本文通过将一种新颖的步态时空表示方法与两种改进的特征提取方法结合,利用步态进行身份识别,显著提高了识别效果。首先,本文介绍了一种新颖的步态时空表示方法—步态能量图像。该步态时空表示方法利用一幅图像不仅保留了人行走时的运动信息,还保留了步态的时间信息,并且相比于其它步态表示方法,它显著减少了数据存储空间,提高了步态识别系统的实时性,为基于步态识别的身份认证提供了广阔的商用空间。另外,步态能量图像对噪声不敏感,有利于真实环境下的步态识别。然后,本文将步态能量图与两种改进的图像特征提取方法结合。其一,本文提取步态能量图改进的相位一致性特征。该特征是全局特征,保留了图像的全局信息。该改进的相位一致性算法采用改进的局部能量计算方法与频率扩展和噪声补偿策略,提取的步态特征更具识别性和定位性。然而,步态能量图的全局特征有其局限性,如不能很好地反映特征的空间分布信息。其二,为了克服步态能量图相位一致性特征存在的局限性,本文将其与改进的步态能量图像空间金字塔SURF特征进行级联融合,如此,既保留了步态能量图像的全局特征,也保留了步态能量图像的特征空间分布信息。本文将改进的网格加权算法偏最小二乘空间金字塔表示PlsSPR应用于步态能量图像空间金字塔,进行空间金字塔加权特征融合。本文提取步态能量图像各级空间金字塔各网格加速鲁棒特征SURF,该步态特征能够很好地反映特征的空间分布信息。最后,由于融合后的步态特征存在严重的冗余,并且现存的步态数据库相对较小,而本文提取的步态特征维数巨大,为了避免小样本问题和降低数据冗余,避免维度灾难,提高处理速度,本文采用改进的二阶段PCA-LDA对步态特征进行降维以生成最佳特征。为了考察本文所提出的步态识别方法的识别效果,本文采用一种新颖的相似度度量方法—ZCA白化余弦距离,利用最近邻分类器,在大规模标准步态数据库CASIA DatasetB和USF步态数据上对步态模式进行判别归类。实验结果表明,本文方法在识别正确率和鲁棒性方面显著优于其他步态识别方法。