步态特征作为人类行走的特征,包含了个人大量的独特信息,如身高、身形以及四肢的长短,还有行走时的步频、步幅以及姿态。同时步态信息的采集不需要参与者主动加入,可以实现在不通知参与者的前提下对其身份进行识别和认证。而基于传统的RGB相机的步态分析研究需要进行背景去除等复杂计算,因此本文主要引入一种新型仿生传感器:动态视觉传感器,基于它进行步态分析与研究。与传统RGB相机相比,动态视觉传感器具有低延迟、低功耗、高采样频率以及动态适应范围较广的优点。同时,动态视觉传感器的输出为异步事件序列,描述了传感器视野中像素点亮度的变化情况,只保留亮度发生变化的区域,从而实现自动背景去除的效果,但是现有的基于帧图像的计算机视觉算法无法直接处理事件序列。为了解决这个问题,本文提出了基于卷积神经网络的步态识别模型。通过将动态视觉传感器采集的异步事件流转换为“事件”图片,类似于热力学中的热力图,并应用卷积神经网络构建步态识别模型。同时,针对传感器产生的噪声事件,本文创新地提出利用光流速度的噪声去除算法,区别于其他通过邻域时空事件发生的关系来过滤噪声事件,本文从物理意义的角度分析了噪声事件和有效事件之间的区别,通过计算事件的光流速度来甄别是否是噪声,并设计了相应实验进行验证,通过定性和定量的两个实验证明本文提出的降噪算法优于目前的其他降噪算法。最后为了验证基于卷积神经网络的步态识别模型的性能,本文制作了两个步态事件流数据集:DVS128-GAIT和EV-CASIA-B。DVS128-GAIT在实际环境下采集,EVCASIA-B由公开的步态数据集CASIA-B转换得到。实验证明,本文提出的动态视觉传感器的步态识别模型可以在真实条件下采集的数据集中达到约96%的准确率。而将模型应用于转换得到的数据集验证后,其识别准确率与传统RGB相机效果相近。