步态识别是一种新兴的生物特征识别技术,其相对于人脸识别与指纹识别等身份识别技术具有识别距离远、难以伪装等优点,在近些年来受到了国内外研究学者的广泛关注。同基于模型法的步态识别相比,非模型法的步态识别构建简单,计算量低,计算效率高,对目标图像质量的要求低。非模型法的步态识别分为类能量图法和视频序列特征法两种。类能量图法将一个周期内的图像序列生成一幅图像,这幅图像通常为步态能量图,当运动对象的衣着、采集设备的角度发生变化时,步态图像的轮廓也随即发生较大的变化,这些变化将对步态识别产生影响。视频序列特征法需要将一个周期内的步态轮廓图按照顺序进行输入,丧失了步态识别的灵活性,且在实际生活中,由于外界因素干扰通常很难取得完整周期内的步态轮廓图。针对以上问题,为了提高跨视角多步行条件的步态识别的准确率,实现步态识别的灵活性,本文结合深度学习的优秀性能,展开了基于深度学习的非模型法步态识别研究,具体工作如下:(1)在步态能量图法中结合深度学习提出了一种基于胶囊网络和反馈权重矩阵的步态识别方法。传统卷积神经网络在池化过程中会产生损失,且无法准确反映步态能量图内部特征属性之间的关系,本文使用胶囊网络,采用向量的方式表示特征,保留了特征属性之间的关系。以往的突出身体不同部位重要性的方法只适合用于静止图像,且突出的部位是固定的,本文采用反馈权重矩阵更新输入图像。在一层胶囊网络,基于卷积层输出的步态特征计算反馈权重的情况下,在CASIA-B的步态能量图数据库和OU-ISIR的步态能量图数据库下进行实验,实验结果表明该方法相较以往方法擅长于提取垂直和平行行走条件下的特征,且在CASIA-B的步态能量图数据库穿着大衣的步行条件下达到61.1%的平均识别准确率,表明该方法擅长于提取穿着大衣步行条件下的步态特征。(2)在视频序列特征法中结合深度学习提出了一种基于集合池化层的步态识别方法。为了实现步态识别的灵活性,采用了集合池化层实现步态轮廓图的无序输入,输入的步态轮廓图可以为不连续的非完整周期的步态轮廓图。为了更好汇聚浅层和深层的集合信息,采用了多层全局管道的方法。将水平金字塔池化进行改进,为步态识别建立一个更具有辨别力的空间。首先对CASIA-B数据库的步态轮廓进行预处理得到归一化图像,然后进行实验,实验结果表明该方法能实现步态识别的灵活性,在输入图像仅为7帧步态轮廓图的情况下达到了80.1%的识别准确率。