步态是在远距离下,在人没有觉察的情况下就可以捕捉到动态以及静态信息,步态识别是最有潜力的生物特征识别技术之一,是智能监控系统中不可或缺的组成部分。本文首先分析了步态识别相关技术的研究现状,指出任意行走方向的步态周期检测尚未存在有效方法;背包的步态识别问题有待于解决;寻找有效的步态特征,提高步态识别性能是步态识别永远不变的主题。本文主要对基于人体运动分析的步态识别算法展开深入地研究,重点研究步态的周期检测、步态的特征表达以及提取。将步态的周期问题转化为序列中单帧图像的区域特征分析问题,即根据每帧中图形区域的特征变化情况来分析步态的周期,提出了一类基于区域特征分析的步态周期检测方法。首先对视频序列正面和非正面步态粗分类,针对于正面步态采用下臂摇摆区域作为判定周期的依据;针对于非正面步态,采用面积、质心、矩、极点和边界框等区域特征作为判定依据。所提出的方法不但计算量小,而且已经达到人主观判断的精度。特别是基于拟合椭圆的方法,对噪声的鲁棒性较强,而且具有尺度、平移不变性,所以它可以在预处理的标准中心化之前进行,这样大大地缩短了步态识别工作前期处理的时间。由于行走过程中两帧之间的特征只与它前一帧的特征和后一帧的特征有关系,提出基于线性插值的矩阵步态识别算法框架,并以投影特征、Hough变换特征、Trace变换特征和Fan-Beam映射特征加以实例化来验证该框架的有效性,提出的框架给步态识别问题带来了新的解决思路。这种基于线性插值的矩阵步态识别特征本质上是有别于步态能量图像的另一种权值不同的能量形式。由于背包对步态识别的性能影响很大,它只改变局部步态的形状,提出分块矩阵的步态识别算法,自适应地去掉对分类无用的子块,对有效子块分别采用所提出的基于子模式的完全二维主成分分析、基于子模式的完全二维线性判别主成分分析、基于子模式的完全二维局部保留主成分分析算法提取局部特征,实验表明基于子模式的完全二维局部保留主成分分析算法对携带物品变化的步态识别具有最好的识别性能。提出基于线性插值的张量步态识别,首先将一个周期的步态的帧数归一到一定数目,那么单个的步态样本表现成张量的形式,采用多重线性主成分分析来提取特征,对于所提取的特征采用两种张量向量化方法,分别基于方差信息和基于类判别信息。提出多重线性主成分分析结合正交线性判别分析的步态识别算法,为了进一步减小计算量,采用分块多重线性主成分分析结合正交线性判别分析策略,对来自于不同的子块赋予一个权值,这个权值体现了各个子块具有类判别信息的重要程度。在CASIA(B)步态数据库上获得99.46%的识别精度。