本发明涉及使用视频对人进行验证。
背景技术
基于一般步态的相关认证设备通过提取表达行走的人的时间系列信息的特征(以下简称步态特征)并且对所提取的步态特征进行比较，来实现对人的认证。有专利文件1至3和非专利文件1作为与步态特征相关的文件。专利文件1中所描述的步态特征是每次腿部分的位置关系。专利文件2中所描述的步态特征是关于腿部分的运动的信息——诸如步长、步速或行走速度——和骨骼信息——诸如腿长。专利文件3中所描述的步态特征是轮廓的移动量的频率分量。非专利文件1公开了一种使用深度学习从时间系列对齐的整个轮廓中提取步态特征的技术。
相关文件
专利文件
[专利文件1]国际专利公开No.WO2006/013765
[专利文件2]日本特开专利申请公开No.2010-239992
[专利文件3]日本特开专利申请公开No.2018-26018
非专利文件
[非专利文件1]Daksh Thapar、Divyansh Aggarwal、Punjal Agarwal和Aditya Nigam、“VGR-Net:A View Invariant Gait Recognition Network(VGR-Net:一种视图不变的步态识别网络)”、IEEE 4th International Conference on Identity,Security,and Behavior Analysis(ISBA 2018)、2018年1月
技术实现要素：
技术问题
在提取上述每个文件中的步态特征时，假设人在相同的方向上行走了足够长的时间。然而，这种行走在实际视频中往往无法被捕捉到，并且当没有捕捉到这种行走时，很难从视频中提取步态特征，从而难以基于步态特征进行认证。换言之，存在一个问题，即当视频中的人通过右转、左转和转身来改变行走方向时，并且当视频中的人的行走时间短时，难以提取步态特征并且执行认证。
进一步地，存在问题，即没有时间系列信息的步态特征，诸如骨骼信息，诸如专利文件2中所描述的腿长和身高，与具有时间系列信息的另一步态特征的表达能力相比，具有更低的表达能力。因此，存在问题，即当注册人数增加时等，识别准确度下降。
本发明是针对上述问题而做出的，并且本发明的目的之一是提供一种提高使用视频对人进行验证的准确度的技术。
问题的解决方案
根据本发明的人认证设备包括1)生成单元，该生成单元通过对第一图像序列应用预定时间系列操作生成一个或多个第二图像序列，2)提取单元，该提取单元从第一图像序列和第二图像序列当中的两个以上的图像序列中的每个图像序列中提取包括在图像序列中的人的步态特征，以及3)验证单元，该验证单元通过将多个所提取的步态特征与作为存储在存储单元中的步态特征的验证特征进行比较来执行对人的认证。
根据本发明的控制方法由计算机执行。控制方法包括1)生成步骤，即通过对第一图像序列应用预定时间系列操作生成一个或多个第二图像序列，2)提取步骤，即从第一图像序列和第二图像序列当中的两个以上的图像序列中的每个图像序列中提取包括在图像序列中的人的步态特征，以及3)验证步骤，即通过将多个所提取的步态特征与作为存储在存储单元中的步态特征的验证特征进行比较来执行对人的认证。
根据本发明的程序使计算机执行包括在根据本发明的控制方法中的每个步骤。
发明的有益效果
提供了一种提高使用视频对人进行验证的准确度的技术。
附图说明
图1是有助于理解人认证设备的范例，并且不限制人认证设备的内容。
图2是图示了人认证设备的配置的框图。
图3是图示了用于实现人认证设备的计算机的示意图。
图4是由人认证设备执行的处理流程的流程图。
图5是图示了时间系列操作的第一示例的示意图。
图6是图示了时间系列操作的第二示例的示意图。
图7是由生成单元生成的轮廓图像的一个示例的示意图。
具体实施方式
在下文中，将参照附图描述根据本发明的示例实施例。注意，在所有图中，相似的组件具有相似的参考符号，并且其描述将不重复。进一步地，在每个框图中，每个框都表示功能单元的配置，而不是硬件单元的配置，除非另有说明。
[示例实施例1]
＜概要＞
图1是图示了根据本示例实施例的人认证设备20的概要的示意图。图1是有助于于理解人认证设备20的范例，并且不限制人认证设备20的内容。
相机10通过执行捕捉来生成第一图像序列40。第一图像序列40是由相机10生成的捕捉图像(以下简称图像42)的时间系列数据。例如，第一图像序列40是视频帧的时间系列数据，即视频数据。第一图像序列40包括人。
人认证设备20通过分析图像序列来执行对人的认证。这样做，首先，人认证设备20从第一图像序列40生成一个或多个第二图像序列50。第二图像序列50是通过对第一图像序列40应用预定时间系列操作来生成的。例如，第二图像序列50是通过在时间系列中对构成第一图像序列40的多个图像42进行逆序排序而生成的。
人认证设备20从第一图像序列40和第二图像序列50当中的两个以上的图像序列中的每个图像序列中提取人的步态特征。人认证设备20通过用存储在稍后描述的验证数据库30中的步态特征来验证多个所提取的步态特征来执行人认证。人认证在这里是例如“确定包括在第一图像序列40中的人是否在验证数据库30中注册”的处理、“通过使用验证数据库30来确定包括在第一图像序列40中的人(人的标识符)”的处理等。
验证数据库30是存储人的步态特征的任何存储装置。在这里，存储在验证数据库30中的步态特征也被称为验证特征。例如，验证数据库30存储与人的标识符相关联的人的一个或多个步态特征。注意，验证数据库30可以存储预先注册的步态特征，并且可以存储从同时运行的不同人认证系统传输的步态特征。
＜有益效果＞
在本示例实施例中，通过预定时间系列操作从第一图像序列40生成一个或多个第二图像序列50，并且从两个以上的图像序列中的每个图像序列中提取人的步态特征。然后，通过将多个所提取的步态特征与存储在验证数据库30中的验证特征进行比较来执行对人的认证。以这种方式，在人认证设备20中，基于一个图像序列来获取多个图像序列，并且使用从图像序列中的每个获取到的人的步态特征执行人认证，因此，与仅使用从相机10获取到的图像序列执行人认证的情况相比，可以提高人认证的准确度。
＜功能配置的示例＞
图2是图示了人认证设备20的功能配置的框图。人认证设备20包括生成单元22、特征提取单元23和验证单元24。生成单元22通过对第一图像序列40应用预定时间系列操作来生成一个或多个第二图像序列50。特征提取单元23从第一图像序列40和第二图像序列50当中的两个以上的图像序列中的每个图像序列中提取包括在图像序列中的人的步态特征。验证单元24通过将多个所提取的步态特征与存储在验证数据库30中的验证特征进行比较来执行人认证。
＜人认证设备20的硬件配置的示例＞
图3是图示了用于实现人认证设备20的计算机1000的示意图。计算机1000是任何计算机。例如，计算机1000是固定计算机，诸如个人计算机(PC)和服务器机器。另外，例如，计算机1000是便携式计算机，诸如智能手机和平板终端。注意，计算机1000可以是为实现人认证设备20而设计的专用计算机，并且可以是通用计算机。
计算机1000包括总线1020、处理器1040、存储器1060、存储装置1080、输入/输出接口1100和网络接口1120。总线1020是用于允许处理器1040、存储器1060、存储装置1080、输入/输出接口1100和网络接口1120彼此传输和接收数据的数据传输路径。然而，将处理器1040等相互连接的方法并不限于总线连接。
处理器1040是各种类型的处理器，诸如中央处理单元(CPU)、图形处理单元(GPU)和现场可编程门阵列(FPGA)。存储器1060是使用随机存取存储器(RAM)等实现的主存储装置。存储装置1080是使用硬盘、固态驱动器(SSD)、内存卡、只读存储器(ROM)等实现的辅助存储装置。
输入/输出接口1100是用于将计算机1000和输入/输出设备连接的接口。例如，诸如键盘的输入设备和诸如显示设备的输出设备被连接到输入/输出接口1100。
网络接口1120是用于将计算机1000连接到通信网络的接口。通信网络是例如局域网(LAN)和广域网(WAN)。通过网络接口1120连接到通信网络的方法可以是无线连接或有线连接。
存储装置1080存储程序模块，该程序模块实现人认证设备20的每个功能分量单元。处理器1040通过将每个程序模块读入存储器1060和执行程序模块来实现与每个程序模块相关联的功能。
＜关于相机10＞
相机10是通过重复执行捕捉生成时间系列图像42来生成第一图像序列40的任何相机。例如，相机10是为监控特定设施、特定道路等而提供的监视相机。相机10的安装地点可以是室内和室外。
相机10可以是位置不移动的相机(以下简称固定相机)，并且可以是位置移动的相机(以下简称移动相机)。例如，固定相机是固定和安装在各个地方——诸如墙壁、柱子或天花板的相机。安装有固定相机的墙壁等可以固定在一定程度的位置一段时间，而不限于位置完全不变的地方。例如，安全有固定相机的墙壁等可以是暂时安装在活动场所等的隔断、柱子等。
例如，移动相机可以是附接到其位置移动的人或移动物体的相机。例如，人所穿戴的移动相机是手持的相机(视频相机和诸如智能手机等便携式终端的相机)、固定在头部、胸部等上的相机(诸如可穿戴相机)等。例如，移动物体是汽车、摩托车、机器人、飞行物体(诸如无人机和飞艇)等。附接到移动物体的相机可以是附接以用作所谓的驱动记录器的相机，并且可以是单独附接用于监控捕捉的相机。注意，固定相机可以通过停止移动相机的位置来实现。
在这里，实现人认证设备20的计算机1000可以是相机10。在这种情况下，相机10从相机10本身所生成的第一图像序列40生成第二图像序列50，并且使用第二图像序列50来执行人认证。作为具有这种功能的相机10，例如，可以使用被称为智能相机、网络相机、互联网协议(IP)相机等的相机。注意，并不是人认证设备20的所有功能都可以由相机10实现，并且只有人认证设备20的部分功能可以由相机10实现。
＜处理流程＞
图4是图示了由人认证设备20执行的处理流程的流程图。生成单元22获取由相机10生成的第一图像序列40(S1)。生成单元22通过对第一图像序列40执行预定时间系列操作来生成第二图像序列50(S2)。特征提取单元23从多个图像序列(第一图像序列40和第二图像序列50当中的两个以上的图像序列)中的每个图像序列中提取步态特征(S3)。验证单元24使用多个所提取的步态特征和存储在验证数据库30中的验证特征来执行人认证(S4)。人认证设备20输出认证结果(S5)。
＜获取第一图像序列40：S1＞
生成单元22获取第一图像序列40(S1)。在这里，各种模型都可以用作获取第一图像序列40的方法。例如，生成单元22通过接收从相机10传输的第一图像序列40来获取第一图像序列40。另外，例如，生成单元22通过从存储装置读取由相机10存储在存储装置中的第一图像序列40来获取第一图像序列40。
＜生成第二图像序列50：S2＞
生成单元22通过对第一图像序列40执行预定时间系列操作来生成一个或多个第二图像序列50(S2)。在下面，将描述预定时间系列操作的具体示例。
图5是图示了时间系列操作的第一示例的示意图。在图5中，生成单元22通过对构成第一图像序列40的捕捉图像(以下简称图像42)进行逆序排序来生成第二图像序列50。例如，图5中的第一图像序列40包括按这种顺序设置的图像42-1、图像42-2、图像42-3和图像42-4。然后，第二图像序列50是通过按照图像42-4、图像42-3、图像42-2和图像42-1的逆序设置图像来构成的。换言之，图像52-1、图像52-2、图像52-3和图像52-4分别相当于图像42-4、图像42-3、图像42-2和图像42-1。
通过以这种方式对第一图像序列40进行逆序排序并且利用第二图像序列50进行验证来生成第二图像序列50，即使当第一图像序列40的长度短(图像42的数量很小)时，也可以使用从具有相似行走状态的图像序列中提取到的步态特征来执行验证。因此，可以减少从相机10获取到的图像序列的长度对人认证的准确度的影响，并且即使当从相机10获取到的图像序列的长度短时，也可以实现具有高准确度的认证。
图6是图示了时间系列操作的第二示例的示意图。在图6中，生成单元22通过从第一图像序列40中提取时段的一部分中的图像序列来生成第二图像序列50。例如，在图6中的示例中，生成单元22从第一图像序列40中提取图像42的连续T，并且将由所提取的图像42构成的图像序列设置为第二图像序列50。
在这里，生成单元22从第一图像序列40中提取彼此不同的多个时段中的图像序列是合适的。例如，在图6中，提取第二图像序列50-1和第二图像序列50-2。在这里，第二图像序列50-1由从第一图像序列40的开头开始的图像42的T构成。另一方面，第二图像序列50-2由从关于第二图像序列50-1的开头向后移位了s的位置开始的图像42的T构成。
在这里，第二图像序列50的长度T和移位宽度s可以有任何大小。例如，第二图像序列50的长度按时间确定为0.3秒。在这种情况下，当相机10在一秒内生成25张图像时，构成第二图像序列50的图像的数量为8张。滑动宽度小于第二图像序列50的长度是合适的。例如，假设当构成第二图像序列50的图像的数量为8张时，移位宽度为1或2。以这种方式，第二图像序列50彼此部分重叠。
通过以这种方式割去第一图像序列40的部分来生成一个或多个第二图像序列50，即使当人在第一图像序列40中改变行进方向等时，也可以使用从易于验证的行进方向的部分中提取到的步态特征来执行验证。因此，可以减少在第一图像序列40的中间的人的行进方向的改变对认证的准确度的影响，并且即使当在第一图像序列40的中间人改变行进方向时，也可以实现具有高准确度的认证。
预定时间系列操作可以是通过组合上述两个示例而获取到的操作。例如，预定时间系列操作是“从时间系列中按逆序设置的第一图像序列40中提取图像42的部分”的操作。进一步地，预定时间系列操作可以是时间系列操作，而不是上述两个示例。
＜图像42的处理＞
在上述示例中，当它是构成第二图像序列50的图像52时，使用构成第一图像序列40的图像42。然而，生成单元22可以对图像42应用预定处理(图像处理)，并且使用经过处理的图像42生成第二图像序列50。
任何图像处理可以用作由生成单元22应用于图像42的图像处理。例如，生成单元22对图像42应用减少噪声的图像处理。另外，例如，生成单元22执行将图像42转换为包括在图像42中的人的轮廓图像的图像处理。轮廓图像是二值化图像，其中，表示人的图像区域和其他图像区域具有彼此不同的像素值。图7是图示了由生成单元22生成的轮廓图像的一个示例的示意图。注意，为了便于说明，在图7中黑颜色用点图案表示。
为了生成轮廓图像，首先，生成单元22从图像42中检测人(检测表示人的图像区域)。在这里，可以利用现有技术作为从图像中检测表示人的图像区域的技术。例如，可以利用使用卷积神经网络的技术、使用方向梯度直方图(HOG)的技术等。
此外，生成单元22将图像42转换为检测到的人的轮廓图像。现有技术可以用于生成轮廓图像。例如，通过使用卷积神经网络的技术对人进行检测，同时生成人的轮廓图像。另外，例如，通过使用背景差异等的技术预先生成的轮廓可以与人的检测结果结合。
通过将构成第一图像序列40的每个图像42都转换为轮廓图像，将第一图像序列40转换为轮廓图像的图像序列。生成单元22通过对轮廓图像的图像序列应用预定时间系列操作来生成第二图像序列50。以这种方式，第二图像序列50也变成轮廓图像的图像序列。
＜提取步态特征：S3＞
特征提取单元23从多个图像序列中的每个图像序列中提取步态特征(S3)。特征提取单元23至少从生成单元22所生成的第二图像序列50中提取步态特征。另一方面，步态特征可以是第一图像序列40或可以不从第一图像序列40中获取。
从图像序列中提取空间时间图像特征的现有技术可以用作从图像序列中提取人的步态特征的技术。在这里，空间时间图像特征是同时表达每个图像的图像特征和关于图像特征的时间系列信息的特征。例如，步态特征可以通过使用卷积神经网络的技术和使用密集轨迹(DT)的技术来提取。例如，当使用卷积神经网络时，特征提取单元23将图像序列输入到卷积神经网络，并且提取中间层(隐藏层)的输出作为步态特征。注意，当中间层由多个层形成时，多个层当中的任何层的输出都可以用于步态特征。
＜通过步态特征进行人认证：S4＞
验证单元24通过将特征提取单元23所提取的步态特征与存储在验证数据库30中的验证特征进行比较(验证)来执行人认证。例如，验证单元24计算由特征提取单元23提取的每个步态特征与存储在验证数据库30中的每个验证特征之间的验证分数。例如，当m个验证特征存储在验证数据库30中时，为从每个图像序列提取的步态特征计算m个验证分数。验证分数是指标值，该指标值表示步态特征和验证特征之间的相似程度的水平。
表示特征之间的相似程度的各个指标值都可以用作验证分数。例如，步态特征和验证特征之间的距离(诸如欧氏距离)和相似度程度(角度)——诸如余弦相似程度——可以用作验证分数。注意，对于具有关于特征之间的较高相似程度——诸如特征之间的距离——的较小值的指标值，通过使用指标值的倒数、将指标值乘以负数等来设置关于特征之间的较高相似程度的较高值是合适的。进一步地，对于验证分数，可以使用上述多种类型的指标值中的任何一种指标值，或者可以计算多种类型的指标值并且可以使用指标值的统计(诸如最大值、最小值、平均值或加权平均值)作为验证分数。
此外，验证单元24为每个验证特征计算通过与验证特征进行比较而获取到的每个图像序列的验证分数的统计(以下简称统计分数)。换言之，一个统计分数是为每个验证特征获取的。验证单元24使用统计分数来执行人认证。
例如，假设执行“确定包括在第一图像序列40中的人是否在验证数据库30中注册”的处理作为人验证。在这种情况下，例如，验证单元24确定统计分数是否等于或大于预定阈值。当有统计分数等于或大于预定阈值时(当统计分数的最大值等于或大于阈值时)，验证单元24确定包括在第一图像序列40中的人在验证数据库30中注册。另一方面，当没有统计分数等于或大于预定阈值时(当统计分数的最大值小于阈值时)，验证单元24确定包括在第一图像序列40中的人没有在验证数据库30中注册。
另外，例如，假设执行“使用验证数据库30确定包括在第一图像序列40中的人”的处理作为人验证。例如，在这种情况下，验证单元24确定等于或大于上述预定阈值并且在统计分数当中是最大的统计分数。然后，验证单元24确定具有与所确定的统计分数相关联的验证特征的人(具有与验证特征相关联的人标识符的人)作为包括在第一图像序列40中的人。例如，当在验证数据库30中注册的人A的验证特征与由特征提取单元23计算的步态特征之间计算的统计分数是最大统计分数并且等于或大于预定阈值时，确定包括在第一图像序列40中的人作为人A。注意，当最大统计分数小于预定阈值时，验证单元24确定包括在第一图像序列40中的人没有在验证数据库30中注册。
＜输出认证结果：S5＞
人认证设备20输出认证结果(S5)。输出认证结果的方法有很多种。例如，假设执行“确定包括在第一图像序列40中的人是否在验证数据库30中注册”的处理作为人验证。在这种情况下，例如，人认证设备20执行输出，该输出表示包括在第一图像序列40中的人是否在验证数据库30中注册。例如，输出是文本消息或语音消息，该消息表示“包括在第一图像序列40中的人是在验证数据库30中注册的人”或“包括在第一图像序列40中的人不是在验证数据库30中注册的人”。另外，例如，可以执行使用灯的输出，其响应于确定结果等输出颜色。
另外，例如，假设执行“使用验证数据库30确定包括在第一图像序列40中的人”的处理作为人验证。在这种情况下，例如，人认证设备20执行所确定的人的标识符的输出或表示“包括在第一图像序列40中的人不是在验证数据库30中注册的人”的输出。例如，输出是文本消息或语音消息。
在这里，每个输出设备(显示文本消息的显示设备等、输出语音消息的扬声器等或灯等)可以被提供在人认证设备20中并且可以被提供在人认证设备20外。在后一种情况下，例如，人认证设备20将表示输出的信息传输给另一设备。
根据本发明的示例实施例在上面进行了详细描述，但是本发明并不限于上述示例实施例，并且在不偏离本发明的精神的情况下被添加修改和修正的上述示例实施例也包括在本发明中。
上述示例实施例的部分或全部也都可以在下面的补充说明中进行描述，但并不限于此。
1.一种人认证设备，包括：
生成单元，该生成单元通过对第一图像序列应用预定时间系列操作来生成一个或多个第二图像序列；
提取单元，该提取单元从第一图像序列和第二图像序列当中的两个以上的图像序列中的每个图像序列中提取包括在图像序列中的人的步态特征；以及
验证单元，该验证单元通过将多个所提取的步态特征与作为存储在存储单元中的步态特征的验证特征进行比较来执行对人的认证。
2.根据补充说明1所述的人认证设备，其中
生成单元通过在时间系列中对包括在第一图像序列中的图像进行逆序排序来生成第二图像序列。
3.根据补充说明1所述的人认证设备，其中
生成单元从第一图像序列的时段的一部分中提取多个图像，并且生成由所提取的多个图像构成的第二图像序列。
4.根据补充说明3所述的人认证设备，其中
生成单元从包括在第一图像序列中的第一时段生成第二图像序列的第一个，并且从包括在第一图像序列中的第二时段生成第二图像序列的第二个，以及
第一时段和第二时段彼此部分重叠。
5.根据补充说明1至4中任一项所述的人认证设备，其中
生成单元从构成第一图像序列的每个图像检测人，生成所检测到的人的轮廓图像，并且使用所生成的轮廓图像来生成第二图像序列。
6.根据补充说明1至5中任一项所述的人认证设备，其中
提取单元提取从图像序列检测到的人的空间时间图像特征作为从图像序列提取的步态特征。
7.根据补充说明1至5中任一项所述的人认证设备，其中
提取单元通过将图像序列输入给卷积神经网络来提取步态特征。
8.根据补充说明7所述的人认证设备，其中
卷积神经网络包括输入层、中间层和输出层，以及
提取单元从构成中间层的任何层中提取输出作为步态特征。
9.根据补充说明1至8中任一项所述的人认证设备，其中
验证单元
为存储在存储单元中的多个验证特征中的每个验证特征计算表示与从每个图像序列提取的步态特征的相似程度的验证分数，
为验证特征中的每个计算统计分数，该统计分数是多个所计算的验证分数的统计，以及
使用验证特征中的每个的统计分数执行对包括在第一图像序列中的人的认证。
10.根据补充说明9所述的人认证设备，其中
当统计分数中的任何等于或大于预定阈值时，验证单元确定第一图像序列是已经注册的人。
11.根据补充说明9所述的人认证设备，其中
存储单元存储彼此相关联的人的标识符和人的验证特征，以及
验证单元
从多个验证特征当中确定具有最大的并且等于或大于预定阈值的统计分数的验证特征，以及
确定具有与存储单元中的所确定的验证特征相关联的标识符的人作为包括在第一图像序列中的人。
12.一种由计算机执行的控制方法，包括：
生成步骤，即通过对第一图像序列应用预定时间系列操作来生成一个或多个第二图像序列；
提取步骤，即从第一图像序列和第二图像序列当中的两个以上的图像序列中的每个图像序列中提取包括在图像序列中的人的步态特征；以及
验证步骤，即通过将多个所提取的步态特征与作为存储在存储单元中的步态特征的验证特征进行比较来执行对人的认证。
13.根据补充说明12所述的控制方法，进一步包括，
在生成步骤中，通过在时间系列中对包括在第一图像序列中的图像进行逆序排序来生成第二图像序列。
14.根据补充说明12所述的控制方法，进一步包括，
在生成步骤中，从第一图像序列的时段的一部分中提取多个图像，并且生成由所提取的多个图像构成的第二图像序列。
15.根据补充说明14所述的控制方法，进一步包括，
在生成步骤中，从包括在第一图像序列中的第一时段生成第二图像序列的第一个，并且从包括在第一图像序列中的第二时段生成第二图像序列的第二个，其中
第一时段和第二时段彼此部分重叠。
16.根据补充说明12至15中任一项所述的控制方法，进一步包括，
在生成步骤中，从构成第一图像序列的每个图像检测人，生成所检测到的人的轮廓图像，并且使用所生成的轮廓图像来生成第二图像序列。
17.根据补充说明12至16中任一项所述的控制方法，进一步包括，
在提取步骤中，提取从图像序列检测到的人的空间时间图像特征作为从图像序列提取的步态特征。
18.根据补充说明12至16中任一项所述的控制方法，进一步包括，
在提取步骤中，通过将图像序列输入给卷积神经网络来提取步态特征。
19.根据补充说明18描述的控制方法，
其中，卷积神经网络包括输入层、中间层和输出层；以及，
控制方法进一步包括在提取步骤中，从构成中间层的任何层中提取输出作为步态特征。
20.根据补充说明12至19中任一项所述的控制方法，进一步包括：
在验证步骤中，
为存储在存储单元中的多个验证特征中的每个验证特征计算表示与从每个图像序列提取的步态特征的相似程度的验证分数；
为每个验证特征计算统计分数，该统计分数是多个计算的验证分数的统计；以及
使用每个验证特征的统计分数执行对包括在第一图像序列中的人的认证。
21.根据补充说明20所述的控制方法，进一步包括，
在验证步骤中，确定当统计分数中的任何等于或大于预定阈值时，第一图像序列是已经注册的人。
22.根据补充说明20描述的控制方法，
其中，存储单元存储彼此相关联的人的标识符和人的验证特征，
控制方法进一步包括：在验证步骤中，
从多个验证特征当中确定具有最大的并且等于或大于预定阈值的统计分数的验证特征；以及
确定具有与存储单元中的所确定的验证特征相关联的标识符的人作为包括在第一图像序列中的人。
23.一种程序，该程序使计算机执行根据补充说明12至22中任一项所述的控制方法的每个步骤。
本申请是基于并且要求于2018年12月28日提交的日本专利申请No.2018-248213的优先权权益，该案的公开内容通过引用全部并入本文。
参考符号列表
10 相机
20 人认证设备
22 生成单元
23 特征提取单元
24 验证单元
30 验证数据库
40 第一图像序列
42 图像
50 第二图像序列
52 图像
1000 计算机
1020 总线
1040 处理器
1060 存储器
1080 存储装置
1100 输入/输出接口
1120 网络接口
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
