步态识别是一种新兴的生物特征识别技术,近些年来,在计算机视觉与生物特征识别领域中备受瞩目。它旨在根据人们走路的姿势进行身份认证或识别。由于每个人的生理条件(包括骨骼密度,重心等)、视觉的灵敏程度及协调能力都存在着差异,因此步态识别具有个体唯一性,这是步态识别能够实现的理论依据。与传统的生物特征识别技术(例如指纹,掌纹等)相比,步态识别的优势在于远距离、非接触性、不易隐藏,难于模仿与伪装等。步态识别作为模式识别领域内的一种方法,具有极其重要的实用价值及理论研究意义。虽然步态识别这个课题自提出以来,各方面都得到了很大的进展,然而该技术仍处于初步研究阶段,还有许多待解决的难点,如实际行走过程中会受到行走路面、不同视角、不同服饰和不同携带物等多种因素的综合影响,这使得其识别率在众多影响因素结合的复杂真实环境中仍然较低。针对步态识别技术在实际应用中的难点,通过对步态识别领域内两种特征提取方式的研究,本文提出了基于轮廓与姿态特征融合的步态识别方法,以提高跨视角和跨形态场景下步态识别的准确率为目标,试图解决协变量变化对步态识别性能的影响,使其对于自遮挡、视角、衣着和携带物变化具有较高的鲁棒性。论文首先选取了鲁棒性能较好的步态能量图作为轮廓特征,为解决前馈神经网络结构导致输出特征表现力不足的难题,创新性地提出了三种多分辨率融合的网络框架,通过融合高空间分辨率和丰富的语义特征来全面提高模型的预测能力,并通过性能对比实验,将表现最优的基于全局平均池化控制维度的多分辨率融合网络用于后续的融合实验中,从而为特征融合实验奠定了坚实的框架基础。本论文也在姿态特征提取方面,对骨骼关键点预测网络进行了改进,通过结合人体解析网络PSRNet打造骨骼关键点重定位系统,试图通过将人各个身体部位分段来约束姿势位置的变化,从而为特征融合实验提取了更加准确且鲁棒的姿态特征。实验证明,本文提出的骨骼关键点重定位系统可以很好地对存在较大偏差的关键点位置进行纠正,并能对部分漏检关节进行补充,通过对比实验,本文提出的Pose Relocation的性能要优于目前最先进的独立的骨骼关键点重定位模型Pose Fix及多阶段端到端的骨骼关键点重定位模型CPN。最后,对从步态序列中提取出的轮廓特征和姿态特征分别进行了特征融合与决策融合的研究,通过一系列的对比实验,发现将囊括步态序列动静态信息的步态能量图与可减弱穿搭携带物影响的骨骼关键点时空特征融合,确能提高步态识别的精确率,从而印证了本课题的合理性和有效性。