人体步态分析是在很长时间以来的一个活跃的研究课题，步态应用于识别方面具有其独特的优点，每个人的步态都是独特的，适用于远程监测，步态特征难以隐蔽或模仿，对于步态的捕捉是开放性的。26350
目前较为成熟的是基于视觉图像序列的步态识别技术，步态识别的应用领域包含一些特殊场合的监控。典型的监控应用为监控摄像头，捕捉人体的行走记录并提交，计算机通过将捕获结果与目标人物的特征进行匹配，当匹配度高于一定阈值时可以锁定目标人物。论文网
为此已有许多具有高度可靠性的数据库被建立，现有的公认的大型步态数据库主要有CMU步态数据库[1]、USF步态数据库[2,3]、CASIA数据库[4]等，已经可以达到超90%的成功匹配率，反映了步态识别在生物特征识别技术中的重要地位。
而与此相关的人体检测算法则主要分为基于人体谱图特征的检测方向和人体微摄动频谱特征检测方向。谱图特征检测起源于车辆雷达检测，主要针对人体走动时独特的多普勒信息的算法，可实现人体目标的检测。而微摄动频谱主要监测心跳、呼吸等细微动作。相关算法一般建立在信号频谱的基础上。Chen 和Greneker等人分别对微摄动相关信息进行了一定的初步了解与分析[5-9]；Yarovoy分析了人体呼吸在超宽带脉冲下的频谱特征[10]。Falconer利用测量得到的运动物体功率谱密度形状差异来区分目标[11]。
在新兴的雷达探测人体运动状态领域，国内外多名学者致力于如何在低信噪比和强杂波的情况下检测人体运动目标，并且提取出有效的目标运动的速度、步幅等。1990年，一种球形模型被Ronan Boulic、Nadia Magnenat-Thalmann 和Daniel Thalmann提出，主要是关于人体行走时的实时具体表现[12]。2002年，Geisheimer研究了人体各部位在走动时的多普勒信息[13]。2003年，P.van Dorp和F.C.Aroen为了实现参数的估计与提取研究了一种估测参数的方法[14]。。2007年，Sevgi Z.Gurbuz,Willian L.Melcin等在P.van Dorp和F.C.Aroen的模型基础上新创建了一种12点模型，但没有完整的检测思路和鉴别方法。
针对回波信号分析，L.Du等人使用基于短时间迭代自适的方法[31]处理回波信号，可以有效提高对谱图的分辨能力，同时又改善了STFT中存在的缺陷。Youngwook Kim用多普勒信息来区分人体的不同状态[32]，例如跑步或匍匐，他们采集了志愿者的数据，提取典型特征，对人体的状态进行分类。S.S.Ram等人介绍了一种联合重构时频分析方法[33]。该方法以STFT得到的结果为基础，再进行相位分离，重新分配瞬时时间、瞬时频率，得到身体各部位的信息。M.B.Guldogan使用粒子滤波对步态特征进行提取，主要研究了胸腔和腿部，提取相关参数并验证。
本文采取的是更为完整的17散射点的经验人体模型，进一步对雷达回波中的人体步态特征信号进行了研究，提取微多普勒信息，估算人体步态周期以及幅度等信息。 人体步态识别分析国内外研究现状:http://www.751com.cn/yanjiu/lunwen_20491.html