随着社会的不断进步与发展,无论是公共场合还是私人住所,对于智能监控系统的需求已经变得越来越普遍。在智能监控系统数量呈现指数级增长的今天,其性能也相比以前有了很大的提高,其中最重要的功能之一就是对于人物进行身份识别。眼下的主流技术都是围绕着如何利用人体的生物特征进行身份识别,该领域也是国内外长期研究的热点。针对这种需求,本文对于生物特征中公认最重要的两项——步态以及人脸特征进行了系统的讨论与分析。现阶段对于步态识别的研究一般都停留在理想的实验环境中,很少有涉及对于样本质量优劣或者噪声干扰严重等情况的讨论。本文在实现了基于Procrutes形状进行步态特征分析的基础上,提出了一种基于周期补偿步态特征的身份识别算法。在对步态轮廓样本进行质量检测后,利用步态过程中轮廓宽度重复信息,使用离散傅里叶变换对周期信息进行提取,在确定单帧步态轮廓所对应的相位值后进行相对应的样本补偿,从而有效地解决了步态样本在经过质量筛选后所引起的分布不均匀的问题。实验结果表明,该方法取得了大约15%识别正确率的性能提升。高独特性特征的选择以及合适匹配策略的选用是人脸识别技术的关键。本文讨论了基于仿射不变的几何特征SIFT(Scale Invariant Feature Transform)算子进行人脸识别的方法。SIFT算子的计算复杂度较高,并且不同的人脸表情和图像模糊会加大特征匹配的难度。为克服上述缺点,本文提出一种新的算法,将选择六个人脸上感兴趣子区域进行描述,并根据各自的独特性赋予不同的权值,最后在匹配过程中使用相似度的平方来减小偏差数据造成的影响。实验结果表明,该方法能有效地减轻表情变化对于身份识别率急剧下降的影响,并可显著减少计算复杂度和特征匹配时间。最后,结合算法的实际应用,给出了一个在视频中对人物身份进行自动标注的例子。