智能视频监控系统近几年在计算机视觉领域发展迅速,并成为该领域的重要研究方向。生物特征识别技术是指利用人体的固有特征进行身份鉴别的计算机技术,广泛应用于银行、司法等身份鉴别领域。将人体生物特征识别技术应用到智能视频监控系统中,构建自动身份识别及处理系统。应用于智能视频监控中的生物特征识别受光照、环境噪声以及人体运动等因素的干扰,实现起来较基于静态图片的生物特征识别困难。因此,分析、研究智能视频监控系统中对生物特征识别造成干扰的因素具有很大的应用价值。研究智能视频监控系统中的生物特征识别方法是本文的研究重点。本文研究目的是通过对智能视频监控系统中生物特征识别算法进行研究,提升系统中人体身份识别的准确率,为智能视频监控系统的真正应用做出贡献。在监控视频中,生物特征识别具有非接触性和非侵犯性的特点。其中,能够用于身份鉴别的特征有人脸特征、步态特征以及体形体态特征。本文分别对这三种特征进行分析研究,并提出相应的特征识别算法。本文的主要工作有:1、研究人脸识别技术,首先对智能视频监控中获取的人脸图像处理方法进行分析,通过预处理得到利于识别的人脸图像。然后通过对传统的LBP算法进行研究和改进,提出了改进后的LBP人脸识别算法。该方法通过计算区域内的均值和方差,求得该邻域的四值模式。通过实验验证,该算法的识别率较传统LBP算法有所提高、鲁棒特性好。最后将改进的LBP算子应用于人脸识别系统。2、研究步态特征提取方法,提出基于Kinect的步态特征提取方法。运用Kinect能够提取三种步态特征,分别是:双腿关节点角度信息、行走时的步幅特征以及三维人体轮廓描述子。介绍了Kinect的深度获取以及骨骼获取原理,并通过Kinect的坐标空间转换得到三维人体轮廓。最后采用最近邻分类器和k-近邻分类器进行实验,实验表明文中提出的基于Kinect的步态识别方法有效,识别率达到84%。3、尝试性的提出体态识别方法,分析体态特征用于身份鉴别的理论依据以及限制条件。定义人体体态特征,然后使用Kinect的骨骼跟踪功能对人体体态特征进行提取。最后分别使用标准欧式距离分类器、方差倒数加权欧式距离分类器以及决策树分类方法进行实验,表明该人体体态识别方法有效,最高识别率达到87%。