步态识别技术是近年来计算机视觉和生物识别领域的研究热点,旨在根据人类走路的姿态对个体身份进行识别。相比于其他的生物特征,步态是唯一远距离可感知的生物特征,具有难以伪装、模仿或隐藏以及非侵犯性的特点,在视频监控、安全认证和医学方面具有广泛的应用前景。经过近十年的研究发展,步态识别领域涌现了许多有价值的工作。同时,客观环境的变化和动态识别的复杂性也为步态识别的进一步发展带来了挑战。鉴于步态识别技术具有重要的理论研究意义和实际应用价值,本文对其进行了深入的探究,重点研究了步态识别中计算复杂度与多视角变化问题,在前人工作的基础上研究了以下内容:(1)提出一种基于超限学习机(ELM)与步态熵向量的人体步态识别方法。为了实现识别精度和计算复杂性之间的平衡,本文利用图像熵特征和ELM的优势进行步态识别。首先,引入了一种基于图像熵的特征提取策略。对于周期性的步态二值图像序列,提取其每一帧中行子图像的图像熵构成步态熵向量。对一个步态周期的步态熵向量进行平均处理,将处理后的结果作为步态特征。其次,通过监督学习训练ELM网络,采用bagging算法对ELM进行改进,提高ELM网络的稳定性和泛化性能。通过使用简化的特征提取过程,有效的步态熵特征和ELM的快速学习能力,很好的减轻了计算负担。最后,在CASIA-A和CASIA-B等步态数据库上进行了实验,实验结果表明该方法在单视角和多视角条件下实现了令人鼓舞的识别精度,并且计算效率十分出色。(2)提出了基于超限学习机与步态能量特征的人体步态识别方法。为了更好的表征人在走路过程中的动态变化情况,本章提取了浅层时变轮廓序列下的步态能量特征,结合核超限学习机(KELM),实现步态识别的目的。一方面,本研究对周期性的步态二值图像序列中的全部帧差图像进行平均处理,得到步态序列的动作能量图特征(AEI)。另一方面,本文提出了一种新的时空步态表示方法即频谱能量图(SEI)。首先,对周期性的步态二值图像序列中的每一帧进行二维傅里叶变换,得到傅里叶频谱图,其次,对所有傅里叶频谱图进行平均处理得到表征步态的频谱能量图,进一步对其进行幅值化处理,并把处理后的结果作为最终的频谱能量特征。最后,分别对两种步态能量特征进行降维和归一化处理,使用KELM进行分类识别。(3)提出一种基于特征融合的步态识别方法。单一步态特征容易受到图像质量、图像预处理以及特征降维造成的信息损失等多方面因素的干扰,识别性能并不稳定。在数据库较大时,特征相似性逐渐增强,识别性能也随之下降。为了克服单一步态特征存在的问题,提高稳定性和识别率,本章尝试使用决策级融合的方法对所提取的步态熵向量、动作能量图以及频谱能量图等特征进行处理,并使用KELM进行分类识别。在CASIA-B步态数据库上进行多视角条件下的实验,实验结果表明多特征融合后的识别率优于任意单一特征的识别率,在视角变化的条件下识别性能得到了较大幅度的提高。(4)设计了人体步态特征提取与识别系统。本文在算法研究的基础上,采用MATLAB GUI软件设计平台进行步态识别系统的开发,初步实现了步态视频数据处理,步态特征提取,实时身份识别,数据存储与可视化等功能。在基于CASIA-B步态数据库的环境下,测试了系统的性能,具有较好的工程应用价值。