随着科技的进步和时代的发展,人类信息安全面临巨大的挑战,身份识别技术成为研究热点。生物特征识别技术是基于个人独特的生理或行为特征进行自动身份鉴别的技术,是一种相比传统身份认证技术更加可靠、方便的大众化身份识别技术,因为生物特征不会像身份证等持有物那样易被转移或盗用。从视觉监控的观点看,步态识别具有易采集,远距离,非接触,难伪装和非侵入性等优势,因此步态是远距离情况下最具潜力的生物特征。本文主要从前景检测,特征提取,分类识别方面展开研究。本文所做的主要研究工作包括:1.在前景检测方面,以视觉背景提取(Visual Background extractor,ViBe)算法为基础,提出一种改进的抑制邻域更新方法,并且针对不同视角,用改进的ViBe算法结果与二值图像进行融合,实验表明,能够有效去除鬼影和背景噪声。2.针对室内场景阴影问题,提出一种改进的阴影去除算法,根据各个颜色分量值R、G、B所占的比例进行归一化,增加亮度的变化率作为阴影判定条件,并且针对目标整体和目标整体下四分之一区域进行两次去除阴影,实验表明,能够有效地去除阴影。3.特征提取及分类识别方面,对数据库图像序列做周期性等人体步态基本特征参数分析,实验表明侧面步态和正面步态分别采用轮廓外接矩形长宽比和人体下四分之一像素比得出的周期性特征更明显。通过采用自适应归一化方法去除冗余数据,分别利用步态能量图(Gait Engery Image,GEI)和Hu矩提取特征后用k-近邻(k-Nearest Neighbor,kNN)分类器进行分类识别,实验证明,步态能量图提取的特征识别率更高。论文选取CASIA-Dataset-B(正常行走)中0°和90°图像序列进行步态识别研究,实验表明本文算法均能取得较好的结果。