步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比图像识别更具优势。

步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。

英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的“风格”上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。

人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。

工作原理

步态识别是一个相当新的发展方向，它旨在从相同的行走行为中寻找和提取个体之间的变化特征，以实现自动的身份识别。安全视频智能监控场合中自动步态识别系统的基本工作原理框图的一般框架如图 1 所示，它是融合计算机视觉、模式识别与视频／图像序列处理的一门技术。

首先由监控摄像机采集人的步态，通过检测与跟踪获得步态的视频序列，经过预处理分析提取该人的步态特征。即对图像序列中的步态运动进行运动检测、运动分割、特征提取等步态识别前期的关键处理。

其次，再经过进一步处理，使其成为与己存贮在数据库的步态的同样的模式；

最后，将新采集的步态特征与步态数据库的步态特征进行比对识别，有匹配的即进行预／报警。无匹配的，监控摄像机则继续进行步态的采集。

因此，一个智能视频监控的自动步态识别系统，实际上主要由监控摄像机、一台计算机与一套好的步态视频序列的处理与识别的软件所组成。其中，最关键的是步态识别的软件算法。所以，对智能视频监控系统的自动步态识别的研究，也主要是对步态识别的软件算法的研究。

软件算法

根据医学和心理学等学科的研究表明：人可以感知步态，并可以通过步态进行人的身份认证。尤其自“911 事件”以来，使得远距离的身份识别研究备受关注。而与其他生物特征识别相比，步态识别的突出特点主要是能远距离识别。因此，步态识别的研究，己越来越引起国内外学者的关注。目前，己研究出的步态识别的软件算法有如下几种：

1、二维步态识别算法

对于每个步态序列而言，一种改进的背景减除技术被使用来提取人的空间轮廓。这些轮廓的边缘，被逆时针方向展开为一系列相对于质心的距离模板。这些模板特征通过使用主元统计分析方法来训练，从而得出步态形状的变化模式在特征空间中的轨迹表达。识别时，采用了时空相关匹配方法和基于归一化欧氏距离的最近邻规则，并引入了相应于个人的体形等生理特征的融合，以用于必要的步态分类校验。

2、步态识别算法

该算法来源于“从行走运动的时空模式中可学习人体的外观模型”的观点。对于每个序列而言，背景减除过程用来提取行人的运动轮廓，这些轮廓随时间的姿态变化在二维空间中被对应描述为一个序列的复数配置（Complex Configuration）。利用 Procrustes 形状分析方法，从该序列配置中获取主轮廓模型作为人体的静态外观特征。实验结果表明，该算法获得了令人鼓舞的识别性能。

3、时空轮廓分析

该算法来源于“人体行走运动很大程度上依赖于轮廓随着时间的形状变化”的直观想法。对于每个序列而言，背景减除与轮廓相关方法用于检测和跟踪行人的运动轮廓，这些时变的二维轮廓形状被转换为对应的一维距离信号，同时通过特征空间变换来提取低维步态特征。基于时空相关或归一化欧氏距离度量，以及标准的模式分类技术用于最终的识别。实验结果表明，该算法不仅获得了令人满意的识别性能，而且拥有相对较低的计算代价。

4、基于模型

该算法来源于“行走运动的关节角度变化包含着丰富的个体识别信息”的思想。首先，结合人体模型、运动模型和运动约束等先验知识，利用 Condensation 算法进行行人的跟踪。然后，从跟踪结果中获取人体主要关节的角度变化轨迹。这些轨迹经过结构和时间归一化后，作为动态特征而用于身份识别。

5、基于 Hough 变换

这是一种基于新的特征提取方法的自动步态识别算法，该算法仅从腿部的运动进行身份识别。对于每个序列，用一种基于图像色度偏差的背景减除算法来检测运动对象。在经过后处理的二值图像序列中，利用边界跟踪算法获取对象边界，在对象边界图像上，局部应用 Hough 变换检测大腿和小腿的直线，从而得到大腿和小腿的倾斜角。用最小二乘法将一个周期内的倾斜角序列，拟合成 5 阶多项式，把 Fourier 级数展开后得到的相位与振幅的乘积，定义为低维步态特征向量。在小样本的数据库上用 Fisher 线性分类器验证所研究算法的性能，正确分类率为 79．17％，在步态数据库不很理想的情况下也获得了较好的识别率。

6、基于三维小波矩理论

基于广义多尺度分析理论，针对不同的应用图像或信号库，得到最优小波分解， 并在人体步态识别中与二维小波矩结合进行应用。在三维物体的表示方面， 作为三维物体的一种无冗余的描述和识别方法，提出了三维小波矩理论。与现存的方法相比，它不但具有平移、缩放和旋转不变性，在径向上还增加了多尺度分析的特性。可以根据不同的需要，提供多层次的特征描述子，同时引进球面调和函数加速算法和小波的 Mallat 算法后，使小波矩的计算得到了双重加速。有人计划搭建实用的三维物体检索平台，将进一步完善该算法。

此外，有人在基于＂人体生物特征不仅包含静态外观信息，也包含行走运动的动态信息＂的思想，提出了一种判决级上融合人体静态和动态特征的身份识别方法。利用此方法在不同融合规则下的实验结果表明，融合后的识别性能均优于使用任何单一模态下的识别性能。

应用优势

步态识别作为一种生物认证技术，具有其它生物认证技术所不具有的独特优势，即在远距离或低视频质量情况下的识别潜力，且步态难以隐藏或伪装等。 步态识别主要是针对含有人的运动图像序列进行分析处理，通常包括运动检测、特征提取与处理和识别分类三个阶段。

利用“人脸＋步态”双模式识别，可最大化地辨识可疑人员，提高安全等级，也可以在公交领域应用，实现安防布控、无卡出行、人群密度、超流量预警等。