步态识别作为一种新兴生物识别技术,因其与传统人脸识别和指纹识别等技术相比具有识别距离远、伪装困难等优点,得到了国内外专家学者的广泛关注与研究。但运动目标的衣着、移动速度及与采集设备间的角度发生变化时,会对识别的准确率产生较大影响。为此,论文对基于卷积神经网络(Convolutional Neural Network,CNN)的步态识别方法进行了深入研究,为解决上述技术难题,提出了一种基于虚拟三维卷积神经网络(P3D CNN)的步态识别算法,具有重要的理论研究意义及工程应用价值。论文首先建立了步态图像的样本库,采用背景减除法对其中的运动目标进行了提取,通过膨胀和腐蚀等形态学处理方法完成了噪声和空洞等干扰的消除,并对步态图像进行了归一化处理。然后,分别对二维卷积神经网络(2D CNN)和三维卷积神经网络(3D CNN)的步态识别模型进行了详细探讨,并对上述模型的卷积核大小、数目及网络层数等超参数进行了设计,实验结果表明,2D CNN的运行速度较快,但由于只采集空间信息,导致识别率较低,而3D CNN因其同时对空间和时间域特征进行提取而提高了识别率,但引起参数数量增加,导致训练时占用内存多;最后,论文对传统3D CNN进行了改进,提出了一种基于P3D CNN的步态识别算法,在保证较高识别率的基础上,降低了计算复杂度,加快了运行速度;同时,为了减轻衣着变化对于识别率的影响,对步态图像进行了背景化处理,并对处理前后的识别效果进行了对比,指出经过背景化处理后可以显著提高识别率。论文以Tensorflow为开发平台,采用Python编程语言结合C++完成了基于卷积神经网络的步态识别系统的开发,对上述理论分析进行了实验验证。实验结果表明,所提出的P3D CNN步态识别算法既能获得较高的识别率又可以降低占用的内存资源;同时,对步态图像进行背景化处理后,可大大减弱运动目标衣着对识别率的影响。