基于步态的身份识别研究综述
基于步态特征的身份识别算法研究
ｄ ｎｉ ｅ ｏ ｉ ｏ ．Ｔ ｅ ｐ ｐ ｒｐ ｔ ｆｒ ａ ｄ ａ ｄ ｎ ｉ ｃ ｔ ｎ ａｇ ｒ ｍ ａ ｅ ｎ ｇ ｉ ｓ ａ ｉｌｃ ａ ａ ｔｒｓ ｃ ｎ ｒ － ｅ ｔ ｒ ｃ ｇ ｔ ｎ ｈ ａ ｅ ｕ ｏ ｗ ｒ ｎ ｉ ｅ ｔ ｉａｉ ｌｏ ｔ ｙ ｔ ｎ ｉ ｆ ｏ ｉ ｈ ｂ ｓ ｄ ｏ ａｔ ｐ ｔ ｈ ｃｅ ｔ ｓ ａ ｄ ｆｅ ａ ｒ ｉ ｉ
进行预处理 提取 运动 目标 ， 然后对 运动 目标进 行切 割提取步
式 中， （ ，） ａ ｘ Ｙ 表示当前图像在像素 （ Ｙ 处的亮度值 ，（ Ｙ ， ） ６ ，） 表示背景 图像 在像 素（ Ｙ 处 的亮度值 。 ，） 然后通过 式 （ ） 间接 背景 减 除后 的二值化 图像 进 行 ３对
由于步态空间和频率特征均可 以有 效步态 特征 ， 如果能
・
等
（） ２
【 ≤ ａ ｂ ≤１ ０ （ Ｙ ，（ Ｙ ￣２５ ０ ，） ， ≤口 ，） ｂ ，） ５ ＜
够将两者充 分结 合起来 ， 应该 能够 提高身份识 别系统 的正确 率和鲁棒性 ， 因此鉴 于特 征融合 思想 ， 文 首先对 步态 图像 本
Ｋ ＹＷＯＲ ： ｕ ｎｉｅｔｉａｏ ；ｕｐ ｒｖｃ ｒ ａｈｎ （ Ｖ ；ｅｔｒ ｓ ｎ Ｆｕ ｅ ａ ｓ ｒ Ｅ ＤＳ Ｈ ｍａ ｎ ｆ ｔ ｎ Ｓ ｐ ｏ ｅｔ ｃ ｉ Ｓ Ｍ） Ｆ ａ ｅｆ ｉ ； ｏｒ ｒ ｒ ｆ ｍ ｄ ｉｃ ｉ ｔ ｏｍ ｅ ｕ ｕｏ ｉ ｔｎ ｏ
２ Ｏ世纪 ９ ０年代 ， 人们 对步 态的身份识 别算 法 开始进 行
一
从 图 １可知 ， 步态 的身份 识别 系统 中 ， 为关 键 步骤 在 最
在 于对 步态 特征选择 ， 直接影响身份识 别正确率 。从 机器 其 视觉 的角度 来看 ， 当前步 态特 征提取 分 为两大 类 ： 步态 空 间 特征和 步态频率 特征 ， 但是无论 步态空间特征 或步态频 率特 征 只都 能描 述 步态 部分 信 息 ， 法全 面 的描 述 整个 步 态信 无 息， 因此 当前单一步 态特 征身份识 别的正确率 比较低 。
步态识别技术研究综述
步态识别技术研究综述作者：张帅曾莹来源：《科技视界》 2014年第22期张帅曾莹（湖南农业大学东方科技学院，湖南长沙 410128）【摘要】步态识别是生物特征识别技术的一个新兴领域，旨在根据人们走路的姿势进行身份识别。
本文对步态识别过程的步态检测、步态特征提取、步态分类与识别三个阶段进行了综述，分析了现有步态识别算法的特点，总结了步态识别研究存在的问题及未来研究方向。
【关键词】生物特征识别；步态识别；步态检测；特征提取０引言生物特征识别技术是根据每个人独有的、可以采样检测的生理特征或行为特征进行身份识别的技术。
第一代生物特征识别技术主要利用人的指纹、脸像等特征进行识别，这通常要求上体近距离或接触性的协作感知，在远距离的情况下，这些特征不可能被利用。
由于个体之间身体结构和运动行为上的基本特性不同，步态运动为人的识别提供了独特的线索。
步态具有非接触性、难以隐藏或伪装、易于捕捉等特点，且不受距离影响。
除了步态本身的特点，PC处理器能力的提升，高速数据存储设备的出现，人体建模、运动跟踪等计算机视觉处理技术的提高等因素使得步态识别技术成为一种新的可行的安全应用，极具研究意义与研究价值。
近几年来步态势识别技术引起了世界各国学术科研机构的广泛的关注。
美国国防高级研究所项目署资助的重大项目——HID（Human Identification a Distance）计划开展的多模态视觉监控技术以实现远距离情况下的人的检测、分类和识别。
１步态识别过程步态识别旨在根据人行走时的姿势来进行人的身份认证。
步态识别过程可以划分为步态检测、步态特征提取、步态分类与识别三个阶段。
１.1 步态检测步态检测是从人行走的视频序列中提取步态轮廓区域，这方面的工作包括背景建模、前景检测和形态学后处理等。
步态轮廓的有效分割对于特征提取、分类识别等后期处理非常重要，因为后续处理过程仅考虑图像中轮廓区域的像素。
常用的步态检测方法有背景减除法、时间差分法、光流法等。
基于步态的身份识别研究综述
基于步态的身份识别研究综述张元元;姜树明;魏志强;张建峰;许世杰【期刊名称】《山东科学》【年(卷),期】2012(025)003【摘要】Gait can be captured from a far distance. This paper makes an overview about the origin,history and the state of art of gait recognition. It also summarizes and classifies the existing gait rewgnition algorithms. Moreover, the paper discusses the development tendency of future stucly of gait rewgnition and wnsiders that fasion with other biometrics is the way to make practical use of gait rewgnition teehniques.%步态是远距离情况下能被感知的生物特征。
本文综述了步态识别研究的起源、历史与现状，介绍了现有的步态识别方法并作了分类对比，分析了步态识别未来的发展趋势，指出步态与其他生物特征的融合将是其走向实用的必经之路。
【总页数】6页(P113-118)【作者】张元元;姜树明;魏志强;张建峰;许世杰【作者单位】山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014【正文语种】中文【中图分类】TP391【相关文献】1.基于步态识别的移动设备身份认证模型 [J], 蒋伟;王瑞锦;余苏喆;秦圣智;李蝉娟;李冬芬2.基于智能手机运动传感器的步态特征身份识别方法 [J], 孔菁;郭渊博;刘春辉;王一丰3.视频监控场景下基于单视角步态的人体身份及属性识别系统 [J], 廖嘉城;梁艳;王冰冰;潘家辉4.夜间监控下基于步态的行人身份识别 [J], 李珊;孙鹏;郎宇博5.基于步态特征提取的ELM身份识别方法 [J], 马添力;肖文栋因版权原因，仅展示原文概要，查看原文内容请购买。
步态识别技术个人总结范文
步态识别技术个人总结范文步态识别技术是计算机视觉领域的一项重要技术，可以通过分析人的步行特征和步态模式来区分身份、检测疾病和实现其他应用。
在过去的几年中，我对步态识别技术进行了一些探究和实践，以下是我个人对这项技术的总结和体会。
起首，步态识别技术有着广泛的应用前景。
通过分析一个人的步行模式，可以识别出这个人的身份，或者验证其是否为合法用户。
这种技术在安全领域具有很大的潜力，可以应用于门禁系统、金融来往验证等领域。
此外，步态识别技术还可以用于疾病检测，例如能够提前发现和猜测一些神经系统疾病，对于早期干预和治疗具有重要意义。
其次，步态识别技术具有一定的挑战性。
步态中包含的信息分外丰富，能够反映出个体的特征和习惯。
然而，步态的识别受到环境、姿势和视角等多种因素的影响，因此对于步态特征的准确提取和建模是一个相对复杂的任务。
同时，步态数据的采集和处理也需要耗费大量的时间和精力。
因此，在步态识别技术的探究和应用中，需要充分思量这些挑战，不息进行算法优化和技术创新。
然后，步态识别技术的探究还存在一些亟待解决的问题。
目前，步态识别技术大多是基于特征提取和分类的机器进修方法，然而这种方法依旧存在一些问题，例如需要大量的样本数据和复杂的模型训练过程。
将来的探究需要探究更加高效的算法和模型，进一步提高步态识别的准确性和实时性。
此外，还可以结合其他传感器，如加速度计和陀螺仪，来帮助步态识别，提高整体性能。
最后，步态识别技术还需要关注隐私和安全问题。
由于步态识别技术直接得到个体的生物特征信息，因此对于数据的隐私和安全保卫至关重要。
探究者和从业者需要制定相关的法律、规范和技术措施，确保步态识别技术在应用中不会侵略个人隐私和安全。
综上所述，步态识别技术具有广泛的应用前景和重要意义。
通过不息的探究和创新，我们可以进一步提高步态识别技术的性能和可靠性，为更多领域的应用提供支持。
然而，在推广应用步态识别技术的同时，我们也需要充分思量数据隐私和安全问题，确保技术的合法合规使用。
人体步态识别技术的研究
人体步态识别技术的研究第一章识别技术概述人体步态识别技术是指根据人体步态变化的特征对行走物体进行识别的技术。
这种技术在计算机视觉、生物识别和医学工程等领域得到广泛应用。
人体步态识别技术可以用于身份认证、医疗监测、安防监控和体育运动等方面。
传统的人体步态识别技术使用的是计算机视觉和模式识别算法，识别精度较低。
现在，随着深度学习技术的发展，人体步态识别的准确率已经可以达到很高的水平。
第二章识别技术分类人体步态识别技术可分为基于所测量的特征与基于肌电学特征的识别技术。
基于所测量的特征的识别技术是指通过对人体行走过程中所产生的加速度、角速度等参数进行测量，并将测量结果作为识别特征进行行走物体识别。
基于肌电学特征的识别技术是指通过测量人体髋、膝、踝等部位的肌电信号，并将这些信号作为识别特征进行行走物体识别。
第三章识别技术原理基于所测量的特征的识别技术的原理是，通过行走物体在行进过程中产生的加速度和角速度进行量化测量，并采用支持向量机、决策树等机器学习方法进行分类识别。
这些测量结果可以用于识别行进路线、距离、速度等信息。
基于肌电学特征的识别技术的原理是，通过测量人体各个关节的肌肉电位变化，并将这些变化作为识别特征进行行走物体识别。
这些测量结果可以用于识别行走者的身份、行走状态、运动前后的变化等信息。
第四章应用场景1. 身份验证：人体步态识别技术可以用于身份认证，可以取代传统的密码、密码锁等安全验证方式。
通过持续测量行走者的步态变化，可以验证行走者的身份，确保安全性。
2. 医疗监测：人体步态识别技术可以用于医疗监测。
通过测量行走者的步态变化，可以识别患者的运动状态和行走能力，并据此制定针对性的康复计划。
3. 安防监控：人体步态识别技术可以用于安防监控。
通过识别行走者的步态变化，可以判断人员是否已经离开、是否有可疑行为，确保安全性。
4. 体育运动：人体步态识别技术可以用于体育运动。
通过测量步态变化，可以分析运动员的运动状态、姿势等，帮助运动员进行训练和比赛。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人工智能在多个领域的应用愈发广泛，其中人脸识别技术以其便捷性和准确性得到了极大的关注。
近年来，基于深度学习的人脸识别方法以其独特的优势成为了研究热点。
本文将详细探讨基于深度学习的人脸识别方法的研究现状和未来发展趋势。
二、深度学习在人脸识别中的应用深度学习通过模拟人脑神经网络的工作方式，能够从大量数据中自动提取和学习特征，因此在人脸识别领域具有显著的优势。
在传统的人脸识别方法中，需要手动设计特征提取器，而深度学习可以自动完成这一过程，大大提高了识别的准确性和效率。
三、基于深度学习的人脸识别方法研究现状1. 卷积神经网络（CNN）卷积神经网络是深度学习中应用最广泛的一种网络结构，其在人脸识别领域取得了显著的成果。
通过构建多层卷积层和池化层，CNN能够自动学习和提取人脸特征，从而实现对人脸的有效识别。
2. 深度神经网络（DNN）深度神经网络通过构建多层神经元网络，可以学习和提取更复杂的特征。
在人脸识别中，DNN可以用于学习和提取人脸的深度特征，从而提高识别的准确性。
3. 生成对抗网络（GAN）生成对抗网络是一种无监督学习方法，通过生成器和判别器的对抗过程，可以生成与真实数据相似的假数据。
在人脸识别中，GAN可以用于生成高质量的人脸图像，从而提高识别的准确性。
四、基于深度学习的人脸识别方法研究进展近年来，基于深度学习的人脸识别方法在多个方面取得了显著的进展。
首先，随着计算能力的提高，深度神经网络的规模和复杂度不断提高，使得其能够学习和提取更丰富的特征。
其次，各种新型的网络结构和算法不断涌现，如残差网络（ResNet）、循环神经网络（RNN）等，为提高人脸识别的准确性提供了新的途径。
最后，基于人脸识别的应用场景不断扩大，如门禁系统、移动支付等，进一步推动了该领域的发展。
五、基于深度学习的人脸识别方法的挑战与未来发展趋势尽管基于深度学习的人脸识别方法取得了显著的成果，但仍面临着诸多挑战。
步态分析与识别技术研究
步态分析与识别技术研究近年来，随着科技的发展，步态分析与识别技术在多个领域得到了广泛的应用。
步态分析与识别技术是一种能够通过分析和识别人体的步态特征来识别个体身份或进行行为分析的技术。
它具有非接触、实时性强、不受时间和环境限制等优势，在人身份识别、犯罪侦查、智能安防等领域具有广阔的应用前景。
步态分析与识别技术的研究主要包括以下几个方面。
首先，是步态特征提取技术。
步态特征提取是步态分析与识别的核心环节，准确提取和表征步态特征对于后续的识别和分析至关重要。
步态特征提取技术主要分为两类，一是基于特征点的提取方法，通过提取人体关节位置和运动轨迹等特征点信息来描述步态特征；二是基于图像或视频的提取方法，通过对人体图像或视频进行处理来提取步态特征。
其次，是步态识别算法和模型研究。
步态识别算法和模型的选择对于步态识别的准确性和稳定性具有重要影响。
目前常用的步态识别算法包括传统的统计模型方法、机器学习方法（如SVM、KNN）以及深度学习方法（如卷积神经网络）。
在模型选择上需要综合考虑算法的准确性、计算效率、对数据规模的要求等因素。
第三，是步态识别应用研究。
步态分析与识别技术在实际应用中具有广泛的前景。
一方面，步态分析与识别技术可以应用于人身份识别领域。
通过分析人体步态特征，可以实现身份验证、门禁系统等应用场景。
另一方面，步态分析与识别技术可以应用于行为分析领域。
通过分析人体步态特征，可以实现行人行为检测、异常行为识别等应用。
此外，还有一些相关的研究方向值得探索。
一是多传感器融合的步态分析与识别技术。
通过融合多个传感器，如运动捕捉系统、摄像头等，可以更全面地获取人体步态信息，提高步态识别的准确性和鲁棒性。
二是步态识别技术在健康监测和康复辅助领域的应用。
通过分析人体步态特征，可以实现对老年人、残障人群的日常活动监测和康复辅助。
总之，步态分析与识别技术是一种有广泛应用前景的技术。
步态特征提取、步态识别算法和模型选择以及步态识别应用是步态分析与识别技术研究的核心内容。
《基于静动态特征融合的正面视角步态识别研究》范文
《基于静动态特征融合的正面视角步态识别研究》篇一一、引言步态识别是一种通过分析人的行走方式来识别个体身份的技术。
在众多生物识别技术中，步态识别因其非接触性、远距离识别等优势，逐渐成为研究的热点。
然而，步态识别的准确率受多种因素影响，如视角、光照、衣物等。
特别是在正面视角下，由于缺乏侧向或背向的步态信息，步态识别的难度更大。
因此，本研究旨在通过静动态特征融合的方法，提高正面视角下的步态识别准确率。
二、相关工作在过去的研究中，步态识别的研究主要集中于侧向或背向视角。
这些研究通常利用人体运动的动态信息，如关节角度、步长、步频等。
然而，正面视角下的步态识别研究相对较少。
在正面视角下，由于缺乏侧向或背向的步态信息，需要依靠其他特征进行识别。
近年来，有研究者提出利用人体轮廓、步态周期等静态特征进行正面视角的步态识别，但这些方法的准确率仍有待提高。
因此，本研究旨在结合静动态特征，提高正面视角下步态识别的准确率。
三、方法本研究采用静动态特征融合的方法进行正面视角的步态识别。
首先，我们提取出人体轮廓、步态周期等静态特征。
其次，我们利用人体运动的动态信息，如关节角度、步长、步频等动态特征。
最后，我们将这些静动态特征进行融合，以提高步态识别的准确率。
在特征提取阶段，我们采用了先进的计算机视觉技术，如深度学习、图像处理等。
在特征融合阶段，我们采用了多种融合策略，如加权融合、串联融合等。
此外，我们还采用了多种分类器进行分类，如支持向量机、神经网络等。
四、实验我们在公共数据集上进行了实验，以验证我们的方法的有效性。
实验结果表明，我们的方法在正面视角下的步态识别准确率有了显著提高。
具体来说，我们的方法在静态特征和动态特征的融合下，取得了较高的识别准确率。
此外，我们还对不同融合策略和分类器进行了比较，以找出最佳的实验方案。
五、结果与分析实验结果显示，我们的方法在正面视角下的步态识别准确率有了显著提高。
这主要归功于静动态特征的融合。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于步态的身份识别研究综述张元元;姜树明;魏志强;张建峰;许世杰【摘要】Gait can be captured from a far distance. This paper makes an overview about the origin,history and the state of art of gait recognition. It also summarizes and classifies the existing gait rewgnition algorithms. Moreover, the paper discusses the development tendency of future stucly of gait rewgnition and wnsiders that fasion with other biometrics is the way to make practical use of gait rewgnition teehniques.%步态是远距离情况下能被感知的生物特征。
本文综述了步态识别研究的起源、历史与现状，介绍了现有的步态识别方法并作了分类对比，分析了步态识别未来的发展趋势，指出步态与其他生物特征的融合将是其走向实用的必经之路。
【期刊名称】《山东科学》【年(卷),期】2012(025)003【总页数】6页(P113-118)【关键词】步态特征;身份识别;远距离;特征融合;发展趋势【作者】张元元;姜树明;魏志强;张建峰;许世杰【作者单位】山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014;山东省科学院情报研究所,山东济南250014【正文语种】中文【中图分类】TP391Abstract∶Gait can be captured from a far distance．This paper makes an overview about the origin，history and the state of art of gait recognition．It also summarizes and classifies the existing gait rewgnition algorithms．Moreover，the paper discusses the development tendency of future stucly of gait rewgnition and wnsiders that fasion with other biometrics is the way to make practical use of gait rewgnition teehniques．Key words∶gait feature;identity recognition;long d istance;featurefusion;development tendency近年来，生物特征识别技术的广泛研究和应用，有力地促进了安全防范系统的智能化水平的提高与进步，作为生物特征的一种，步态是指人走路的姿态和方式。
相较于其他生物特征，步态具有其独特优势。
首先，步态不需要被监测人的配合及肢体上的物理接触;其次，步态难以伪装、模仿或隐藏，并具有非侵犯性;此外，步态是远距离情况下唯一可感知的生物特征［1］，可实现低分辨率识别。
基于以上优点，步态可广泛应用于监狱、机场、银行等特殊场所的访问控制和安全鉴定，在智能视觉监控方面也具有潜在的应用价值。
此外，步态还能协助公安机关刑事侦查以及进行特定目标搜寻等。
例如，倘若劫匪在抢劫银行时给自己化妆、戴面具甚至易容，那么监控摄像头就无法拍到他们的面貌，在犯罪现场也可能找不到任何指纹。
即便如此，只要摄像头能拍摄到疑犯的行走姿势，通过步态识别技术就能识别其身份，给警方破案提供重要线索，将犯罪分子绳之以法。
尽管步态有上述诸多优点，但也存在一些固有的不利因素［2］，使其稳定性受到一定影响。
具体表现在以下几个方面:人的步态受体重突变的影响较大，例如背负重物或妇女怀孕后，步态将发生较明显的变化;当人饮酒过量或情绪受到刺激时步态也将发生明显变化;着装不同时的步态也将不同，男性穿正装和休闲装或女性穿高跟鞋和平底鞋时都会呈现出不同的步态。
由此可见，步态具有一定的不稳定因素，但这些缺点都不能掩盖不同人拥有不同步态的事实，但在一定程度上给步态识别技术的研究和实用化增加了难度。
1．1 起源追本溯源，步态识别起源于人们的日常生活经验。
人类自身很善于进行步态识别，在数十米开外就能根据走路姿态辨别出熟人。
关于步态识别的文字记载最早出现在文学作品中，数百年前的文艺复兴时期，英国伟大的剧作家、诗人莎士比亚在《暴风雨》(The Tempest)中写道:最高贵的王后，伟大的朱诺来了，从她的步履上我辨认得出来。
同样，在《第十二夜》(Twelfth Night)中也提到通过步态对朋友进行辨认［3］。
在计算机技术尚未普及时，人们就已经开始着手对步态进行研究。
Murray等［4］从医学角度通过对步态的分析得出结论，人的步态具有周期特性，且不同的人呈现的步态是不同的。
Ralston等［5］尝试从生物力学角度来解释人的步态，他们认为步态是人的众多肌肉和关节的组合运动，可描述成身体结构的函数。
人的身体结构各不相同，该函数涉及数百个参变量，因此可以认为人的步态是唯一的。
Johansson等［6］从心理学的角度也论证了步态识别的合理性。
他们的实验表明，人们可以在黑暗中通过附着于关节上的发光点的运动来辨别熟人的身份。
早期研究表明步态蕴含了人的身份信息，是一种可用于身份识别的生物特征。
1．2 研究现状真正基于计算机技术的自动步态识别研究始于20世纪末期，高速的处理器和大容量的存储设备使得快速处理步态图像序列成为可能。
研究者普遍认为，Niyogi等［7］于1994年提出的“XYT维”步态识别算法拉开了步态识别技术研究的序幕。
得益于2000年HumanID研究计划［8］的提出，步态识别得到了广泛而深入的研究。
数十家研究单位加入了该计划，包括美国马里兰大学、卡内基梅隆大学、南佛罗里达州大学、麻省理工学院以及英国南安普敦大学等。
而后，加拿大、瑞士、日本等国的研究者也相继开展了步态识别研究。
我国步态识别的研究略微滞后于国外。
2001年，以中科院自动化所模式识别国家重点实验室为主要代表的研究队伍开始着手步态识别的研究。
此后，中科院计算所、西北工业大学、浙江大学、山东大学、上海交通大学、北京交通大学、西安电子科技大学、哈尔滨工程大学等多家高等院校和科研院所也陆续开始这项研究。
二十年来，步态识别已经取得了大量探索性的研究成果。
国际主流论文检索机构的检索情况可以大致反应步态识别的研究现状，例如，Web of Science数据库中目前已收录的步态识别论文达到1013篇，EI Compendex数据库中收录的步态识别论文达到1 231篇。
数据库提供的报表还可反应检索的论文按发表年份或作者归属地的分布情况，EI Compendex给出的报表如图1和图2所示。
由图1可见，近年来每年度发表的步态识别论文总体呈增长趋势，表明步态识别研究热度不减。
图2表明发表步态论文最多的三个国家依次是中国、美国和英国，数据表明我国的步态识别研究后来居上，在数量上已超越了美英等发达国家。
此外，国内“万方数据库”中检索到的步态识别学位论文已128篇，其中博士论文23篇，硕士论文105篇。
上述数据一方面说明我国学者在步态识别的研究中活跃程度较高，另一方面还说明在我国步态识别的研究依然是热门课题。
2．1 步态研究的一般过程步态识别研究一般包含以下主要步骤:2．1．1 视频采集一些研究步态识别的主要机构都建立并公开了步态数据库［9］。
国外的加利福尼亚大学圣迭戈分校(UCSD)、卡内基梅隆大学(CMU)、南安普顿大学(SOTON)、南佛罗里达大学(USF)等分别建立了自己的数据库。
国内常用的步态数据库由中科院自动化所创建，包含3个不同规模的数据集，并考虑了多视角、携带物品以及不同行走速度等变化因素。
2．1．2 运动检测运动目标检测是进行自动步态识别的先决条件，唯有准确地检测出目标的运动情况，才可能有针对性地提取对识别有用的步态特征。
运动检测一般包含背景建模与更新、背景减除、前景分割、形态学操作等步骤。
对于背景扰动、光线变化、噪声干扰等复杂情况，需要运用更高级的方法，如光流法等，但会导致过高的计算复杂度。
2．1．3 特征提取特征提取即采取某种形式表示和描述人体的步态特征，包括动态的和静态的。
动态特征是指行人肢体随时间不断变化的运动特征，如关节角度的变化、步行速度、加速度及手臂摆动幅度变化等;静态特征是指人的外貌特征，如人的身高、胖瘦程度、肢体长度和躯干比例等。
一般需要对原始特征进行再处理，可通过特征抽取和选择、投影变换等手段来降低维数，低维特征可直接用于分类判决。
2．1．4 分类判决分类判决即将输入的步态序列赋予某一类别(身份)。
其基本原理是通过计算当前步态序列与数据库中模版的相似度或者距离，根据最大相似度原则或最小距离原则来判定其所属的类别。
分类判决的结果可作为报警系统的触发条件，身份不合法即可报警。
2．2 主要方法总结现有的步态识别方法大体上可分为两个类别:基于模型的方法和非模型的方法［10］。
2．2．1 基于模型的方法基于模型的方法尝试对人体结构或运动方式建模，模型拟合的参数作为步态特征用于识别。
其优点在于模型能较好地还原肢体结构或肢体运动随时间变化的内在规律，对视角因素、物体遮挡等具有较好的鲁棒性。
其缺点是模型的建立和拟合具有较高的计算复杂度，且模型的恢复受运动检测精度的影响较大，一定程度上限制了模型方法的发展。
早期，Nixon等［11］建立了简单的棍棒模型来模拟人的腿部。
后来，他们又使用连接钟摆来模拟人的腿部［12］，用三角函数来描述步行过程中的腿部运动，并提取相应的频率成分或轨迹作为步态特征进行识别。
Zhang等人［13］利用5棒模型对人体进行建模。
类似的，还有Lee的七椭圆模型［14］、Wang等［15］的多连接刚体模型等。
少数人使用了三维模型，Dockstader等［16］提出一种层次结构三维人体骨架模型，实验结果表明算法在两个人的数据库上是有效的。
进一步，Urtasun等人［17］提出了一种包含皮肤的三维结构模型，更逼真地反映人体的结构特点。
现有的基于三维模型的步态识别仅在少数目标上做了测试，其在大规模数据库上的有效性难以评估。