人工智能可以通过单个脚步识别一个人

一项新的研究计划开发了一种低成本系统，能够根据脚步声识别一个人，哪怕只是一步。

在 纸 通过深度脚步分离和识别进行被动多人识别 (PURE) 是南洋理工大学和肯塔基大学等研究人员合作的项目，根据极其简短的音频样本，识别率高达 90%。

PURE 中捕捉到的五种独特的脚步轮廓。

PURE 的架构依赖于来自一系列商用麦克风的数据，并通过背景对原始音频捕获进行降噪 光谱减法。 在信噪比较高的情况下，包括在捕获时发生的对话，源分离算法被激活以执行脚步的离散提取。

脚步音频通过以下方式进行澄清和分析 领域对抗适应，框架包括特征提取器、身份预测器和域鉴别器。

PURE 硬件

PURE 使用的设备是一个麦克风阵列，嵌入在基于 Raspberry Pi 4 的定制装置中。

麦克风以最高可用速率捕获“结构传播”信号（脚接触地面）的音频，因为该数据持续时间极短，并且需要尽可能详细。 然而，空中脚步声（声音脚在下次接触地面时形成的弧线）被下采样至 16kHz，以节省结构传播脚步的本地处理能力。

研究人员合成了一个训练数据集 脚步声音效音板以及 脚步声音效 来自流行之声。 来自各种 Ted Talk 的音频组件用于生成从背景对话中提取脚步声的过程的训练数据。

防止脚步识别中的“重放攻击”

这种性质的系统需要能够抵御“重放攻击”，其中犯罪分子可能会记录特定的脚步模式并重放它，希望系统将记录识别为实时用户。

为了防止这种情况发生，PURE 分析了“接触”脚步中的到达时间 (ToA) 和空中脚步中的到达角度 (AoA)。

尽管在处理数据时有必要考虑到这一点，但重放的脚步中缺乏动态信息很容易揭示它们。 通过观察脚步的自然不规则性以及它们在环境中的速度（因为人们不太可能在办公室环境中跑步或磨蹭），可以确保接收到的数据是真实的。

该项目采用 波束成形 计算 ToA 的技术，但 AoA 的提取更为复杂，需要 R-Net 神经网络，该网络再次使用对抗性学习来计算足迹的范围。 这本质上与早期的神经网络是相同的模型，只是身份预测器被范围估计器取代。

准确性

PURE 在各种声学环境中进行了测试，并在一定距离内使用了各种步行速度。 随着创建足迹的人数增加，准确性自然会下降，当多个足迹源的速度增加时也是如此。

然而，根据领域适应情况，超过100次试验的结果发现，系统可以从3-5个脚步声中识别出用户，准确率在90.73%到96.53%之间； 2-3 步，准确度范围为 88.16% 至 95.92%； 单步检测的准确率范围为 81.75% 至 88.6%。

研究人员预计 PURE 具有广泛的适用性，因为所涉及的商用硬件成本低廉，而且它在延迟和准确性方面也优于类似系统，同时对环境干扰和重放攻击具有鲁棒性。

步态分析的发展

在过去的十年里，机器学习研究的这个特殊领域主要集中在计算机视觉上，并且在 用过的 作为情节设备 不可能的任务：流氓国家 （2015）。

迄今为止，步态识别技术已被提议用于 老年护理, 术后 复原，以及在零售环境中的个性化广告服务方面更具争议性，尽管这样的系统显然具有在安全环境中监控员工的潜在用途。

2018 年是 报道 中国当局使用人工智能开发公司基于视觉的步态分析 Watrix 作为其闭路公共监控系统的一个方面。

步态识别也已实现 监控 Wi-Fi 信号的反射率。

然而，所有这些方法都有固有的局限性，要么需要无法保证的照明条件、视野开阔、昂贵的专用设备、过于具体的当地条件，要么需要随身携带的设备等障碍。