随着人工智能的发展,基于人脸、虹膜等生物特征识别技术得到了广泛的应用,其简单快捷的特性使其成为人们日常生活的一部分。其中,步态识别是一种根据人的行走姿态来判别不同个体的生物识别技术。步态因为其行为特征形成的因素相对复杂,导致难以被模仿,另外,由于其也可以被远距离识别,因此成为了近几年的研究热点。本文主要针对在衣着与携带背包的遮挡下步态识别率较低的问题进行研究。具体而言,本文的主要研究内容总结如下:一方面,通过结合残差网络与多级分块结构去提升步态识别效果。首先在水平方向上对步态能量图进行不同尺度的多级分块,以提取不同区域的细粒度特征,减少局部遮挡对于其他区域的影响,同时为了更好地学习在步态中运动频率最高区域的特征,在腿部加入Inception模块;其次结合交叉熵损失、三元组损失、L2正则化对残差网络的权值进行约束,以提升网络模型的训练速度和识别精度。另一方面,为了进一步提高在遮挡情况下的步态识别效果,对步态的局部特征进行分析。通过选择不同大小、不同位置的局部特征进行测试,得到步态在携带背包和穿着大衣的情况下,其头部和下半身的区域受到的影响最小,因此为了在结合全局特征的同时兼顾局部特征,提出了双流残差网络的步态识别方法,一条支路提取全局特征,另一条支路以选择的头部和腿部区域作为局部特征,并在该支路中加入CBAM注意力机制以提升特征提取能力。综上所述,在公开的步态数据集CASIA-B和OU-ISIR Treadmill B上进行实验,实验结果表明,两种方法都能提升在携带背包与穿着大衣的步态识别效果。其中提取全局特征的方法在携带背包的条件下有更高的识别效果,结合局部与全局特征的方法在穿着大衣的条件下有更高识别效果。说明结合局部与全局特征对于抗携带有更高的鲁棒性。