近年来,视频监控广泛地运用在交通、军事、城市建设、安全等领域,其重要性越来越不可忽视。行人的步态识别已经成为在视频监控领域中一个重要的研究方向。从行人步态的图像视频中提取行人区域是行人步态识别的一个重要环节,也是最苛刻的计算机视觉任务之一。目前针对行人步态分割的研究较少,行人重识别、步态识别等计算机视觉任务中采用的数据集大多是手工标注的数据或者是实例分割的分割结果。其中手工标注的数据需要耗费大量的精力,而现有的语义/实例分割方法对行人步态分割的结果对行人的腿部分割效果还不够精细。当前实例分割方法应用在行人步态方面的效果尚存在两个主要问题:一是当行人站立时,双腿间的“0”型形状难以分割出来;第二是行走时分割得到的双腿间的轮廓和实际腿部边缘有较大距离。从步态识别的角度来看,精细的腿部分割是准确识别的前提。针对上述问题,本文致力于提高行人步态分割的精细度。选取当前实例分割效果较好的网络为benchmark,进行两个创新点改进:本文延续Mask Scoring RCNN的工作,并将其分割结果作为我们的基线进行对比,在此基础上,本文首先对该分割网络的主干网络ResNet最后一个block截去,替换为本文提出的空洞卷积残差块,通过提高深层网络的感受野来获得更多的行人信息以供后续网络训练。此外,本论文还设计了一个边缘检测模块,通过该边缘检测模块促进步态边缘轮廓向步态的真实边缘靠近从而提高步态边缘的精细度。在实验部分,本文主要采用了AP值作为评价指标。实验结果证明了本文工作的有效性:在行人步态分割的效果上,提出的空洞卷积残差块使步态分割的效果提升了0.4%。而边缘检测模块的添加,使得行人步态分割的效果提升了5.4%。本文提出的步态分割算法提升了步态识别的准确率,与已有的实例分割算法相比,提升了2.23%。