随着国家加大对公共安全问题的重视,公共场所的视频安全监控发挥着极其重要的作用。安全部门可通过监控系统对行人进行特征及身份识别。传统的生物特征识别方法包括人脸识别、虹膜识别等,但是由于摄像头与行人距离较远,拍摄图像不清晰、人脸模糊等问题,传统的身份识别方法已经无法满足当下的需求,而步态识别因其具有远距离可识别、分辨率要求低等优点,成为计算机视觉领域的研究热点。因此,本文对基于步态特征的目标人体检测及步态识别技术做了深入研究。主要研究工作如下。(1)提出一种基于改进的ViBe目标人体检测算法。采用数帧连续图像建立背景模型,改善背景成像质量,在一定程度上消除鬼影现象;结合最大类间方差、背景差分法和帧间差分法计算出自适应的半径阈值,提高了不同的动态环境下目标检测的准确率及对光照变化的适应性;同时采用结合目标高宽比与目标区域面积占比双重判断依据,提高检测目标人体的准确性。(2)提出一种基于局部二值模式(Local Binary Pattern,LBP)和方向梯度直方图(Histograms of Oriented Gradients,HOG)的特征分层融合算法。利用分层思想,分三层提取LBP特征,依次提取每层LBP特征图像的HOG特征,不但描绘了人体的轮廓信息,还可以提取到局部特征;利用特征融合思想,融合每层提取的LBP特征和HOG特征,最后顺序融合三层的特征,形成一个新的融合特征进行步态识别。通过对比实验,证明该算法的识别效率显著提高。(3)二维主成分分析和支持向量机结合运用,提高识别效率。针对提取的步态特征维数较高,计算量过大的问题,采用二维主成分分析对数据进行特征降维;同时采用泛化能力较强的支持向量机分类器对步态特征进行分类识别。实验表明,基于二维主成分分析和支持向量机结合的方法能够在保证高识别率的情况下提高运行效率,取得了很好的识别效果。本文通过多个对比实验,对上述提出的两种算法和分类识别方法进行比较、验证及分析,证明了其准确率和有效性。研究成果均可应用于智能监控视频中的行人身份识别。