在智能监控以及人体行为检测领域,相较于指纹、虹膜等传统的生物特征,步态是在远距离情况下可感知的生物特征,具有非接触性、难以隐藏、不易模仿和伪装、易采集等独特优势,因此对步态识别技术的研究具有一定的实用意义。步态识别由步态视频预处理、步态特征提取及表达和分类识别三部分组成。针对复杂的实际应用场景,为了提取清晰的运动目标轮廓,在研究常用目标检测算法的基础上采用基于混合高斯模型的双差分法来进行运动目标的检测,获取了步态周期和步态能量图;单一步态特征识别的情况下,识别效果会受背包、穿大衣等不利因素的影响,为了降低这些不利因素的影响,将步态能量图作为静态特征,步幅步频作为动态特征,用核主成分分析法结合局部保留投影的降维方法对静态特征进行降维后采用基于匹配层的加法融合算法进行动静态特征融合;最后结合多视角步态网络,运用基于多项式核函数的快速分解正交匹配追踪分类表示算法进行分类识别,来弥补单视角步态识别的不足。通过测试和训练流程得到了分类识别模型,在该识别模型中背包和穿大衣这两种状态下行走时的步态识别率与正常行走状态下的步态识别率接近。仿真结果表明,基于混合高斯模型的双差分法能够实现运动目标的检测并提取了清晰的运动目标轮廓,并且效果明显高于传统的算法;步态的动静态特征融合以及改进的多视角步态网络一定程度上提高了整体的识别率,且识别率不受背包、穿大衣等干扰因素的影响。总的来说相对于已有的经典算法,论文中改进的算法具有一定的优越性而且鲁棒性好。