步态识别是生物特征识别研究方向的一个重要的分支,它是根据人走路姿势中细微的差异来对个体进行身份识别,这在安防和门禁等领域都有广泛的应用前景。相比于其它生物识别技术,步态识别具有远距离、非受控和不容易伪装等优势。然而,在真实的识别场景中,着装、遮挡和携带物品等都会改变人的行走姿势和形体特征,并且拍摄视角的改变也会使人体的整体轮廓发生变化,这些情况会对识别结果造成一定的影响。本文在改善协变量影响的同时,针对拍摄视角改变的问题,结合深度学习的方法来进行研究,主要工作如下:1.设计了一种联合学习的网络损失函数模型。识别任务大都是基于数据上的距离度量展开的,传统的三元组损失函数只要求样本对之间的类内距离小于类间距离,而没有考虑类内和类间样本之间相似或相异的程度,这很有可能会导致识别过程中的误判从而影响最终的实验结果。本文同时考虑了类内类间距离,使用增强约束的Triplet loss联合Center loss进行学习,同时添加Softmax loss来加速网络收敛。实验结果表明,该方法可以得到更好的识别效果。2.本文以卷积神经网络为基础对步态识别进行了深入的研究。首先对CASIA-B数据集进行了周期检测、归一化处理和形态学处理等操作,然后通过步幅的大小将周期内经过处理后的轮廓图划分为多个通道,每个通道内的轮廓图按照平均步态来处理,得到包含时空信息的多通道步态模板数据集。最后将该多通道的步态模板当成图像集作为卷积神经网络的输入,让网络自身去提取步态模板之间的时空关系,并且在特征提取与聚合部分中加入了空间变压器网络(Spatial Transformer Network,STN)来保持步态模板的特征不变性。实验结果表明,本文算法在各个视角的情况下都取得了很好的实验结果。