● 摘要
步态识别作为一种新型的生物特征识别技术，近年来越来越受到国内外研究学者的关注。步态，即每个人行走时独有的姿态。步态识别最大的优势在于能够远距离识别人的身份，在远距离视频监控领域有着广阔的应用前景。然而，视角、衣着、遮挡、携带物状态等因素不同程度的影响步态识别的准确性，其中视角变化被认为是步态识别中最大的挑战之一。本论文深入调研分析了步态识别的国内外研究现状，重点围绕基于步态的跨视角性别分类和身份识别问题进行深入研究，主要研究工作包括：
1. 提取对视角变化不敏感的步态特征。基于目前流行的步态能量图特征，本论文提出一种新的视角不变特征，称为步态个性图。步态个性图是个体步态能量图与共同模板的差异图像，蕴含更丰富的鉴别信息，在视角变化在一定范围时，识别性能提升明显。
2. 基于步态的跨视角性别分类。引入基于实例的迁移学习算法TrAdaBoost来解决跨视角性别分类问题。该方法能够充分利用源视角下的有标注步态数据，在目标视角仅有少量有标注数据的情况下，构造目标视角下用于性别分类的高效分类器。在算法的每次迭代中，通过对源视角数据和目标视角数据采用不同的权重更新机制来实现知识的迁移。在CASIA-B步态数据库上的实验结果证明了所提出方法的有效性。
3. 基于步态的跨视角身份识别。提出一种基于列表约束的鉴别投影方法来解决跨视角身份识别问题。该方法将不同视角下的步态特征投影到同一个子空间中，使得同一个人不同视角下的子空间步态特征能够更加接近，属于一种特征迁移方法。在训练阶段，首先建立不同视角下步态数据的相似性矩阵，然后通过增加列表约束的方式形成一个优化问题，最后利用最陡梯度下降法得到该最优子空间。由于基于列表约束的鉴别投影方法在视角接近时会产生过度纠正的负效应，提出一种基于高斯函数的加权模型结合直接匹配法和子空间投影法的优势，进一步提高方法的鲁棒性。在CASIA-B和USF步态数据库上的实验结果表明提出的方法在大部分情况下优于现存跨视角步态识别算法。