步态识别致力于通过行走姿态识别个体。与其他生物特征(例如人脸、瞳孔、指纹等)相比其优势在于远距离获取、非接触性和难于伪装等方面,因此在智能监控和人体行为分析方面有很大的潜在应用。步态识别是一个多学科交融的研究领域,研究涉及运动分割、特征提取、特征处理、模式分类和步态数据库等内容。为了提高识别率,满足步态识别对实时性的要求,从图像处理和模式识别两个方面对步态识别进行了探索和研究。主要工作和成果如下：为了提高步态特征数据的精确性,提出一种基于步态能量图的人体轮廓抗噪处理方法,通过对步态能量图做阈值过滤获得人体轮廓的主要部分,弥补单帧人体轮廓存在的图像缺失。为了解决当前特征处理方法计算复杂度高且可能无解的问题,提出使用权重向量显性描述步态特征各元素的贡献度。随着样本数量的不断增加,权重向量可以动态调整逐步更精确的提取类别中相对稳定的特征,从而预期对未来的测试样本达到最好的识别率。提出基于加权质量向量的步态识别方法,对初步提取的人体轮廓增加抗噪处理过程,提取人体轮廓的质量向量为步态特征,将权重向量引入到传统的归一化欧氏距离法进行相似度衡量,最后使用最近邻方法分类识别。采用中国科学院自动化研究所提供的CASIA步态数据库进行实验,将权重向量特征处理方法和传统特征处理方法进行比较,并对有无权重向量和有无抗噪处理过程的实验结果做出比较。实验结果表明,人体轮廓抗噪处理方法提高了步态特征数据的精确性,基于权重向量的特征处理方法实时性高、分类效果明显,在0°视角和45°视角的识别率分别达到98.75%和97.5%。