步态识别是依据人行走方式的不同对人的身份进行识别的一种生物特征识别技术。步态识别主要是针对含有人的运动图像序列进行分析处理,它在虚拟现实、视觉监控、感知接口中均有着广泛的应用前景。步态识别主要由三部分构成:步态序列图像预处理、特征提取和分类判别。其中特征提取可以说是重中之重,是识别性能的决定性因素,也是本文的研究重点。步态图像预处理就是从输入序列图像中检测人的运动,主要包括步态序列图像背景建模、前景检测和形态学后处理等工作。步态剪影的有效检测对于特征提取、目标分类等后期处理有非常重要的影响。在特征提取阶段,本文提出了两种有效特征提取方法。第一是基于Radon变换的步态特征提取。根据人体运动特性,结合目标动态参数以及身体结构参数,构造一个周期的特征向量模板。采用主成分分析(PCA)提取特征主向量。第二是基于步态能量图像(GEI)和行列方向结合的二维主成分分析(2D)~2PCA的特征提取。GEI利用加权平均的简单步骤将一周期步态图像合成为一幅图像,这幅图保留了轮廓、频率、相位等步态信息。(2D)~2PCA直接基于图像矩阵,结合行列两个方向的特征主向量,抽取对步态识别贡献最大的特征向量。同一个人的步态在不同视角下存在着较大的差异,因此很有可能在某一个视角下被误识的步态序列在其它视角下能被正确的区分出来。本文采用基于Rank的KNN的融合规则完成多视角在决策层上的信息融合。单一特征表征有其局限性,本文采用基于计分准则实现多特征的信息融合。实验采用包含了124个个体的CASIA步态数据库,从方法的识别性能进行测试评估。实验结果表明,本文提出的方法均对携带物的影响有很好的鲁棒性。基于GEI与(2D)~2pCA的特征提取方法,在多个视角下均有很好的识别效果。信息的有效融合更能提高对目标的识别。