生物特征识别是指通过自动化技术利用人体的生理特征或行为特征进行身份鉴定。步态是指人体下肢的运动方式。作为一种生物特征,已成为研究热点。相对于其它生物特征,步态具有独特的优点。步态的优点是:非侵犯性;可以远距离识别;步态难以隐藏;步态具有唯一性。从生物特征的角度来说,每一个人都有一个独特的步态,因为步态模式主要是由个体的体重、肢长和习惯姿态等因素决定的。本文针对整个步态系统做了研究,对于3D步态模型建立、3D步态识别提出了新的算法,并在实验中取得了显著成果。此外,在步态的检测和2D步态识别部分也做了大量的工作。3D步态模型建立:本文提出了一种基于计算机图形学和机器人学的模型建立方法,将基本的几何模型通过旋转、缩放、平移和连接,以及坐标系变换,建立3D步态模型。实验结果表明,通过对程序参数的调整,可以得到该模型任意视角的步态。此外,3D步态模型也可以通过3D建模软件得到。3D步态识别:对视角无关的步态识别,提出了穷举搜索、分步搜索、多分辨率搜索、关键帧搜索、遗传算法搜索和多视角搜索六种搜索方法,并通过各种衡量指标的综合比较,得出了遗传算法优于其它搜索算法的结论。通过搜索使3D步态模型和人体达到最佳匹配,进而得到人体的静态和动态参数,用来作为测试样本特征。训练样本的特征通过手动测量得到。最后用序列匹配法进行识别。在CMU MOBO步态库上用上述不同的搜索方法进行计算,得到了最高为90%的识别率。对视角有关的步态识别,先从建模软件中直接读取模型的参数,作为训练样本特征。然后用GRNN或SVR建立2D图像与其3D模型参数之间的一种非线性的对应关系,用预测的方法得到测试样本的特征,最后用SVM来进行识别。实验中利用了POSER库中的人物模型,采用GRNN网络,用上述方法进行计算,得到了100%的识别率。步态检测:本文提出了边缘帧差法和帧差-背景减除法,并在实验室条件下用CCD摄像机进行实时步态检测。实验证明这两种方法可以满足实时处理的要求,检测结果也相对较好。2D步态识别:本文提出了基于链码的步态识别、基于小波描述子的步态识别、基于多分辨率局部矩特征的步态识别,并在CMU MOBO步态库上进行测试,均得到了较好的识别效果。我们利用Matlab和Visual C++开发工具,结合上面研究出的方法和一些常规图像处理的方法,进行3D步态识别。3D步态融合图像处理、视频处理、模式识别、机器学习和其它相关信息技术的发展于一体,具有广阔的应用前景。