伴随着新一波科技发展浪潮而来的,是人们社会生活形态的巨大变化。在社会生产力逐渐提高的同时,人们对于生活幸福指数的提升也有了很高的期待值,其中很重要的一环便是人身与财产安全。安全防护,简称安防,作为一个被巨大的社会需求刺激下应运而生的社会供给,其产品形态也在不断地经历着革新与进步。计算机视觉,作为一种重要的信息获取方式,是一种对通过图片或视频影像等方式获取到的视觉信息进行整合并进行处理,从而达到最终对于视觉信息进行识别的过程。在过去的很多年间,研究人员在计算机视觉领域进行了早期的摸索。后来随着前期算法积累和硬件技术进步,尤其是以GPU为代表的计算平台性能的不断提升,计算机视觉领域有了长足的发展。作为计算机视觉领域的重要组成部分,步态识别凭借其远距离、非接触、非面部特征敏感性等特点,具有广阔的应用场景。在过去,步态识别精确度不高,且绝大部分识别算法都是基于已有的数据集基础上进行算法改进。基于此,选择CASIA-B数据库的视频数据作为原始数据源。通过比较不同目标定位算法,选择并改进了 Faster-RCNN网络模型,改进了其中区域生成网络的锚点设计,提高了目标定位的精确度。提出3种人体关键部位分割方式,设计了5种步态识别数据组合方式分别作为输入源训练了步态识别网络模型,提高了步态识别精确度。进行了一体化单人步态识别平台和双人步态识别与比对平台的设计与实施,让步态识别技术进一步实用化,贴近实际使用场景。首先,选用CASIA-B数据库中的人物步态视频作为原始数据来源进行相应模型改进和工程实践。通过图像分帧,将视频数据分成带有时序的图像数据。接着按照CASIA-B自带的轮廓图序列的文件格式放置新生成的图数据。在综合比较了 RCNN、Fast-RCNN、Faster-RCNN等算法的基础上,分析了各方利弊,从识别精确度和训练效率上选择了 Faster-RCNN作为目标定位的识别算法。并在此基础上,对于Faster-RCNN的具体网络结构进行了改进。在保证时间复杂度不大幅升高的前提下,提高了识别精确度。在实例分割环节选择了分割精度较好,识别效率适中的Mask-RCNN作为分割算法。在网络的训练环节,采用DensePose-COCO标注的COCO数据库作为图像分割的训练数据源。之后,将关键部位和其他部位通过二值化的方式进行前景背景分离。提出3种关键部位分割方式,并基于此制作了 5种步态识别数据组合方式。分析了早期基于手工特征提取的一系列步态识别算法和最近基于深度卷积网络的步态能量图、人体骨架关键点等相关算法,结合GaitSet的图像集合思想和注意力机制,通过利用实例分割环节输出的带有关键部位特征的图像序列图,以集合的形式注入卷积神经网络,将获取得到的特征再进行特征提取、集合池化、水平金字塔映射、特征比对等操作步骤,最终得到步态识别结果。最终的结果表明,识别精确度有一定提升。通过整合前述相关算法,开发了两套步态识别实用化工具,包含单人步态识别平台和双人步态识别与比对平台。其中双人步态识别与比对功能具有很广阔的实际应用场景,可以帮助警察或其他法定公务人员进行目标判定。在已有步态数据库有限的情况下,该平台可以工业化、批量化地给出两个视频中的目标是否为同一人的判定。这种识别与比对功能可以极大地提高警察等公务人员的办事效率。