步態是指人們行走時的方式，一個人在行走時，雙腳動作和身體其他部位的姿勢是獨一無二的。根據早期的醫學研究，人的步態有24個不同的分量，在考慮所有步態運動分量的情況下步態是唯一的。精神物理學中的研究結果顯示即使通過受損的步態信息人們也能夠識別出身份，這表明步態信號中存在身份信息。而且這種姿勢具有相對穩定性，在一定的時間范圍和相同的步行環境下不容易改變，人們可以據此揭示出行走人的身份。在生物特征識別技術里，步態特征是一種新興的識別技術。步態即人走路的姿態，它由每個時刻身體各部位的相對運動組成，不同的人走路姿態都有比較獨特的特征。

優勢

相比于其它識別技術，步態識別技術具有一些明顯的優勢：

1）步態識別對識別距離要求不高

當視頻采集設備與待識別目標距離較遠時，人臉模糊不清，指紋更無法采集，但是人走路的姿態卻清晰可見。除此之外，從預防的角度來說，適用于遠距離身份識別技術可以在很大程度上增加以安全為目標的智能視頻監控系統。

2）步態識別的非強迫性

與傳統的生物特征識別技術（如指紋、虹膜等）相比，步態特征無需被識別者的配合即可獲取步態特征。

3）步態特征的不易隱藏、不易模仿性

不同于其它的生物特征，如可以用明膠作的橡膠手指以較高的成功率騙過指紋識別系統，步態特征是人身體的各個部位的協調動作，在一定時間內具有穩定性，即很難改變，并且很難被其他人模仿。

研究現狀

目前的步態識別算法大多是在攝像機拍攝的目標行走視頻的基礎上進行研究的，雖然在計算機視覺領域對人的運動分析研究為時已久，然而真正利用步態信息進行身份識別卻是近些年才逐漸發展起來的。對步態識別研究的一個重要分界點是2000年美國國防高級研究項目署DARPA重大項目HID(Human Identificationat a Distance)計劃開展的多模態視覺監控技術以實現遠距離情況下人的檢測、分類和識別，其研究重點之一就是通過步態進行遠距離身份識別。

步態識別分析可以劃分為特征抽取、特征處理和識別分類三個階段。步態特征提取就是采取某種方法表示檢測出的步態和數據庫中的已知步態，主要分為兩大類：基于形狀信息的表征（也稱為非結構表征），如輪廓邊界、面積、寬高比等；基于運動和動力學特性的表征（也稱為結構表征），如人體動力學模型、關節角度的變化、步行速度等。基于形狀信息的方法包括，Little與Boyd利用了光流圖像中上步態的頻率和相位特征來對行人進行識別，在一個6人組成的數據庫上獲得了90%以上的識別率。Murase和Sakai提出了一種時空相關的模板匹配方法，同時引入特征空間變換(PCA, Principal ComponentAnalysis)來進行數據降維。Huang等人通過增加正則分析拓展了他們的工作，在UCSD數據庫上的識別率為100％。中科院自動化所的王亮等人通過人體輪廓邊界解卷繞方式來提取步態特征，同樣用PCA進行數據降維，該方法在CASIA數據庫上分別對3種視角的步態序列進行了實驗，因視角的不同，識別率從63.75%-93.75%不等。Shutler等提出了一種基于速度時間矩的步態識別算法，減少了步態識別中噪聲的影響。Kale等人率先將隱馬爾可夫模型引入到步態特征提取中，并用聚類的方法提取5個關鍵幀來減少數據維數。此外，James等人利用對稱性分析算子來進行步態識別也取得了不錯的效果。另一類基于運動和動力學的方法旨在構建一個人體的2D或3D的運動結構模型，通過提取圖像特征把它們映射到模型的結構成分上來表征人體的步態模式，其中包括，南安普頓大學的Cunado等人將大腿建模為鏈接的鐘擺，并從其傾斜角度信號的頻率分量中獲取步態特征。

中科院自動化所的HuazhongNing等人先對人進行跟蹤，再從跟蹤結果中獲取人體主要關節的角度變化軌跡作為動態特征用于身份識別。Yoo等人根據解剖學的知識，提取出頭、脖頸、肩、胸、骨盆、膝蓋和腳踝的位置，然后計算各個位置的運動學特征（相對于垂直方向擺動角度）從而進行步態的分類識別。Lily Lee等人采用七個橢圓表達人的側面二值化圖像的身體不同部分，每一個橢圓用質心的兩個坐標、長短軸之比、長軸的方向等四個特征表示，加上整個身體圖像的質心的高度，一共29個特征參數表示整個人體側面圖像，再通過模板匹配方法進行步態識別。P. J. Phillips和S. Sarkar對步態識別步態識別技術所面臨的挑戰和相關的技術困難進行了詳細的論述，并構造了一個包括122個人的步態數據庫，對視角、鞋的變化、路面變化、提包等因素進行了比較分析。