伴随着模式识别、计算机视觉和数字信号处理技术的快速发展与进步,人体生物识别的技术不断的受到人类的广泛关注,从早期的指纹、掌纹和DNA识别,到现在的人脸识别、虹膜识别。他们都在不同的领域得到了应用,比如安防、金融、身份识别等。虽然种种识别技术日渐成熟,但是上述的方式都需要识别对象的主动合作,而且需要近距离,甚至直接的物理接触。步态识别的含义是根据人们的走路姿势实现对个人身份的识别或生理、病理及心理特征的检测。目前步态识别以其不可替代的优势,例如非接触性、非侵犯性、难以伪装和隐藏等特征,成为人们关注的热门研究方向。正因为这些优势是其他生物识别手段所不可比拟的。计算机视觉、图像处理与模式识别的研究人员均对此有着极大的兴趣。但是步态识别也存在着环境、视角、遮挡、拍摄条件等多种因素对识别过程的影响,它们对其构成了巨大的挑战导致目前步态识别方法仍无法达到实际使用的严格要求。本文提出一种基于稀疏表示的步态识别算法,并采用了中科院的CASIA Dataset B步态数据库和美国南弗罗里达大学(University of South Florid)的USF步态识别数据库对所提出的算法进行全面的性能评估。本课题主要的研究工作列举如下:首先,对步态图像进行预处理。对CASIA B和USF步态数据库获取的步态运动视频取得每一帧的图像,进行人体运动目标检测与步态轮廓提取,获得完整的二值步态图像序列。接下来,通过对步行姿势的研究,得到其步态图像序列的运动周期,为后续的特征提取做好准备工作。第二步,步态特征提取。本文建立了步态的能量图像(Gait Energy Image,GEI)后又得到了转换能量图像(Shifted Energy Image,SEI)。GEI的平均化过程中,随机噪声受到了抑制,鲁棒性大大增强,并包含了步态的静态与动态的特征信息。SEI对头部、躯干、腿部的有效分割有助于减少局部运动导致轮廓变化对特征提取的影响。并利用Gabor滤波提取SEI图像,获得图像特定区域内的多尺度、多方向空间频率特征,本文利用8方向5尺度的Gabor小波来提取SEI的幅值图谱,增强特征的边缘特征。接下来应用局部二值模式(Local Binary Pattern,LBP)于Gabor滤波后的幅值谱图像上,并进行直方图统计。Uniform LBP有助于减少诸如光照变化等造成的灰度变化,降低计算量和图像维数。最后,以此作为识别对象的步态特征,提出了基于稀疏表示的步态识别分类。运用了LARS算法对数据集进行稀疏表示,建立了判别式K-SVD算法对样本集进行字典的构造。基于稀疏表示算法可以极大地去除图像特征中所含的冗余信息,只利用系数的字典元素最大程度地保留特征的有用信息,进而实现高精度的步态识别。并采用CASIA Dataset B和USF步态识别数据库对所提出的算法进行全面的性能评估。实验证明相对于已有的经典算法,本文所提出的算法有一定的优越性,具有较好的识别率和识别速度,适合实时性要求高的场合。