步態識別是一種新興的生物特徵識別技術，旨在通過人們走路的姿態進行身份識別，與其他的生物識別技術相比，步態識別具有非接觸遠距離和不容易僞裝的優點。在智能視頻監控領域，比面像識別更具優勢
人類自身很善於進行步態識別，在一定距離之外都有經驗能夠根據人的步態辨別出熟悉的人。步態識別的輸入是一段行走的視頻圖像序列，因此其數據採集與面像識別類似，具有非侵犯性和可接受性。但是，由於序列圖像的數據量較大，因此步態識別的計算複雜性比較高，處理起來也比較困難。儘管生物力學中對於步態進行了大量的研究工作，基於步態的身份鑑別的研究工作卻是剛剛開始。步態識別主要提取的特徵是人體每個關節的運動。到目前爲止，還沒有商業化的基於步態的身份鑑別系統
所以有很大的發展前景，現在基本上有以下：
二維步態識別算法
對於每個步態序列而言，一種改進的背景減除技術被使用來提取人的空間輪廓。這些輪廓的邊緣，被逆時針方向展開爲一系列相對於質心的距離模板。這些模板特徵通過使用主元統計分析方法來訓練，從而得出步態形狀的變化模式在特徵空間中的軌跡表達。識別時，採用了時空相關匹配方法和基於歸一化歐氏距離的最近鄰規則，並引入了相應於個人的體形等生理特徵的融合，以用於必要的步態分類校驗。
步態識別算法
該算法來源於“從行走運動的時空模式中可學習人體的外觀模型”的觀點。對於每個序列而言，背景減除過程用來提取行人的運動輪廓，這些輪廓隨時間的姿態變化在二維空間中被對應描述爲一個序列的複數配置(Complex Configuration)。利用Procrustes形狀分析方法，從該序列配置中獲取主輪廓模型作爲人體的靜態外觀特徵。實驗結果表明，該算法獲得了令人鼓舞的識別性能。
時空輪廓分析
該算法來源於“人體行走運動很大程度上依賴於輪廓隨着時間的形狀變化”的直觀想法。對於每個序列而言，背景減除與輪廓相關方法用於檢測和跟蹤行人的運動輪廓，這些時變的二維輪廓形狀被轉換爲對應的一維距離信號，同時通過特徵空間變換來提取低維步態特徵。基於時空相關或歸一化歐氏距離度量，以及標準的模式分類技術用於最終的識別。實驗結果表明，該算法不僅獲得了令人滿意的識別性能，而且擁有相對較低的計算代價。
基於模型
該算法來源於“行走運動的關節角度變化包含着豐富的個體識別信息”的思想。首先，結合人體模型、運動模型和運動約束等先驗知識，利用Condensation算法進行行人的跟蹤。然後，從跟蹤結果中獲取人體主要關節的角度變化軌跡。這些軌跡經過結構和時間歸一化後，作爲動態特徵而用於身份識別。
基於Hough變換
這是一種基於新的特徵提取方法的自動步態識別算法，該算法僅從腿部的運動進行身份識別。對於每個序列，用一種基於圖像色度偏差的背景減除算法來檢測運動對象。在經過後處理的二值圖像序列中，利用邊界跟蹤算法獲取對象邊界，在對象邊界圖像上，局部應用Hough變換檢測大腿和小腿的直線，從而得到大腿和小腿的傾斜角。用最小二乘法將一個週期內的傾斜角序列，擬合成5階多項式，把Fourier級數展開後得到的相位與振幅的乘積，定義爲低維步態特徵向量。在小樣本的數據庫上用Fisher線性分類器驗證所研究算法的性能，正確分類率爲79.17%，在步態數據庫不很理想的情況下也獲得了較好的識別率。
基於三維小波矩理論
基於廣義多尺度分析理論，針對不同的應用圖像或信號庫，得到最優小波分解, 並在人體步態識別中與二維小波矩結合進行應用。在三維物體的表示方面, 作爲三維物體的一種無冗餘的描述和識別方法，提出了三維小波矩理論。與現存的方法相比，它不但具有平移、縮放和旋轉不變性，在徑向上還增加了多尺度分析的特性。可以根據不同的需要，提供多層次的特徵描述子，同時引進球面調和函數加速算法和小波的Mallat算法後，使小波矩的計算得到了雙重加速。有人計劃搭建實用的三維物體檢索平臺，將進一步完善該算法。
此外，有人在基於"人體生物特徵不僅包含靜態外觀信息，也包含行走運動的動態信息"的思想，提出了一種判決級上融合人體靜態和動態特徵的身份識別方法。利用此方法在不同融合規則下的實驗結果表明，融合後的識別性能均優於使用任何單一模態下的識別性能。
