步态识别，是识别的问题，所以关键的技术仍然是特征的表达以及提取，目前主要分为基于统计特征的方法和基于模型的方法两大类。
一、基于统计特征的方法
重点关注人运动的动态信息，这类方法通过行人的照片序列中产生的时空模式的分析表示步态，直接从人体图像中提取出步态的特征数据用于步态识别。它又可以细分为很多类方法，主要有：
1.基于运动的形状分析
利用步态序列图像的光流的频率和位置信息进行步态识别，从含有一组从高密度的光流分布的运动差中获得的运动特征的形状。
2.对称分析
利用广义对称性算子进行步态识别，描述了基于分析人运动的对称的自动步态识别的方法，这种方法利用的算子不依赖形状的边界，也不依赖总体形状，而是由他们的对称的性质找出特征的位置，是一种总和平衡算子。
3.图片自相似
使用特征空间中步态的自相似。他们将走路的人的二维动态译成由人的图片序列的成对图片相似点组成的二维图，对序列中的每个图片计算相似图。
二、基于模型的方法
基于模型的方法重点关注人的运动信息（而基于统计特征的方法关注人的动态信息），这类方法提前建立模型，通过模型和图像序列匹配获得模型参数作为步态特征进行分类。前人提出过钟摆模型，在此基础上，又有人提出名VHT(Velocity Hough Transform)的方法，该方法应用了图像序列之间的时间相关性来提取线性运动的锥体的最优参数。
上面介绍的是步态特征的表达，有了步态特征后，进一步对特征进行识别，主要有两类。
一、基于模版的方法
建模时，模版匹配的算法对每个人体样本都建立一个或者多个模版，识别时将获取的特征与模版进行匹配，计算两者相似度。其实就是k近邻的思想，模版匹配算法无法解决运动时间快慢的响应，这是主要缺点。
动态时间规整将两个不同时间长度的运动特征模版，安一定的时间规整曲线进行时间规整，使得特征模版时间长度达到一致，然后再匹配。
二、基于统计的方法
基于统计的方法主要有隐马尔可夫模型和动态贝叶斯网络，对于人类的活动或行为识别，大多数研究都是基于隐马尔可夫模型的方法，也是目前人体运动识别中应用最为广泛的识别方法，也能够很好的应用于步态识别中。
动态贝叶斯网络由于模型结构复杂，参数繁多等原因，在步态识别中运用很少，但动态贝叶斯网络具有隐马尔可夫模型无法比拟的优越性，是步态识别方法中的发展方向。
参考文献：
1]王志波,陈庆财. 步态识别综述[J]. 办公自动化,2012,04:6-7+22.
[2]张帅,曾莹. 步态识别技术研究综述[J]. 科技视界,2014,22:30.
————————————————
版权声明：本文为CSDN博主「Ddreaming」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Ddreaming/article/details/51998773