步态识别是一种新兴的生物特征识别技术,能够根据人类行走时的特征进行身份识别。与虹膜、指纹、人脸等生物特征识别技术相比,步态识别技术具有唯一性、远距离采集、非接触性和难以隐藏等显著优势,目前已成为身份识别领域的研究热点之一。传统的步态识别方法大致分类两类:基于模型的方法和基于非模型的方法。基于模型的方法是对人体步态序列进行建模;基于非模型的方法以人体整个轮廓为研究对象以进行识别。随着机器学习在各领域的应用,深度学习的方法也逐渐应用到步态识别领域。在步态识别中,特征提取和最后的识别分类是两个关键部分,为了获得较高的步态识别正确率,本文主要做了以下工作:(1)提出一种改进的极限学习机算法。本文根据局部耦合极限学习机(LC-ELM)的结构特点,结合粒子群(PSO)算法的优化策略,提出了一种改进的极限学习机算法——基于粒子群的局部耦合极限学习机(LC-PSO-ELM),该算法采用PSO算法对参数进行优化,减少了随机输入的参数对算法性能的影响,提高了算法的性能。(2)提出一种基于LC-PSO-ELM的步态识别算法。该算法首先采用Gabor滤波器从步态能量图像中提取具有不同方向和不同尺度的步态特征,然后使用线性判别分析(LDA)来解决特征维度过高的问题。最后,采用LC-PSO-ELM对提取的步态特征进行分类。基于CASIA-A和CASIA-B数据集,对所提出的方法与当前其他主流算法的识别精度进行了比较,仿真结果表明,所提出的算法具有良好的性能,在跨视角步态识别方面表现良好。(3)提出一种基于传统步态识别算法与深度学习算法集成的步态识别算法。在传统的步态识别算法中,特征提取和识别一般是分开的,首先要进行步态图像的特征提取,然后进行步态识别。计算复杂度较小,训练时间相对较短,然而识别率有待提高;深度学习算法可以直接对图像进行特征提取和识别,由于要处理的图像数据规模较大且需要训练的参数较多,虽然可以获得较高的识别率,但是训练时间较长。因此,本文提出一种集成的步态识别算法,使提出的LC-PSO-ELM的步态识别算法与深度学习算法PCANET集成,两个算法可以优势互补,取得了较高的识别精度。