性别识别是生物特征识别中的一项关键性课题,在军事、公共安全、智能监控、大数据分析和行人重识别等诸多领域都具有广泛的应用前景。相比于传统的基于面部特征进行识别的方法,步态特征的获取更加隐蔽,目标不易隐藏,对视频图像分辨率要求较低,十分适合在远距离、非受控的开放性场合使用,是对传统技术手段的弥补。但是步态识别的相关研究相对还处于初级阶段,尤其是在真实场景下步态特征十分容易受到行人穿着、携带物、角度和距离等外在因素的干扰,因此如何去除这些干扰的影响一直是该领域的研究重点。随着近些年来深度学习在图像识别领域的飞速发展,给基于视频图像进行步态识别的研究带来了新的技术支持,对克服环境、服饰穿着和角度等外在因素对步态特征带来的干扰提供了新的解决方法。本文主要围绕步态特征图像计算、步态特征提取、机器学习等相关内容展开深入研究,寻找基于视频图像中步态序列解决性别识别任务的方法,主要工作及创新如下:(1)提出了一种改进的步态能量图。传统的各类步态特征图像通常是针对单个行人图像进行处理,虽然能很好表达步态特征,但十分容易受到外界干扰,而且缺少同一性别行人步态的“共性”特征,适于行人身份识别而不适于性别识别。针对这个问题,在前人工作的基础上提出了一种改进步态能量图,用于排除穿着和携带物对行人步态特征的干扰,同时更加突出行人的性别特征。(2)针对性别分类的需要,基于VGGNet-16设计了一种MyVGGNet模型。卷积神经网络的训练本质上就是对特征提取能力的优化,训练所使用的数据库越丰富则网络训练的更为完善,提取的图像特征也就更加“有用”。本文保留了在ImageNet上训练的VGGNet模型卷积层的参数,并加以新的全连接层进行微调,从而在已经很完善的图像特征上针对性别识别任务进行调整,提高识别准确率。(3)融合使用卷积神经网络和支持向量机用于性别识别。针对线性SVM在小样本下良好分类效果和CNN能够提取图像深层次抽象特征的优点,本文充分将两种方法融合使用,分别在有反馈和无反馈两种条件下研究并实现了“卷积神经网络+支持向量机”结构的识别方法。