随着科技、经济的快速发展,信息安全领域受到了极大的关注,身份识别认证的地位越来越重要,而传统的认证方式安全系数越来越低。体态特征即人体本身存在的、具有个体差异性的特征显得尤为重要,其中人体运动中的步态特征以它能够远距离观测、非接触识别并具有难以伪装的特点,有着极大的应用前景。本文分析侧面视角下人体的一维运动曲线来进行步态识别,综合考虑前景和背景颜色对比度较低的情况,对人体检测、特征提取(包括步态曲线)及分类方法展开了研.究。本文所做的研究工作包括:1.人体检测。分析所选数据库图像的特点,采用中值法对背景建模。由于图像存在人体和背景颜色对比度较低的情况,导致更新的背景上残留有大量前景像素,使背景差分得到的前景图像存在大量的空洞。因此,在混合颜色空间的基础上,提出了一种改进的背景模型更新方法,使更新的背景更接近真实背景。进而,为削弱光照突变对人体检测的影响,提出了自适应亮度调整的算法,能够有效地处理由于光照变化引起的噪声干扰。此外,在对人体图像进行二值化处理时,采用最大类间方差算法获得阈值,提高了算法的效率。2.步态曲线提取。由于人体行走的步态循环变化,呈现周期性的特征,因此对其周期性进行了分析,并对图像做了归一化处理。为了分析人体的步态特征,将检测得到的二值化人体区域骨架化,并标注出人体运动关键节点。对不同的骨架化算法进行了比较分析,给出一种改进的ZS(Zhang and Suen)细化算法,使得到的骨架信息更接近于人体区域的中轴线。提取出关键节点的轨迹,根据轨迹特征采用不同的方法进行曲线拟合,得到更接近步态轨迹的模型。3.特征提取及分类。分析了曲线特征,构建了步态分类的特征向量。利用k-近邻(k-Nearest Neighbor,kNN)分类器比较了不同人和同一人不同序列的特征向量的相似性,验证了该特征向量能够有效地用于步态识别,通过比较k取不同值时的正确识别率来选取合适的k值。论文选取CASIA-Dataset-A侧面视角下的图像序列进行步态识别,实验结果表明本文所使用算法均能取得较好的结果。