[Paper] 首届国际 StepUP 脚步生物特征识别竞赛：方法、结果与剩余挑战

Source: arXiv - 2602.11086v1

Overview

The First International StepUP Competition 将新发布的 UNB StepUP‑P150 数据集用于测试，挑战各团队构建能够通过步态压力模式验证个人身份的生物特征脚步识别系统。通过汇聚来自学术界和工业界的 23 支队伍，比赛展示了深度学习模型如今能够在此前受限于小规模、同质数据集的任务上实现两位数的准确率。

关键贡献

• 最大公开足迹压力数据集（UNB StepUP‑P150）已对研究和商业原型开放。
• 基准竞赛，定义了现实的验证协议：有限的注册数据，异构的测试条件（不同鞋子、速度、表面）。
• 最先进的基线：获胜方案（Saeid_UCC）使用生成奖励机（Generative Reward Machine, GRM）优化框架，实现了 10.77 % 的等错误率（EER）。
• 全面的失效模式分析，特别是未见鞋类对识别性能的影响。
• 开源参考实现和公共排行榜，活动结束后仍将推动进展。

方法论

1. Dataset preparation – StepUP‑P150 包含 >150 k 高分辨率压力图，来自 150 名参与者，在多个会话、鞋类和行走速度下采集。
2. Enrollment vs. verification split – 参赛队伍收到一个小且同质的注册集（相同鞋子、相似速度），并被要求在一个更大、刻意多样的测试集上进行验证。
3. Modeling approaches – 大多数提交使用卷积神经网络（CNN）或混合 CNN‑RNN 架构来学习时空足压特征。获胜队伍引入了 Generative Reward Machine，将验证视为序列决策问题，优化兼顾误接受和误拒绝惩罚的奖励。
4. Evaluation metric – 使用等错误率（Equal Error Rate, EER），即假接受率等于假拒绝率；EER 越低，生物特征性能越好。

结果与发现

• 总体趋势： 深度模型始终优于传统手工特征基线（后者的 EER 约为 20 %）。
• 鞋类敏感性： 所有团队在测试鞋与注册鞋不一致时，EER 均出现约 5–7 % 的绝对上升，确认鞋类是最大的开放挑战。
• 速度变化： 中等步行速度的变化对 EER 的影响较小（约 1–2 % 上升），表明时间归一化技术已相当有效。
• 数据效率： 即使每位用户只有少量注册样本，顶级模型仍能实现低于 15 % 的 EER，说明数据集的丰富性支持了强大的泛化能力。

实际意义

• 安全访问控制： 步态生物识别可以在高安全设施中补充徽章或面部系统，提供免手、隐蔽的验证（例如数据中心、实验室）。
• 智能建筑自动化： 通过识别行走中的 occupants 来触发个性化照明、HVAC 或电梯调度，提高能源效率和用户体验。
• 医疗保健与康复： 使用低成本压力垫对步态模式进行持续监测，实现患者身份识别和跌倒风险评估。
• 零售分析： 匿名的步态签名可在不使用侵入式摄像头的情况下区分回头客，实现隐私保护的个性化服务。
• 边缘部署： 竞赛对有限注册数据的关注反映了边缘设备（如 IoT 地板传感器）的实际约束，鼓励开发可在微控制器上运行的轻量模型。

局限性与未来工作

• 鞋类泛化仍是主要瓶颈；未来研究必须探索领域适应、合成鞋式增强或多模态融合（例如，将压力与惯性数据结合）。
• 数据集多样性：虽然 StepUP‑P150 数据量大，但仍仅反映单一地理区域和狭窄的年龄范围；更广泛的人口覆盖将提升公平性和鲁棒性。
• 实时延迟：获胜的 GRM 流程虽然准确，但计算量大；优化推理速度以实现设备端部署是一个未解决的工程挑战。
• 安全性分析：研究未评估欺骗攻击（例如，伪造压力图）；在商业化之前，抗对抗性鲁棒性将是关键。

StepUP 竞赛为生物特征足迹识别设立了坚实的基准，并明确了将这一新兴传感器模态转化为实用、安全且尊重隐私的应用的路线图。

作者

• Robyn Larracy
• Eve MacDonald
• Angkoon Phinyomark
• Saeid Rezaei
• Mahdi Laghaei
• Ali Hajighasem
• Aaron Tabor
• Erik Scheme

论文信息

• arXiv ID: 2602.11086v1
• 分类: cs.CV, cs.LG
• 发表日期: 2026年2月11日
• PDF: Download PDF