步态识别技术作为一种前沿的生物特征识别方法,利用人们的行走状态实现对行人身份的识别,不需要被检测对象的配合,具有远距离识别的潜能。随着智能视频监控的发展,步态识别的应用场景十分广阔。步态识别利用视频序列数据远距离识别人的身份信息,而视频序列数据会受限于帧率问题,这会直接影响识别模型的性能。现有大部分步态识别方法预先进行适当的数据预处理操作,步态序列的质量和连续性都会受到一定的影响,分割质量差的步态轮廓序列图往往被丢掉来减少潜在的噪音。本文基于生成对抗网络,对步态识别跨视角问题中低帧率情况进行深入研究,通过一系列实验证明了我们方法的有效性,提高了步态识别的准确率。研究取得的创新成果如下:1.提出一种基于生成对抗网络增加步态帧率的算法。该方法的生成对抗网络由一个生成器和一个判别器组成,为了稳定生成对抗网络的训练,引入了Wasserstein Generative Adversarial Networks(WGAN)网络结构。通过生成器和判别器的博弈学习产生高质量的步态帧序列,实现对原始步态轮廓序列的插帧操作,丰富了步态序列信息,提高了步态识别的准确率。2.提出一种在步态分类识别网络引入阈值比例损失函数的算法。本研究的基准分类识别网络的损失函数无法有效的对样本进行分类,受度量学习的启发,其使得不同类的样本距离大而相同类的样本距离小,因此引入阈值比例损失函数,进一步提高了分类识别准确率。为了验证我们方法的有效性,本研究在常用的CASIA-B数据集和OU-ISIR数据集上做实验,并且与其它主流算法作比较。实验结果表明以上两种算法相比基准有明显的结果提升。