随着社会的发展以及安全需求的增长,生物特征识别技术受到广泛关注。其中步态识别是一种新兴的生物特征识别技术,通过行走姿态进行身份认证。与人脸识别相比,其具有远距离非接触采集的优势,与行人重识别相比,其具有不受衣着颜色干扰的优势,因此在监控安防领域存在巨大潜力。然而在实际场景系统应用中步态识别只能作为辅助手段,其识别精度受一些外界因素的影响,例如相机视角变换、行人外观变化以及步态数据分割效果不佳等,这给步态识别任务带来了巨大挑战。针对以上问题,本文研究和设计步态识别模型,用来提取更鲁棒的轮廓特征以及更丰富的时序运动特征,并在园区网络监控场景下设计具有实用性和实时性的工程应用,本文就此真实复杂场景下的步态识别问题开展研究:1.本文提出了多尺度融合残差步态识别网络Res Gait,包含水平局部特征提取模块HLFE和多尺度融合模块MSF两部分。研究发现行人背包或持物体行走时会影响局部形状和运动特征,而换衣和视角变化会影响近乎一半的形状和运动特征,因此认为同时使用局部部分特征和全局特征效果会更好,本文设计了卷积残差层R-Conv,其由水平分块卷积和普通卷积并行构成,而HLFE模块是由多个不同的R-Conv层构成。其次当行人的外观轮廓发生变化时并不影响行人时序运动信息,因此需要提取更加精细化的时序运动特征,MSF模块通过使用两个时间特征聚合器对HLFE模块的两个不同尺度输出进行时序特征提取,最后对不同尺度的特征融合从而得到最终的步态特征。最后在目前使用最广泛的公共数据集CASIA-B进行充分的消融和对比实验,该算法达到了91%的平均精度,表现优于现有算法。2.进一步,本文以提出的步态识别算法Res Gait为核心进行系统工程设计,以园区场景下的网络监控系统为基础,实现园区智能步态识别系统。本文首先对功能需求进行分析并设计整体架构,硬件方面设置和标定摄像头、配置交换机和服务器,软件方面将目标检测追踪、人体属性识别、行人分割、步态识别匹配等深度学习算法进行训练,并进行算法和工程上的优化,达到兼顾准确率和效率的要求,其次进行数据库和前端Web交互界面开发,实现目标行人识别匹配、轨迹运动动画可视化、人体属性分析以及随人员分析等功能。最后进行了详细的功能测试以及对算法的精度和效率的性能评估,该系统达到了园区智能监控场景下实时性和实用性的要求。本文提出了更鲁棒的步态识别算法并达到了较好的性能,并在提出算法的基础上实现了园区网络监控场景的步态识别系统工程应用,同时发现在现实场景中的挑战更多,还需学术界和工业界进一步的研究探索。