近年来,随着信息技术的快速发展,信息安全问题受到越来越多人的关注,如何有效地利用生物特征识别技术对人的身份进行有效识别已经成为目前研究的热点之一。步态识别作为一种新兴的生物特征识别技术,旨在通过研究人走路的姿势对人的身份进行识别。与传统的指纹、虹膜、掌纹、人脸等生物识别技术相比,它具有非接触性、易于远距离识别性、难以隐藏性以及对视频清晰度要求较低等优点。因此,步态识别具有重要的理论研究意义和广阔的应用前景。目前,相对于人脸和指纹等其它生物特征识别技术,步态识别的研究还处在初级阶段。本文以步态能量图(Gait Energy Image,GEI)为基础,从以下几个方面对步态识别进行了深入的研究和探讨。(1)基于视频的步态检测和步态周期提取。本文采用背景减除法检测视频中的运动目标,并运用形态学算子等技术对背景减除后的区域进行处理来去除空洞和噪声,得到步态图像序列。在此基础上,分析步态图像序列中人体的宽高比值曲线来提取步态周期。(2)在步态能量图的基础上,提出了一种基于Gabor小波和协同表示的步态识别算法。该算法将步态能量图的Gabor特征作为特征矢量,采用协同表示的方法进行步态识别。其基本思想是通过加入视角检测策略,对待识别的步态序列进行视角检测,以提高在相同视角下的数据集进行步态识别的准确率。在实验阶段,通过在中科院自动化研究所CASIA步态数据库的Dataset B上进行测试,表明上述算法具有运行速度快的优点,并且对于跨视角步态识别具有一定的鲁棒性。(3)针对单一特征步态识别准确率低的问题,提出一种将步态能量图中动态部分和Gabor小波特征相融合的步态识别算法。首先通过运动目标检测,二值化和形态学处理等预处理操作得到步态轮廓图,并从步态轮廓图计算得到步态能量图和其动态部分。然后利用Gabor小波从步态能量图的动态部分中提取不同角度和方向的信息,从而将两种步态特征融合在一起,并用改进的KPCA方法进行降维。最后,将降维后的融合特征向量输入到基于多分类的支持向量机(Support Vector Machine,SVM)中,从而完成步态的分类和识别。我们在中国科学院自动化研究所提供的CASIA步态数据库上进行了测试,实验结果表明与单一特征的步态识别方法相比,融合后算法的识别率有了显著的提高。