步态是指人行走的方式,由于其具有远距离性和难以伪装性,在模式识别领域引起了越来越多的关注。目前,步态识别的主要影响因素包括三类:服饰、携带物和视角。为了解决这三类因素的影响,当前的方法主要分为两类:基于模型的识别方法和基于外观的识别方法。目前的方法已经在单人行走条件下的步态识别中取得了很好的效果。然而,在实际中,步态的存在形式不仅包括单人行走条件下的步态形式,还包括多人行走条件下的步态形式,本文称之为多步态。在多人行走条件下,每个人的步态均会产生一定程度的变化。而且该变化会因参与者的不同而不同。从而使得现有的步态识别方法在多步态中性能急剧下降。为了解决这一问题,本文重点研究了多步态的变化规律,以及如何利用变化规律完成基于多步态的身份识别。本文的主要研究内容如下:1.本文首先总结了传统的单步态识别的框架以及典型的步态识别技术。并分析了这些技术在多步态条件下面临的挑战。为了解决这些挑战,需要设计专门的多步态识别的方法。2.为了解决多人行走条件下步态变化引起的识别困难,本文提出基于隐条件任意域的属性挖掘模型,用该模型自动挖掘出单步态图像序列和多步态图像序列中稳定不变的步态属性。挖掘到的稳定步态属性用于多步态识别。实验结果表明该方法在多步态识别中的精度远远超过了现有的步态识别方法。然而,当多人行走条件下的步态变化较大时,挖掘到的稳定属性可能会数量较少,从而不能充分地反映步态特征。3.为了研究传统的步态识别方法在多步态识别中的效果,本文设计了基于超图分割的步态图像分割方法。首先将图像分成方格单元构建超图顶点,再引入行人检测与跟踪过程的概率值构建超边。当分割出每个参与者的步态图像序列,传统的单人步态识别方法可直接应用。该方法可以尽可能地保留未被遮挡的步态区域。4.超图分割的方法只能尽量保留未被遮挡的区域,对于已经被遮挡的区域则无法修复。为了解决该问题,本文提出了一种高维的基于3D原型修复方法来进行原始步态图像的修补。并进一步采用低秩张量的方法来进行二值图像序列的修补。修补后的步态图像用张量进行表示,并通过聚合能量图完成识别。实验结果表明该方法取得了较高的多步态识别精度,并且对服饰、携带物和视角变化具有较好的鲁棒性。5.多步态识别是在现有的多步态图像序列上完成的识别,本文还研究了如何根据单步态图像合成多步态图像序列。本文提出了基于稀疏编码的多步态合成方法,来实现单人步态到多人步态之间的转换。先对单步态图像序列进行稀疏编码,然后通过核回归来预测多步态的稀疏编码,再将稀疏编码进行解码,进而得到合成后的多步态图像。为了定量地反映多步态合成的效果,本文提出将合成的多步态图像序列用于多步态识别过程,用识别的精度反映合成图像的质量。