步态识别是一种根据行人运动风格对其进行身份识别的新兴生物识别技术。它具有远距离、非接触、难以隐藏和不易伪装等特性,这些特性使其在安全监控和信息智能化领域取得重要应用,并且在身份认证领域具有不可替代性。论文使用深度学习方法对步态识别展开研究,主要工作如下:(1)针对步态视频中的噪声和背景等会对神经网络的训练结果造成干扰的问题,论文提取运动过程的步态高斯图(Gait Gaussian Image,GGI)作为训练集。首先,采用混合高斯模型对人体运动的背景进行建模,并通过背景减除法提取运动目标;然后,针对目标图像中含有噪声及不连通等问题,对其进行形态学处理;最后,根据运动过程中步态轮廓高度与宽度比值随时间的变化规律来检测步态周期,对步态轮廓图像进行归一化处理,并在一个周期内对归一化处理后的图像加权平均得到步态高斯图。(2)针对基于卷积神经网络的步态识别中,模型的训练需要大量的样本及较长时间的问题,使用基于扩增样本信息的步态识别方法。该方法对原始步态高斯图添加高斯噪声和椒盐噪声扩增样本集的信息;然后,采用迁移学习的方式减少模型的训练时间。实验结果表明,论文提出的样本集扩增方法在对样本集扩充的基础上有效地提升了模型的识别率,迁移学习的训练方式也缩短了模型的收敛时间。(3)针对同类别样本之间差异性较大,不同类别样本之间差异性小的问题,提出了一种改进的Siamese结构的神经网络模型;并设计了一种全批量的训练集构建方法克服人工标注样本对存在错误和不均衡等问题。首先,通过结合交叉熵损失和对比损失函数优化网络参数,使用交叉熵损失约束不同类别之间的语义距离,用对比损失函数约束样本之间的相互性关系,增大类间距离的同时减小类内距离;其次,将批量内任意两个样本作为样本对构建训练集,充分利用了批量内所有样本之间的相似性信息。实验结果表明,该方法可以减小类内方差同时扩大类间方差,并且在行人穿大衣或背包状态下依然具有较好的识别性能。