较复杂的，可能存在多个运动物体，行人图像容易受天气、光照等外界因素的影响，而有所变化。
以日照条件下运动目标的影子为例，它可能与被检测的目标相连，也可能与目标分离。如果是前者，影子扭曲了目标形状，使基于轮廓的步态识别方法不可靠；如果后者，影子可能被误认为是场景中一个错误的目标。
因此，在实际场景下的步态检测面对的挑战不小。
步态识别提取的特征点包含两个方面，一方面是提取静态的内部特征，如身高、头型、腿骨、关节、肌肉等生理结构，这些特征相对比较稳定，在很长一段时间，都不会发生大的变化；
第二方面，是提取人的动态特征，比如走路姿态、手臂摆幅、晃头耸肩、运动神经敏感度等，这些动态特征与身体属性密不可分，很长一段时间内也会相对比较稳定。但是，这些动态特征的提取与处理难度也更大。
行人重识别依靠行人的整体姿态来做检索，主要提取静态的外部特征，比如穿着、背包、发型、雨伞等，通过分析行人的穿着和体态来识别人。
但是，这些静态的外部特征很容易发生改变，比如整体外型发生变化，换了衣服、发型、帽子、鞋子，甚至是伪装姿态、体型等等。
因此涉及到行人重识别也很麻烦~
行人重识别是需要利用大量单个人体同一时段不同监控下的图像信息进行模型学习。在用于监控场景中相对较短时间内的行人识别，精度较高，算法速度可达到毫秒级别。
在真实场景下，重识别算法需要做到在跨时间段、跨场景、跨不同成像质量的图像采集设备下进行高精度的快速识别，而这些摄像机所覆盖的范围彼此并不重叠，导致缺乏连贯的信息。
而且在不同画面中，人物的姿态、行为及外观会发生较大变化，不同时间、场景的光照、背景和遮挡物各不相同，背景中还常有体型、衣着相似的其他人物干扰；摄像机的分辨率也有高有低，人物在画面中出现的位置有远有进，这些都对重识别技术提出了极大的挑战。
行人的姿态多变导致人脸上广泛使用的对齐技术也在重识别中失效。行人的数据获取难度远远大于人脸识别数据获取难度，而行人的信息复杂程度又远远大于人脸，这两个因素叠加在一起，使得重识别的算法研究变得更加困难，也更加重要。
通过算法的有效设计，降低对数据依赖来实现重识别效果的突破是现在业内的共识。这不仅对算法提出更高要求，也需要更高效的芯片强大的算力支持，二者缺少任意一个，都会影响行人重识别的实际应用价值。
训练维度的提升使步态识别的适用性更强，其算法在迁移学习方面更具优势。其他识别方式可能只需要若干张图片样本即可以开始训练模型，但是对于步态识别而言，则需要大量的视频数据来训练模型。
尽管不是很懂这门具体技术，但现在的章杉拥有超凡级编程能力。
而超凡级编程能力最核心的就是章杉对算法的敏感性。
章杉能想到到这门技术进行的模型训练的复杂性，怕是每个人用到了近千段视频数据~
涵盖多种不同着装、多个不同场景、多种行走状态、多个不同水平视角、多个不同垂直视角，多种属性（包括年龄、性别、民族、身高、国籍），哪里是那么容易能进行精准的人形分割的。
不说别的，相比于基于二维图像进行训练学习的其他生物特征识别方式，步态识别基于三维视频进行的训练，输入的数据量提高了一个维度。
这意味着什么呢，伴随着维度变化的是认识层次和思维角度的巨大改变。
……
但不管怎么说系统就是成功将这门技术实现了，甚至在系统的价值参考体系中只将这项技术列为小白级技术~