步态识别通过行人走路姿势的不同进而确定其身份信息,由于它在远距离情况下仍能进行身份识别,具有非接触性、安全性强和不易伪装等特点,近些年受到越来越多研究人员的关注。目前现有的步态识别方法在正常环境下取得了优异的识别效果,然而,当行人穿衣状态发生改变、训练集视角与测试集视角不一致时,这些方法的识别率会急剧下降。因此,研究一种兼顾准确率、实时性和鲁棒性的步态识别方法具有重要意义。本文的主要研究内容如下:1.提出了一种基于单深度网络迁移特征的步态识别方法。本文针对人体步态识别,首先设计了一种人体区域划分方式,从整个行人步态图像中划分出手臂区域和腿部区域,突显行人个体的差异性区域。然后使用经过参数微调后的预训练深度网络模型Dense Net201提取整个人体区域、手臂区域、腿部区域三个划分区域的深度迁移特征,并对各划分区域的深度迁移特征做加和平均融合处理,从而获得了更具鉴别性的表示特征。最后,采用判别分析分类器对融合后的深度迁移特征进行分类识别。经过在中国科学院自动化研究所采集的CASIA-B步态数据库上进行实验证明,手臂区域和腿部区域的划分对于步态识别率的提升效果明显,并且利用深度迁移网络对行人步态图像提取的特征具有良好的表征性能。2.提出了一种基于多深度网络迁移特征融合的集成步态识别方法。考虑到单一的深度迁移特征无法完全表征行人步态运动信息,因此,选取Dense Net201、Goog Le Net、Inception-Res Net-v2三种迁移网络模型分别对划分出的人体各部分区域进行深度特征提取。将同一种迁移网络模型提取的整个人体部分、手臂部分、腿部部分三个划分区域的特征做加和平均融合,然后对三种迁移网络模型提取的特征做串行融合处理。最后将两次融合后的特征输入到构建的基于Bagging策略的集成分类算法中进行概率分数预测。提出的算法经过中国科学院自动化研究所采集的CASIA-B步态数据库的大量实验验证,不仅证实了多种深度网络的融合特征要比单个深度网络迁移特征更具有辨识性,而且反映出集成学习能够综合各个分类器的辨别优势,有效改善分类识别结果,在多种情况下的步态识别率均有一定程度的提升。3.提出了一种基于多视角信息融合的集成步态识别方法。在步态识别的实际应用场景中,视角变化问题是普遍面临的问题,由于训练集视角和测试集视角不一致,其内在特征的差异性会使步态识别率急速下降。为了解决上述问题,本章提出了将多个视角的步态信息进行融合的策略,以此来尽量贴合目标视角的步态信息。通过两个视角下的步态信息融合实验表明,与目标视角最相邻的两个视角,其步态特征信息与目标视角步态特征信息最为相似,为目标视角提供了关键信息。而进一步通过对多个视角下的步态信息融合充分证明了对于视角变化问题的有效性,能够较好的解决视角变化带来的识别率低的问题。4.从工程应用与实际角度出发,利用MATLAB的GUI界面设计开发了一套基于深度迁移学习机制的人体步态特征融合及识别系统。该系统结合人体步态图像的数据预处理表示、多迁移特征提取和分类器模型实现了行人步态的自动识别,对于之后步态识别系统的应用落地提供了经验与思路,使得研究内容更具实际价值。