若記其中u和v是該點的光流的x分量和y分量，則式(1)為

式(2)就為光流計算的基本等式。
2．2．2 光流有關(guān)的計算
對于圖像上的每一點(xi,yi)，求解光流場方程(2)，得到由迭代形式表示的解為：

2．3 光流場中運動特征的提取
從光流中提取的特征包括運動點T，加權(quán)的運動點|(u,v)|，|u|，|v|，以及光流分布的質(zhì)心特征等。通過光流場，利用T(u，v)將運動點(白色)和非運動點(黑色)區(qū)分開來，由下式表示：

在本實驗中，選取|(u，v)|加權(quán)橫坐標(biāo)作為從光流場中提取的步態(tài)特征。
2．4 步態(tài)特征的數(shù)據(jù)融合
對于所提取的步態(tài)特征xuc和yuc，由數(shù)據(jù)融合算法D-S合成公式：

其中m1和m2是特征空間上的兩個mass函數(shù)，N為矛盾引子，
2．5 識別
將由數(shù)據(jù)融合得出的特征進(jìn)行基于PCA的特征空問變換。假設(shè)初始的訓(xùn)練樣本集為T={pi-j},i=1，2，…，C，j=1，2，…，Ni；第i個人第j個步態(tài)樣本向量為Xij，而樣本總數(shù)為NT=N1+N2+…+Nc。
求樣本集的總體均值向量μ和協(xié)方差矩陣∑，

如果協(xié)方差矩陣∑的秩為N，由det|λI-∑|=0求得矩陣∑的N個特征值λ1，λ2，λ3，…，λN，并由矩陣方程λiI-∑=0，i=0,1,2，…，N;求得對應(yīng)于N個特征值λ1，λ2，λ3，…，λN的N個特征向量e1，e2，e3，…，eN。選取與前K個最大特征值對應(yīng)的前K個特征向量，并使其中α表示樣本集在前K個軸上的能量占整個能量的百分比。通常取α值接近于1，以使得樣本集在前K個軸上的能量幾乎接近于整個能量。
用式(2)中所求得K個特征向量重建初始樣本集中的每個樣本。算法如下：

這樣就得到一個K維的權(quán)向量Ωi，j用于進(jìn)行識別。
選取最近鄰分類法進(jìn)行步態(tài)模式分類。設(shè)經(jīng)過特征提取并向特征空間投影，所得到的特征向量為Ω，求得Ω與每個每個模式類的平均向量Ω i，j之間的歐幾立德距離。

其中
由最近鄰分類法的判決準(zhǔn)則可知，當(dāng)εi(x)的值最小時，則x∈εi；否則x∈εi。