伴随着当代信息社会的发展,安全成为了越来越重要的话题。如何有效的在对安全要求较高或者较敏感的区域进行可靠的人物身份自动验证或者确认是非常重要的。传统的身份验证方法比如密码,身份卡易遗失、被伪造等。人脸识别、指纹识别等生物特征识别技术通过比对人本身属性来提供更加有效的身份识别手段。在众多被用做身份验证的生物特征中,步态识别因为远距离识别、隐藏性和非侵犯性等优势,而获得了广大研究者的关注。具有深度信息的视频图像在智能监控,生物识别技术,安全领域具有很大的优势,很重要的一个原因是因为它能提供人体骨骼三维模型来支持对人行为、动作的精准建模,而不仅仅是使用彩色和纹理信息。基于视频的人物检测是计算机视觉一项重要的应用。对于视频中人的身份识别和确认,也需要先将人物检测出来,然后进行特征的提取和识别分类,视频中人物检测的准确度直接关系到后续的特征提取和识别分类的准确率。本文首先使用自适应的非局部均值方法对深度视频图像进行预填补和去噪等预处理流程。然后研究了基于深度卷积网的视频中人物的检测技术,采用预训练的模型AlexNet初始化网络参数,并使用本章的数据集对网络参数进行微调,极大程度降低了网络的训练时间,一定程度上避免了网络的过拟合。相对于传统的人物检测方法——基于HOG特征的人物检测方法,基于深度卷积网的技术的检测准确度有了较大幅度的提升。最后,本文基于Kinect的骨骼跟踪功能探索了基于相对运动的步态特征。基于相对距离的运动特征被提出来,特定关键节点之间的距离及其变化被用来刻画步态。相对运动特征的获取无需计算步态周期,鲁棒性好。大量的实验结构表面,运动作为步态的本质特性,具有足够的识别能力;基于相对距离的特征,是一种有效的步态描述方法,在非Kinect的场景中值得进一步研究。未来的工作的中构建自己的骨骼步态数据集,如果能够构建一个条件不可控下数据,则更能验证本文提出的相对运动特征的可靠性。此外,还需要提出合适本文人物检测任务的深度卷积神经网络。