步态识别是根据人的步态特征对人的身份进行识别的技术。步态作为一种新的行为特征,具有远距离、非接触性、非侵犯性、易感知性、难以伪装或隐藏等特点,并且是低分辨率情况下唯一可感知的特征,这使得步态识别成为近几年计算机视觉和模式识别领域的热门研究课题。步态识别的处理过程分为三部分,目标分割、特征提取和分类识别,本文重点对步态特征的提取进行了研究。在充分研究前人工作的基础上,提出了两种新的步态特征提取算法:一种是基于空间特征和频率特征相融合的步态特征提取算法,另一种是基于轮廓小波矩和腿部双三角特征相融合的步态特征提取算法。步态图像的空间特征和频率特征都是可以用于步态识别的有效的特征,将二者充分结合能够提高系统的识别性能和鲁棒性,基于此,本文提出了一种基于空间特征和频率特征相融合的步态特征提取算法。首先对步态图像进行预处理,包括背景建模、运动目标分割、形态学处理等,提取出运动目标;然后使用基于极坐标系的等间距切割线对运动目标进行切割,使用切割向量来表示步态图像的空间特征;接着对切割向量进行傅里叶变换,提取步态图像的频率特征;最后对空间特征和频率特征进行融合并使用支持向量机进行识别。步态图像序列中既包含动态信息,也包含静态信息,在步态识别中,充分结合应用这两种信息将能够提高系统的识别性能,因此,本文又提出了一种基于轮廓小波矩和腿部双三角特征相融合的步态特征提取算法。首先对经过预处理的步态图像进行分析,提取一个步态周期内的关键帧并对目标轮廓边缘进行归一化处理;然后利用小波矩不随位移、尺度和旋转的变化而变化的特点,对归一化后的轮廓边缘计算小波矩,使用轮廓小波矩描述步态图像的静态特征;接着对人体腿部建立双三角形,使用双三角形特征表示步态图像的动态特征,包括由髋关节中心点和两个膝关节构成的三角形,以及由髋关节中心点和两个踝关节构成的三角形;最后对轮廓小波矩和腿部双三角形特征进行融合并使用支持向量机进行识别。在CASIA步态数据库上进行的实验表明,本文提出的上述两个步态特征提取算法具有较高的正确识别率和较好的稳定性。