近年来,随着信息化和数字化社会的快速发展,许多领域采用生物特征的身份识别技术来保障公共安全及个人。其中人体步态由于可远距离识别、不易伪装、无需配合等特点实现了对目前生物特征识别的进一步完善,在安全领域,人体步态发挥重要的作用。因而,在身份识别研究中,基于人体步态身份识别日益受到关注,并且有越来越多的步行识别算法被提出并得到完善。本文研究了基于人体骨架的跨视角步态识别算法,并从以下几个方面对步行识别算法展研究:(1)改进人体骨架提取算法:本文将人体姿态估计中比较权威,并且常用的Openpose算法应用到步态识别领域中,这个算法的好处就是省去了复杂的步态视频或者步态序列的预处理环节,可以直接通过图片或者实时的提取出来人体骨架特征和关节点信息。针对实验中出现的问题,对Openpose算法进行改进,减少了网络中的参数,并在有关键点标准的LSP数据集上进行验证对比。同时也对步态数据库中的步态序列进行了骨架提取,进行实验对比,修正了之前出现的问题。(2)步态视角的转换:因为步态序列在90°视角拍摄出来的图像特征最明显,最易识别。本文利用可以把与步态视角无关的特征向量转换到指定角度的VTM算法进行步态序列视角的转换,转换成90°视角的图像,并做实验进行实验对比。结果显示转换后各视角下的欧氏距离与90°相比都有所提高。之后利用改进的Openpose算法从步态图片中提取出骨架,并对骨架的关键点进行定位,对关节点坐标进行转换,通过转换后的坐标计算出关节角度,并利用角度随帧的变化确定步态周期,将一个步态周期以角度变化分界点分为四个时期,将步态特征进行细化,作为肢体运动特征。(3)步态特征的分类识别:将BP神经网络基于粒子群算法(PSO)进行了优化,将粒子群优化BP神经网络与小批量随机梯度下降优化的BP神经网络进行分类识别对比,选择更优的分类器。为了提高准确率,本文将提取出来的步态特征基于MIV算法进行筛选,通过实验选择出特征送入网络。通过不同视角下的实验对比发现基于粒子群优化的BP神经网络识别率较小批量随机梯度下降优化的BP神经网络要高,因此选择粒子群优化的BP神经网络作为分类器。最后将选好的分类器在跨视角的不同协变量下进行步态识别,验证实现基于人体骨架的跨视角分类识别的可行性,并与目前现有跨视角的算法进行对比。