步态识别是一种新型的生物特征识别技术,越来越被人们所关注,随着传感器技术的快速发展,步态识别技术的研究方向正在从计算机视觉转向移动终端,为了提高移动设备的安全性,已经提出了指纹识别、人脸识别等生物识别技术,然而,现有的方法都需要执行相应的姿势进行识别,而由基于手机加速度传感器捕获的步态信号可以进行有效的隐式认证,但在采集步态信号的时候,由于摇晃、颠簸等因素,容易导致手机在方向上出现不稳定性,因此,本文提出了一种新型方案解决传感器的不稳定性问题,同时,鉴于传统的步态周期检测算法的检测精度不高,提出了一种自相关峰值检测算法从而精准地找出步态周期,此外,传统的步态识别大多数是基于模板匹配进行识别,该方案识别精度不高,因此,本文提出一种新的步态识别方法,利用统计分析和监督学习进行识别,该方案优于传统方案,在认证和识别方面分别取得了4.7%的等误差概率和90.45%的准确率,本文工作内容如下:1)对原始步态数据进行了一系列预处理,包括坐标系校正与重力加速度分量滤除、线性插值、去噪处理等工作,从而得到较纯的步态信号。2)对预处理后的信号提取步态周期,本文提出了一种新型的步态周期检测算法—自相关峰值检测算法,该算法可以精准地找出步态周期。3)将步态信号划分为一个个的步态模式,以4个步态周期为一个步态模式,步态模式之间有50%的重叠。根据Derawi、Gafurov等人的研究,发现使用信号的幅度可以提高识别率。因此,对步态信号新建了两个维度,这两个维度分别是(3、(4维度的组合和(3、(4、(5维度的组合。4)在每个维度的每个步态模式中提取特征向量,借鉴于语音识别的特征提取方式,提取的是Mel频率倒谱系数(MFCC)和Bark频率倒谱系数(BFCC)。在每个维度上提取出来的特征向量,以三个维度为一个组合,形成整个步态识别系统的特征向量。为了后续有效地分类识别,将提取到的特征向量进行PCA降维、归一化处理。5)对特征向量进行分类识别,本文建立了BP神经网络和支持向量机分类器。6)为了验证所提方案的可行性,做了识别性能和认证性能实验。实验结果表明,与现有的方案比,所提方案能够得到较高的识别率和较低的等误差概率,具有广泛的应用价值。