现今,生物特征识别技术在个人身份鉴定系统中扮演着重要的角色,但是也存在许多问题。例如,人脸识别易受光照、化妆、年龄和距离等因素的影响,指纹很容易被伪造。步态识别是通过人的走路姿态对身份进行鉴定,步态特征具有远距离性、非接触性和不易伪装性等特点,可以克服人脸和指纹特征的不足。但是,步态识别易受衣着、背包和视角等协变量的影响。针对降低协变量对步态识别的影响,本文对步态识别算法展开深入研究,主要内容如下:1、步态图像预处理。分析帧间差分法、背景减除法和光流法等算法的优缺点,选取背景减除法从步态视频图像序列中提取步态轮廓图并进行图像预处理。采用步态轮廓图的宽度与高度之比的变化来检测步态周期,从而计算出步态能量图。2、选取最优网络模型。针对步态数据集CASIA-B选取LeNet网络模型进行分析参数初始化方式、激活函数和卷积核大小对网络模型性能的影响。通过实验证明,当选取标准正态分布为参数初始化方式,ReLU为激活函数,卷积核大小为5×5时,使得网络模型的性能更好。在相同的参数初始化和激活函数条件下,LeNet相比AlexNet的收敛速度更快而且识别率高。对于残差网络模型不仅可以加快网络收敛速度,而且可以提高识别率,因此把残差网络的思想结合到LeNet网络模型中对LeNet网络模型进行改进。3、验证改进的LeNet网络模型的性能。在相同行走状态下的实验,改进的LeNet网络模型对于正常、背包和穿大衣行走状态下识别率分别提高0.3%,0.5%,0.8%;在跨视角下的实验,改进的LeNet网络模型对于正常、背包和穿大衣行走状态下识别率分别平均提高4%,2.415%,6.245%;在相同视角下的实验,改进的LeNet网络模型对于正常、穿大衣行走状态下识别率分别提高0.27%,2.95%。因此,改进的LeNet网络模型使得网络收敛更快,并识别率在一定程度上有所提高。