StepUP-P150

StepUP-P150是由加拿大新不伦瑞克大学创建的大规模高分辨率动态步态压力数据集，旨在推动基于压力的步态生物识别研究。该数据集包含约20万条预处理步态记录，覆盖150名参与者，数据以101×75×40张量形式存储，来源为压阻式压力传感平台采集的足底压力图，采样率达100Hz。创建过程涉及18个月的研究，参与者以四种鞋类条件和四种步行速度行走，数据经自动预测和手动验证标注左右步、不完整记录及异常值。该数据集主要应用于步态识别和生物特征验证领域，旨在解决真实场景中因鞋类、步行速度变化导致的域偏移问题，提升模型在受限注册数据下的泛化能力。StepUP-P150 is a large-scale high-resolution dynamic gait pressure dataset developed by the University of New Brunswick, Canada, with the goal of advancing pressure-based gait biometric research. It contains approximately 200,000 preprocessed gait records covering 150 participants, stored in the format of 101×75×40 tensors. The data is sourced from plantar pressure maps collected by a piezoresistive pressure sensing platform, with a sampling rate of 100 Hz. The dataset was constructed over an 18-month research period, during which participants walked under four footwear conditions and four different walking speeds. Annotations for left/right gait steps, incomplete records and outliers were verified via automatic prediction and manual validation. This dataset is mainly applied in the fields of gait recognition and biometric verification, aiming to solve the domain shift issue caused by changes in footwear and walking speed in real-world scenarios, and improve the generalization ability of models under limited registration data.

原始信息汇总

数据集概述

本数据集用于第二届国际步态足迹识别竞赛（2nd International StepUP Competition for Biometric Footstep Recognition），该竞赛作为 IEEE 国际生物特征联合会议（IJCB）2026 的一部分举办。

数据集下载

• 下载地址：数据集可通过 OneDrive 获取，具体链接为：https://unbcloud-my.sharepoint.com/:f:/g/personal/rlarracy_unb_ca/IgA6h0zsfsSoSq9LOdzBypcjAVcgJqH5y9gT-n2HZxuz0pA?e=c2moMw
• 下载方式：用户需自行下载并解压数据集到本地计算机的指定文件夹，并在运行示例代码时提供数据集的文件夹路径。

数据集内容与使用

• 格式：数据集包含足部足迹图像对（示例见项目资源中的 assets/example_footstep_pair.png），用于训练和评估足迹识别模型。
• 代码与依赖：项目提供了基于 Python 的 Jupyter Notebook 示例代码，所有依赖项列于 requirements.txt 文件中。用户可通过 pip install -r ./requirements.txt 安装所需库。
• 运行方式：修改 Notebook 中第二个单元格的 dataset_root 路径为本机数据集路径，然后运行整个 Notebook 以训练和评估基准模型。用户可自由修改代码以适应竞赛需求。

结果提交

• 提交平台：所有竞赛提交需通过 CodaBench 平台进行，链接为：https://www.codabench.org/competitions/13840/
• 提交文件：需将结果打包为一个 zip 文件，包含以下两个文件：
  • scores.txt：包含每个测试探针案例的相似度分数。
  • threshold.txt：包含单个数值决策阈值。
• 辅助工具：Notebook 底部提供了用于生成提交 zip 文件的实用函数 package_predictions_for_submission()。

搜集汇总

数据集介绍

构建方式

StepUP-P150数据集由加拿大新不伦瑞克大学在为期18个月的研究中采集而成，涵盖150名参与者（74名男性与76名女性），年龄跨度从19岁至91岁，身高、体重及鞋码分布广泛。数据通过一块3.6米×1.2米的压阻式压力传感平台（Stepscan Technologies Inc.）以100 Hz采样率和4 sensors/cm²的高分辨率捕获。每位参与者在四种鞋履条件（赤脚或袜脚、标准运动鞋、两双个人鞋）和四种行走速度（偏好速度、减速至停止、慢速、快速）下完成16次90秒行走试验，共计产生超过20万次步态足迹。原始记录经时空对齐与归一化处理为101×75×40的张量，并通过自动预测与人工验证相结合的方式完成左右脚标注、不完整记录及异常值筛选。训练集完整公开，包含全部16种鞋履-速度组合的标注数据及丰富元数据（参与者属性、足部侧别、旋转角度等）。参考集与测试集来自未公开的30位额外参与者，其中参考集为15位注册用户在单一鞋履与速度条件下的75个步幅，测试集则涵盖所有4种鞋履与速度条件，包含1万次步幅，且超过90%的真实匹配样本处于未见过的条件下。

特点

StepUP-P150数据集的显著特点在于其大规模与高挑战性。作为目前足部生物特征识别领域规模最大的公开数据集，它包含超过20万次高分辨率动态足迹，来自150位具有广泛人口统计学特征的参与者，并涵盖300余种不同款式的个人鞋履，例如凉鞋、运动鞋及靴子等。数据集不仅提供了足底压力时空张量，还伴随详尽的元数据，包括参与者的年龄、性别、身高、体重、脚码和鞋履描述等。其设计旨在评估模型面对极端的领域迁移能力——测试集包含参考集中未出现的条件，如赤脚行走和动态变化的行走速度，并引入成对连续左右步幅作为验证单元，从而支持步幅级识别。该数据集还内置了多种类别不平衡的测试挑战，例如真实主张与非真实主张的分布比例为25%与75%，且不透露测试集组成细节，以防止过拟合。这些特性使StepUP-P150成为评估足部生物特征识别系统在真实部署环境下的泛化性与鲁棒性的理想基准。

使用方法

StepUP-P150数据集的使用方法遵循第二届StepUP竞赛的标准化协议，主要面向足部识别与步态分析任务。使用者需基于训练集（150位参与者、超过10万次步幅）开发模型，例如采用时空卷积神经网络（CNN）或基于时间序列分类的架构（如InceptionTime、GRU）提取足迹嵌入向量。测试流程涉及参考集（15位注册用户，各5次步幅）与测试集（1万次步幅，附有声称身份标签）之间的成对验证。评分通常通过余弦相似度计算，并可引入对称得分归一化（S-norm）或基于群体的校准策略以缓解领域偏移。许多顶级方案还采用了测试时增强（如水平翻转、时间裁剪）或鞋履偏差减法来提升鲁棒性。最终需提交每个测试步幅的相似度得分（0至1）和一个决策阈值，评估指标主要包括等错误率（EER）、错误匹配率与错误非匹配率。数据集与代码库（含基线解决方案）通过CodaBench平台公开，允许研究者在训练集上迭代，并鼓励使用外部数据或预训练模型以探索更优的深度学习策略。

背景与挑战

背景概述

步态识别作为一种新兴的生物特征识别模态，为物理访问控制与活动监控提供了独特可能性，尤其适用于安全办公楼、机场、海港等受限环境。基于压力的步态识别系统通过记录行走过程中的足底压力模式进行身份验证，相较于视频方法，其对光照、遮挡和摄像机位置具有天然鲁棒性。2026年，由加拿大新不伦瑞克大学主导，联合印度ArogyaPandit公司、法国上阿尔萨斯大学及台湾阳明交通大学的研究团队，在第二届国际StepUP竞赛中发布了StepUP-P150数据集。该数据集包含来自150名个体的超过20万张高分辨率动态足迹压力图，涵盖四种鞋类和四种步行速度的丰富组合，旨在推动基于深度学习的步态识别方法发展。该竞赛吸引26支队伍参与，最佳等错误率（EER）达到8.00%，显著提升了足迹生物特征的识别基准。

当前挑战

该数据集核心挑战包括：1）领域泛化难题，模型需在仅有少量注册数据条件下识别未见用户，且面临鞋类和步行速度变化导致的显著域偏移——从注册条件（个人鞋1、偏好速度）到未见过情境（赤脚、标准鞋、另一双个人鞋）的EER平均增加6.6%至10.9%；2）足部特征与特定鞋类的纠缠，使模型难以区分具有相似足形或鞋特征的真实用户与干扰者，例如高弓形商业鞋与足弓显著用户的混淆；3）数据集构建中，收集了150名参与者经18个月长达十六次90秒行走试验的数据，需确保高分辨率（4传感器/cm²）、100Hz采样率下的时空对齐和标注准确性，处理因实验偏差、硬件问题导致的不完全记录，以及对手动验证自动预测的严格质量控制，最终保留了200,000个有效的预处理足迹记录。

常用场景

经典使用场景

在步态识别与生物特征验证领域，StepUP-P150数据集的经典使用场景聚焦于基于压力足迹的用户身份认证。该数据集包含来自150名个体、超过20万帧高分辨率动态足底压力图谱，覆盖多种鞋履类型与行走速度条件，为研究者提供了构建和评估深度学习模型以完成足迹验证任务的标准化基准。通过使用足迹对（左-右连续步幅）作为输入单元，该数据集被广泛应用于探究跨域泛化能力、特征融合策略以及时序模式表征的学习范式，是推动压力式步态识别从受控实验室环境迈向真实部署场景的核心资源。

解决学术问题

该数据集的核心学术贡献在于系统性地应对足迹识别领域的三项关键挑战：面向未见用户的泛化能力、由鞋履与步行速度变化引发的域偏移鲁棒性，以及左右步幅信息的有效融合。通过引入极端跨域条件（如赤足、动态变速行走）和步幅级验证协议，StepUP-P150促使学界深入探索时序卷积网络、对比学习与度量学习等前沿方法在缓解高类内变异与域差异方面的有效性。这一数据集的公开不仅填补了大规模、多条件压力足迹标注资源的空白，还推动了跨域泛化评估范式的建立，为步态生物特征研究的可复现性与公平比较奠定了重要基础。

衍生相关工作

StepUP-P150数据集直接催生了一系列具有代表性的学术工作，尤以第二届StepUP竞赛的优胜方案为标志。夺冠团队ArogyaPandit Research Team采用孪生(2+1)D时空卷积网络结合Circle Loss与集成评分策略，通过对称分数归一化等技术实现了8.00%的等错误率。亚军ESquaredAnalytics在基线模型基础上引入GRU时序建模与多样化数据增强，展示了时序结构在应对域偏移中的价值。季军MC@MSD则以InceptionTime网络将像素时序视为独立通道，辅以对比损失，验证了时序分类架构在足迹验证中的强竞争力。这些衍生工作共同揭示了显式利用时域动态、推理阶段校准与融合策略对提升跨域泛化性能的关键作用。