随着科技水平的发展提高,生物识别技术的应用场景变的更广泛,步态识别是生物识别的一种,其可以实现远距离、非接触性识别。与其他生物识别技术相比,如人脸、指纹等,这一技术对于视频图像的质量要求低,模糊的图像也可以提取出完整的步态信息,并准确的识别出行人身份。从视频采集、非接触性、远距离等因素综合考虑,步态识别的研究具有实际应用价值。步态识别的主要研究目标就是通过步态视频序列完成人物身份识别,针对目前存在的单一特征识别准确率低的问题,本文提出一种将静态特征和动态特征进行加权融合的多特征步态识别算法。这一算法可以排除视角变化、光照变化等因素的干扰,达到预期的识别效果。本文的主要研究内容如下:首先,对步态视频进行帧切割,将视频变为一帧帧的图像,然后进行灰度化处理,使用背景减除法实现运动目标检测去除背景带来的干扰,接下来归一化处理得到标准形式的图像序列。步态运动是一种“类周期性”运动,本文通过人像宽高比的变化,检测出步态周期。其次,针对处理得到的多角度的、周期性的步态图像进行特征提取。人行走是一个复杂度高、信息量大的过程,人们通常采用可以完整地表达步态的时序信息的步态能量图和可以描述双腿的动态变化规律的行走时的角度值来描述步态特征,并基于上述一种或两种特征进行特征识别。由此可知:传统算法使用的特征比较单一,识别精度很难保证。于是,本文在步态能量图和行走时的角度值特征基础上又提出两个新的特征“最大角度值与周期值的比值”和“感兴趣区域的宽高比”。采用双腿间最大角度值与运动周期值的比值可以避免偶然因素的干扰,而感兴趣区域的宽高比,既可以计算运动周期信息又可以提取步态特征。接下来,利用加权特征融合理论,将上述四个特征进行融合形成一个新的融合特征,改善单一特征信息不全面的问题。最后,将融合特征输入到支持向量机中,使用中科院的CASIA-B数据库展开模型训练、测试。实验结果表明,本文的方法具有可行性,步态识别准确率得到了提升,动静态多特征的融合是一种高效的特征提取方法,各特征之间实现了优势互补。