近年来,随着人工智能技术的不断发展,智能安防被广泛的应用到实际生活中,为平安城市提供保证,保障人民的安全。如今,城市中各个重要位置均安装有摄像头,一个庞大的天网时刻预防、打击犯罪活动。依靠视频监控对行人轨迹进行描述和对特定人员进行检索成为重要的任务。这其中步态识别便是关键技术之一。步态识别通过人的走路姿态和体型进行身份识别,是重要且稳定的生物特征识别技术,该研究有极高的应用价值。基于深度学习的步态识别研究取得了较大的进展,同时多个公共步态数据集的建立也为算法的评估提供平台。然而,当前步态识别的研究工作仍存在一定问题。首先,主流的步态数据集均在无背景干扰的室内采集,志愿者按固定路径行走进行拍摄。使用背景差分法或帧差法对视频图像进行处理得到行人轮廓图。这种模拟场景下的数据及轮廓提取方法与真实场景存在巨大差异,使得研究与实际应用有较大鸿沟。其次,当前的步态识别工作多采用浅层网络进行研究。尽管浅层网络能关注到局部特征且不易发生过拟合现象,但其有限的学习能力及全局特征的缺失导致识别性能较低。随着计算机视觉通用网络的不断改进,如何使用更深的网络来提升步态识别的准确率成为当务之急。最后,步态识别任务中存在跨视角识别的难点。对于同一行人,轮廓和行走轨迹随拍摄视角变化而改变明显,导致跨视角匹配的准确率相较于同视角匹配降低较大。针对上述步态识别研究中存在的问题,论文做了以下工作:1.设计了一个针对监控场景的步态轮廓图提取方法,并构建监控场景步态识别数据集。首先提出一个对监控场景中环境复杂、光照条件变化有很好鲁棒性的步态轮廓图提取方法。此方法包含检测模块、追踪模块、轮廓提取模块。针对视频图像中行人分辨率占比较小的问题,论文增加检测网络特征图尺寸,调整初始化参数。针对追踪模块提出了一个强特征追踪器。最后结合轮廓提取模块,建立了一个校园监控步态数据集,以评估步态识别算法的性能,搭建步态识别研究与应用间的桥梁。2.提出了一个多尺度步态识别网络,选取合适的骨架网络,融合步态能量图的全局特征和局部特征,为步态识别任务提取更有辨别力的特征。整个网络结合Arcface损失函数和难样本三元损失函数进行学习。在多损失函数的监督下,训练一个端到端的多尺度识别网络。实验证明,Arcface损失函数配合难样本三元损失函数可以最大程度的提升网络对步态特征的辨别能力。网络中全局特征和局部特征在一定程度上进行互补,融合后的特征有更强的辨别力。3.实现了一种基于生成对抗网络的跨视角步态识别方法。在步态识别任务中,跨视角识别是最具挑战性的任务。同一行人不同视角下拍摄的轮廓图存在明显差异。本文设计了一个对抗网络结构并加入三元身份损失,将不同视角下的步态能量图转化成固定视角下的步态能量图,同时保留行人身份信息。实验证明生成图像的特征可辅助原始图像得到更高准确率的识别结果。