步态识别通过分析行人行走序列中的姿态与动作来判断身份。较之于其它生物特征,步态具有不受图像分辨率低和距离影响、无需目标主动参与,难以掩饰等优点。然而,传统步态识别方法的具体应用效果依旧会受到行人的衣着、背包等外部因素的影响。针对这一问题,本文将基于轮廓序列和基于骨架序列的这两类步态识别方法进行结合,并对其实现方法和具体应用进行了研究和分析。首先,针对使用传统背景差分法获取的步态轮廓图在质量、实用性和鲁棒性等缺陷,本文设计了基于属性信息引导的步态轮廓序列识别方法。该方法使用人体实例分割技术,获得更精准的步态轮廓图,提升了在实际场景中的运行速度和通用性。在此基础上,本文在识别网络的学习中加入属性分类任务,增强模型对衣着和背包等复杂状态的识别能力。此外,引入多尺度时间特征提取模块,使得本文所设计的网络模型能够融合不同时间尺度信息,形成更具判别力的时空特征向量表示。而后,针对不同衣着和背包场景下步态轮廓图中的身体部位粘连、遮挡、与正常场景差异大等问题,本文使用人体骨架信息进行识别,来减弱上述问题造成的影响。核心思想在于使用深度学习方法,提取原始图像序列中的人体骨架关键点,据此构成步态骨架图结构以辅助后继步态识别。在具体实现中,本文引入多个相同的时空图卷积模块,使得所提取的步态骨架序列能充分融合空间维度与时间维度两方面的特征信息。最后,在前述两项工作的基础上,本文设计了一种对步态轮廓图和步态骨架图进行多源信息融合的步态识别方法。该方法将步态轮廓与步态骨架相关的时空特征向量进行合并,据此构建出更为有效的行人步态综合特征向量。通过将所提取的步态特征向量与步态特征数据库进行带有权重的相似度度量,进而对其身份进行判别。本文在CASIA-B步态数据集上的实验结果表明,较之于仅根据轮廓序列或骨架序列信息来进行步态识别,综合两类信息能够取得较大程度的准确率提升。综上所述,本文所提出的基于信息融合的步态识别方法能够充分利用两类步态信息进行补充和促进,为后继研究提供了一种有效的改进方向。