1、近年來，隨著銀行、機場等安全敏感場合對大范圍視覺監(jiān)控系統(tǒng)的迫切需求，遠距離生物特征識別技術的研究受到越來越廣泛的重視。而步態(tài)識別足一種遠距離情況下唯一可被感知的生物特征識別技術，它以其內在的生物特性：不具有侵犯性、不需要身體接觸、難以偽裝和隱藏、能夠實現遠距離識別等，克服了當前指紋、人臉等特征識別方法依賴于物理接觸或近距離接觸的許多缺點，因而對步態(tài)識別及其關鍵技術的研究具有重要的學術意義和實用價值。目前，步態(tài)識別的研究都足針對小樣本的情

2、況。而支持向量機是在統(tǒng)計學習理論基礎上發(fā)展起來的一種新的非常有效的機器學習方法，它較好地解決了以往困擾很多學習方法的實際問題如小樣本、非線性、過學習、高維數等，具有很強的推廣能力。因此，支持向量機用于步態(tài)識別是合適的。圍繞這個主題，本文開展了如下幾個方面的研究工作： (1)根據人體步態(tài)輪廓區(qū)域隨步態(tài)變化不一樣的特點，提出了基于可變區(qū)域特征和SVM的步態(tài)識別方法，即RFSBGR(RegionFeatureandSVMBasedGa

3、itRecognition)方法。對于每個序列而言，首先根據輪廓圖像求出人體寬高比，然后利用人體隨步態(tài)變化不一樣的特點，將人體分為多個可變區(qū)域通過計算區(qū)域特征獲取特征向量。最后對得到的特征量采用SVM進行步態(tài)的分類和識別。實驗表明，該方法不但能克服由于獲取的特征量過少而造成的信息丟失還取得了令人欣喜的識別性能。 (2)根據人體外輪廓隨行走過程不斷變化的特點，提出了基于核的主成分分析(KPCA)和支持向量機(SVM)的步態(tài)識別方法

4、，即KSBGR(KPCAandSVMBasedGaitRecognition)方法。首先將輪廓圖像的外輪廓沿上、下、左、右四個方向進行投影，每個方向的投影向量用一個1維信號表示，步態(tài)信息由四個1維信號組合而成。然后利用非線性機器學習方法KPCA提取步態(tài)特征向量。最后對得到的特征量采用SVM進行步態(tài)的分類與識別。 以上方法均在UCSD和CASIA兩個步態(tài)數據庫上進行了仿真實驗，實驗結果表明本文方法不僅獲得了較高的識別性能還擁有相對