步态识别是近年来计算机视觉和生物特征识别领域一个备受关注的研究方向,它旨在根据人们走路的姿势进行身份识别或生理、病理及心理特征的检测。与其他生物特征识别技术,比如指纹、虹膜和人脸等相比,步态是人的外在的、动态的表现,且和步行运动的时空信息密切联系。同时,与基于静态特征的其他生物认证技术相比,步态是远距离下唯一可以感知的生物特征,而且还具有非侵犯性、清晰度要求低和难以隐藏等优点,是现代智能监控系统领域备受关注的生物特征识别技术之一。步态识别是针对摄像机拍摄的人体行走运动的视频图像进行分析,其关键是提取出合适的静态或动态的步态特征及其组合来描述人体行走特性,导出步态标签并结合分类器进行识别,融合了计算机视觉、视频／图像处理和模式识别等领域的多种技术。鉴于步态识别技术具有重要的理论研究意义和实际应用价值,本文对其进行了深入的探讨,并基于确定学习理论,在前人工作的基础上从事了以下的研究和创新：1、提出一个新的基于模型的人体步态识别方法。该方法分为两个阶段：训练阶段和测试阶段。在训练阶段,首先通过图像处理技术从人体行走运动的图像序列中提取出侧影下肢关节角度和角速度数据。基于“人体下肢关节角度及关节运动中包含了大量对识别有用的动态特征”的观点,将获取的人体侧影下肢关节角度和角速度的时变数据作为步态特征。通过一个五连杆双足模型验证包含侧影下肢关节角度和角速度的系统函数代表了步态系统的动力学特性,并根据人体步态的类周期和对称特性,将人体步态的动力学简化为由身体一侧的关节角度和角速度来表征,降低了特征维数。进而导出沿着关节角度和角速度相空间轨迹的步态系统动力学作为步态标签。通过确定学习理论,利用径向基函数(Radial Basis Function, RBF)神经网络实现了对步态系统动态的局部准确的辨识,并将学习到的知识以常值RBF神经网络权值的形式保存起来。这样时变的步态动态模式就可以由系统动态的局部准确的神经网络逼近来表示,并且这种表示方式是时不变的。利用常值RBF神经网络构造了一组动态估计器来表征训练模式。在测试阶段,将测试步态模式与这组估计器进行比较,产生一组L1范数形式的识别误差,将其作为衡量训练步态模式和测试步态模式之间相似性的标准,依据最小误差原则将测试步态模式快速识别出来。2、提出一个基于动力学占优特性的步态识别方法。基于五连杆双足模型,在利用RBF神经网络逼近步态系统占优动态时,神经网络的输入信号可只选择为侧影下肢关节角度,无须用到关节角速度数据。我们选择侧影下肢关节角度作为步态特征,一方面降低了特征维数,另一方面也避免了使用高增益观测器来估计关节角速度所带来的观测误差。结合Labview软件和曙光服务器等硬件建立了步态识别系统原型机,利用Labview软件的并行编程模式和曙光服务器的多核CPU,提升了多模式下步态识别的速度,实现了步态的快速识别,以期使系统更贴近于实际应用的要求。3、融合了步态图像轮廓质心高度这一静态特征和侧影下肢关节角度这一动态特征,将二者组成一个新的步态特征矢量,寻求克服单一采用静态或动态特征进行识别存在的问题。利用RBF神经网络去逼近由这个新的特征矢量所表征的步态系统动态,并将学习到的知识以常值神经网络权值形式存储起来。同时选取沿着关节角度-轮廓质心高度相空间轨迹的步态系统动力学作为步态标签,并将其用于后续的步态识别。在测试阶段,利用先前存储的常值神经网络构造了一组动态估计器来表征训练模式,将测试模式与这组动态估计器做差,生成一组动态估计误差,利用最小误差原则将测试模式快速识别出来。为了验证所提出的步态识别算法的有效性,在中国科学院自动化研究所的CASIA步态数据库上进行了大量的实验。实验结果表明,论文所提出的步态识别算法具有较高的识别率。