现代社会的快速发展对人体身份识别提出了更高的要求,传统的生物识别特征容易受到识别距离、配合接触性等因素的影响,极大地限制了应用场景的推广。人体步态作为一种新型生物识别特征,具有伪装难度大、作用距离远、无需配合接触等优势,能够很好地弥补现有生物识别技术的不足。然而现有的步态识别算法大多采用基于轮廓匹配的方法,容易受到观测角度、人体携带物等因素的影响,导致算法鲁棒性不强。基于上述问题,本文采用了基于关节点定位的策略搭建神经网络,实现步态特征的提取和分类。本文首先介绍了步态识别算法的基本原理,分别对关节点定位方法和步态特征提取方法进行了研究分析。针对基于关节点定位的步态识别任务,本文使用两阶段的方法进行实现,即首先使用关节点定位网络获取输入步态序列中的关节点信息,随后再将提取到的关节点信息送入步态识别网络进行特征提取和分类。在关节点定位算法中,通过对比分析自下而上和自上而下两种实现方法的优缺点,选择了自上而下方法中的HRNet作为第一阶段的关节点定位网络。其次,针对基于轮廓匹配的算法鲁棒性较差的问题,本文提出了一种时空特征融合网络,在输入步态序列通过关节点定位网络获得关节点信息后,将其送入并行的Res Net和LSTM网络分别进行空间和时序特征提取。之后将提取出的特征通过全连接层进行特征融合,聚合成具有良好识别能力的一维向量,并通过判别器输出分类结果。实验结果表明,该网络能够实现有效的时空特征融合提取,拥有较好的识别性能和鲁棒性,同时具备一定的泛化能力。最后,考虑到人体关节点特征的图结构性质,单纯地使用卷积神经网络难以准确地提取出人体关节点信息中隐藏的非欧式特征,本文设计了一种图卷积网络实现对人体关节点的特征提取,同时通过使用多分支特征融合的方式丰富关节点特征表达。为了避免产生梯度消失和梯度爆炸现象,本文通过引入残差结构搭建了残差图卷积网络;同时在图卷积模块中使用瓶颈结构减少网络参数,实现了模型的快速训练。实验结果表明,该网络具有较好的泛化能力,能够显著抵御实际应用场景下复杂外界因素的干扰,实现有效的步态特征提取和识别,在当前的步态识别算法中具有较高水平的鲁棒性和识别性能。