的操作也可以通过配置文件客制化加载。
6. 自定义网络模型便于扩展
7. 自定义损失函数便于扩展
8. 支持联合损失函数
9. OpenGait复现了4篇顶会的SOTA算法，取得相近甚至更高的结果。
10. 1.0版本支持OU-MVLP数据集

---

模型训练和测试流程

---

注：此外OpenGait的配置文件有详细的文档说明

---

复现方法的性能结果

---

CASIA-B

OUMVLP

---

项目地址

---

链接