随着公共交通、银行和大型集会活动等安全敏感场合对智能监控和公共安全需求的提升,通过远距离和视频监控中进行身份判断的课题引发了无数学者和相关机构的关注。步态识别技术作为第二代生物识别技术,利用步伐上的细微差别进行身份的识别,可以在与目标距离较远,视频分辨率不高的的情况下完成识别任务,有着重大的学术意义和深远的发展前景。本文将围绕视频序列中的步态识别技术,在步态视频序列的采集、预处理、特征提取和步态识别算法方面进行了如下的研究工作:1)在步态视频序列的采集方式上,提出了一种基于360°折反射全景相机的步态识别采集与实验测试平台,并介绍了平台硬件的相关原理和采集的方式,这种平台结构简单、便于安装、同时可以应用平台对步态识别技术进行相关测试,摆脱了使用数据集在理想环境下的单一测试方式。2)提出了一种基于自适应纹理特征和码本模型的分层运动目标检测算法,采用自适应SILTP算子进行区域级运动目标检测,码本模型进行像素级运动目标检测,对算法进行了数据集上的测试和评价,证明其在复杂环境下具有很好的鲁棒性。3)在步态识别算法的研究方面,提出了一种基于状态空间的步态识别算法。采用条件随机场的方法进行步态特征的识别,进行了条件随机场模型的设计和参数学习的优化。最后在全景实验测试平台测试得到算法的平均准确率达到97.56%,通过ROC曲线计算得到AUC值为0.881,表明算法具有很好的识别精度。4)除了上述算法,还提出了一种基于人工神经网络的步态识别算法。人工神经网络是目前进行步态识别算法的一个热门方向,本文利用CNN网络提取步态视频序列的空间特征,LSTM网络提取步态视频序列在时空上的时序特征。并在全景实验测试平台上测试得到算法平均准确率为97.85%,通过ROC曲线计算得到的AUC值为0.890,表明算法具有很好的识别精度。最后通过国际上主流的步态数据集将进行了上述两种步态识别算法与不同步态识别算法对比实验,结果表明,本文提出的两种算法的准确率分别达到了97.12%和97.64%,均优于其他算法。除此之外,本文还进行了不同干扰因素对算法识别效果的影响实验。从结果可以看出本文提出的两种算法在光照、衣物遮挡和不同行进速度的干扰下算法识别精度下降幅度不超过10%,说明算法拥有很好的鲁棒性,这为算法在实际工作环境中的应用提供了坚定的基础。