铁路交通在最近几年里得到了快速发展,无论客运量与客运速度都有了显著的提高。而随着生物技术的不断发展,铁路交通监控也慢慢由模拟监控往智能监控转变。本文研究的重点就是步态识别这一生物特征在铁路交通监控中的应用。基于步态的身份识别技术是近年来出现的一种新型的生物识别技术,其目的是根据人走路的姿态来实现对个体的身份识别。这一技术在很长一段时间里一直是各个领域科学工作者的研究热点。步态识别主要是对人体步行运动序列进行分析,其重点在于提取有效的步态特征和选择合适的分类方法。它融合了运动物体视频序列检测与处理,模式识别等多种技术。本文在对视频图像进行特定的预处理后提出了一种基于Fisher判别法的特征提取方法和改进的最近邻分类器,充分放大了步态特征,大大提高了基于轮廓特征提取的步态识别成功率。本文主要对人体步态的特征提取和识别进行了研究,取得了以下成果：1)研究了基于步态识别的监控系统所用到的基本方法与算法,包括运动目标检测、图像序列编码、特征提取、模式分类与识别等,最后根据识别的对象选择合适的步态数据库。2)研究了步态识别中的预处理过程,处理流程如下：首先利用时间平均图像法建立背景模型,然后使用背景差分法提取人体运动目标轮廓,再对人体区域进行形态学处理以及归一化。3)提出了一种基于Fisher判别法的步态特征提取方法。利用Fisher判别法加权步态特征矩阵使特征更加明显,然后对加权后的特征矩阵进行分析,得到降维后的步态特征。4)本文分类器用到了一种改进的最近邻分类器。常用分类器都忽视了同一类中各个训练样本之间的相似性,以及它们之间的相关性。可以通过判断待识别的对象与各个类中样本之间的相似关系来考虑分类。本文分类器的思想就是当把待识别的对象放在某个类中时,这个类在高维特征空间中无论从外形和内部结构来看都很规整。与基于单帧的步态图像检测方法相比,结合预处理的Fisher判别法充分考虑了帧间的步态变化并放大了这种变化,进而提取出更加明显的步态特征。该研究成果很好地解决了当前普遍使用的基于单帧步态特征变化不明显的问题,为基于步态的监控系统的升级提供了新的解决方案。