面向真實(shí)監(jiān)控環(huán)境的前視步態(tài)識(shí)別方法*

姜穎軍 王建新 郭克華

（中南大學(xué) 信息科學(xué)與工程學(xué)院， 湖南 長(zhǎng)沙410083）

人們行走的方式結(jié)合行走的姿態(tài)，形成了步態(tài).由于步態(tài)特征各異，且具有非入侵（不需接觸）、難以偽裝和欺騙、可遠(yuǎn)距離獲取等優(yōu)點(diǎn)，故步態(tài)在監(jiān)控和訪問(wèn)控制中擁有了強(qiáng)大的生物識(shí)別潛力［1-2］.特別是在刑事案件偵查中，由于一個(gè)人的步態(tài)具有時(shí)不變性，使得通過(guò)犯罪現(xiàn)場(chǎng)監(jiān)控視頻獲取的步態(tài)成為重要、甚至是唯一的生物識(shí)別依據(jù).目前，步態(tài)識(shí)別系統(tǒng)已成為取證工具之一，通過(guò)步態(tài)分析獲取的證據(jù)也已用于法庭起訴［3］.

當(dāng)利用計(jì)算機(jī)系統(tǒng)識(shí)別行人步態(tài)時(shí)，由于側(cè)視步態(tài)相對(duì)于前視步態(tài)能更好地反映人體行走的周期運(yùn)動(dòng)特性（如步幅、步頻、相位及移動(dòng)速度等運(yùn)動(dòng)參數(shù)），使得側(cè)視步態(tài)的識(shí)別率明顯高于前視步態(tài).然而，前視步態(tài)相對(duì)于側(cè)視步態(tài)更能體現(xiàn)行人的身體輪廓、雙手左右擺動(dòng)姿勢(shì)、頭部和肩部晃動(dòng)幅度等時(shí)空特性及行人著裝的顏色分布特征，這些特性更有利于人類肉眼識(shí)別、跟蹤他人.因此，在真實(shí)的室外環(huán)境下，監(jiān)控?cái)z像機(jī)一般安裝在離地面3～5m的高度，監(jiān)控頭光心軸線水平投影方向與行人來(lái)往方向基本一致，以獲取行人前視步態(tài).筆者隨機(jī)對(duì)CSUPD 數(shù)據(jù)庫(kù)［4］中1785 位行人的視頻序列進(jìn)行統(tǒng)計(jì)，為前視步態(tài)序列的有1 481 位，占總數(shù)的83%.因此，在真實(shí)監(jiān)控環(huán)境下，前視步態(tài)識(shí)別研究具有重要的實(shí)際意義.

近年來(lái)，結(jié)合行人行走的時(shí)空特性，人們針對(duì)前視步態(tài)主要提出了兩類識(shí)別方法：基于前視步態(tài)輪廓圖像邊緣特征的識(shí)別方法［5-6］和基于前視步態(tài)輪廓圖像區(qū)域特征的識(shí)別方法［7-8］.

針對(duì)步態(tài)輪廓圖像邊緣，邊緣曲率分布法（CSM）［5］用邊緣曲率來(lái)描述行人輪廓邊緣的凹凸特性，以此描述行人軀干和四肢橫向運(yùn)動(dòng)特征，從而實(shí)現(xiàn)前視步態(tài)識(shí)別.該方法經(jīng)輪廓圖像邊緣檢測(cè)后，指定輪廓邊緣上某一像素點(diǎn)為起點(diǎn)，根據(jù)當(dāng)前像素點(diǎn)和下一相鄰像素點(diǎn)的相對(duì)位置，計(jì)算當(dāng)前像素點(diǎn)的梯度值，其中正梯度值表示邊緣凸起，負(fù)梯度值表示邊緣凹陷.CSM 在運(yùn)動(dòng)前景輪廓邊緣清晰、測(cè)試者行走方向固定不變的前提下能取得良好的步態(tài)識(shí)別效果.矩形特征法（IIFRSD）通過(guò)提取覆蓋在二值行人輪廓圖像上的系列最大矩形的特征來(lái)實(shí)現(xiàn)前視步態(tài)識(shí)別［6］.該方法提取由系列最大矩形的寬和3 種高組成的3 種幾何特征，采用超樹降維，并通過(guò)基于時(shí)間窗口的主投票策略來(lái)提高分類準(zhǔn)確性.在實(shí)際的監(jiān)控環(huán)境中，背景的復(fù)雜多變導(dǎo)致前景圖像難以清晰分離、輪廓圖像邊緣不能準(zhǔn)確提取而極大影響了識(shí)別效率.

與基于輪廓圖像邊緣特征的識(shí)別方法不同，基于輪廓圖像區(qū)域特征的識(shí)別方法則提取覆蓋行人輪廓的所有像素的統(tǒng)計(jì)特征.該方法提取一個(gè)步態(tài)周期內(nèi)多幀步態(tài)輪廓圖像的統(tǒng)計(jì)特征，對(duì)噪聲和形變具有魯棒性.Jegoon 等［7］采用球型空間坐標(biāo)系統(tǒng)（ρ，θ，φ）（0≤ρ≤R，0≤θ≤ ，0≤φ≤2 ）來(lái)描述立體監(jiān)控下獲取的人體步態(tài)點(diǎn)云（為適用于前視步態(tài)識(shí)別，作者根據(jù)幾何投影原理，將三維人體點(diǎn)云投影至行人前進(jìn)方向，得到二維前視步態(tài)點(diǎn)云），將一個(gè)步態(tài)周期形成的步態(tài)點(diǎn)云序列圖（MIP）劃分成5×12×24 個(gè)盒子，然后計(jì)算每個(gè)盒子內(nèi)的像素密度（點(diǎn)分布強(qiáng)度）并作為識(shí)別特征.Kusakunniran 等［8］基于視角不變轉(zhuǎn)換（VTM）模型，利用直方圖技術(shù)將步態(tài)能量圖（GEI）分割成6 個(gè)區(qū)域，并在步態(tài)圖的下肢運(yùn)動(dòng)區(qū)域選取感興趣區(qū)域（ROI），然后利用已知的同一對(duì)象不同視角間ROI 像素的對(duì)應(yīng)關(guān)系，確定步態(tài)圖從一個(gè)視角轉(zhuǎn)換至另一個(gè)視角的轉(zhuǎn)換矩陣.這兩種方法針對(duì)前視步態(tài)識(shí)別都取得了較好的識(shí)別效果，但都需要已知行人步態(tài)視角，而在真實(shí)監(jiān)控環(huán)境下，行人步態(tài)視角是變化的.針對(duì)以上方法存在的問(wèn)題，文中在VTM 模型［8］基礎(chǔ)上，針對(duì)真實(shí)環(huán)境下的行人步態(tài)，提出了一種視角不變的前視步態(tài)識(shí)別方法：先利用行人步態(tài)圖質(zhì)心軌跡計(jì)算行人步態(tài)視角，再通過(guò)視角轉(zhuǎn)化來(lái)達(dá)到良好的前視步態(tài)識(shí)別效果.

1 前視步態(tài)識(shí)別方法

文中通過(guò)背景減除與行人檢測(cè)確定視頻序列中的行人，然后利用GEI 分別計(jì)算行人頭部和軀干的質(zhì)心，對(duì)系列輪廓質(zhì)心進(jìn)行分段直線擬合，獲取運(yùn)動(dòng)跡線，確定行人運(yùn)動(dòng)視角并規(guī)范視角轉(zhuǎn)換，最后采用主成分分析（PCA）和Fisher 判別法對(duì)規(guī)范后的步態(tài)圖進(jìn)行特征提取和識(shí)別.前視步態(tài)識(shí)別的基本流程如圖1所示.

為便于問(wèn)題描述，文中將行人移動(dòng)路線與監(jiān)控頭光心軸線的夾角θ 定義為視角（如圖2所示），視角小于或等于60°的步態(tài)為前視步態(tài)，視角大于60°的步態(tài)為側(cè)視步態(tài).

圖1 前視步態(tài)識(shí)別的流程圖Fig.1 Flowchart of front-view gait recognition

圖2 步態(tài)視角示意圖Fig.2 Schematic diagram of gait view angle

1.1 基于步態(tài)能量圖的質(zhì)心計(jì)算

文獻(xiàn)［9］通過(guò)計(jì)算序列幀中行人的頭和腳的質(zhì)心位置來(lái)確定行人的運(yùn)動(dòng)方向.這種方法存在以下不足：對(duì)于實(shí)際環(huán)境下的視頻圖像，無(wú)論采用背景減除法或光流法，都難以良好地將運(yùn)動(dòng)前景與背景分割，且分割后的行人輪廓存在大量毛刺，邊緣不清晰（如圖3（a）所示），因此根據(jù)單幅圖像難以確定行人頭、腳等身體部位，進(jìn)而得到頭、腳的質(zhì)心位置.文獻(xiàn)［10］中采用無(wú)接觸方法，利用Haar 小波算子檢測(cè)膝蓋和腳踝的位置，但在真實(shí)環(huán)境下的檢測(cè)極為困難.

圖3 不同行人的步態(tài)能量圖Fig.3 Gate energy images of different pedestrians

文中充分利用行人行走時(shí)的時(shí)空特性，采用文獻(xiàn)［11］的步態(tài)能量圖計(jì)算方法，針對(duì)系列二值化輪廓圖像Bt（x，y），計(jì)算一個(gè)周期內(nèi)的步態(tài)能量圖：

式中，N 為一個(gè)步態(tài)周期內(nèi)的視頻幀數(shù)，t 為該周期內(nèi)視頻幀的序列號(hào)，（x，y）為像素坐標(biāo).根據(jù)式（1）所產(chǎn)生的步態(tài)能量圖如圖3（b）所示.步態(tài)能量圖能很好地反映行人的輪廓以及一個(gè)周期內(nèi)輪廓的變化情況，區(qū)域像素值越大，肢體在該區(qū)域內(nèi)運(yùn)動(dòng)越頻繁.通過(guò)直方圖技術(shù)，可將步態(tài)能量圖分割出頭部、軀干部、下肢部［8］.如圖4所示，直方圖的值表示GEI 每行像素值的累加和，通過(guò)均值濾波平滑直方圖后，從上至下位于第1 個(gè)峰值（極小值）的水平線為頭部與軀干部的分割線，位于第2 個(gè)極值（最大值）的水平線為軀干與下肢部分的分割線.從GEI 水平投影直方圖可知：對(duì)于前視步態(tài)能量圖，由于正常情況下下肢運(yùn)動(dòng)主要為前后運(yùn)動(dòng)，其左右運(yùn)動(dòng)的區(qū)域遠(yuǎn)小于上肢左右擺動(dòng)的區(qū)域，因此，行走過(guò)程中雙腳是否被遮擋都不會(huì)影響圖中上肢的位置.

圖4 步態(tài)能量圖的分割Fig.4 Division of the gait energy images

針對(duì)每一分割后的步態(tài)能量圖，文中采用文獻(xiàn)［12］中的質(zhì)心計(jì)算方法，分別得到頭部質(zhì)心位置Ch=（Chx，Chy）和軀干部質(zhì)心位置Cb=（Cbx，Cby），然后求兩個(gè)質(zhì)心位置的均值，得到行人輪廓質(zhì)心S=（Sx，Sy），如圖5所示.

圖5 行人質(zhì)心位置圖Fig.5 Centroid position image of a pedestrian

質(zhì)心計(jì)算方法如下:

式中，Mhpq為步態(tài)圖頭部矩，Mbpq為軀干部矩，p、q 為階數(shù)，Ght（i，j）為位于第t 個(gè)步態(tài)能量圖頭部（i，j）位置的像素值，Gbt（i，j）為位于第t 個(gè)步態(tài)能量圖軀干部（i，j）位置的像素值.

1.2 步態(tài)圖視角計(jì)算與視角轉(zhuǎn)換

人們?cè)谑彝庑凶哌^(guò)程中，一般會(huì)沿直線行走，但由于道路方向和道路上障礙物的影響，往往需要改變行走方向，因此監(jiān)控畫面中行人的行走路線往往是由多條直線段組成的一條折線.為了計(jì)算行人步態(tài)視角，文中根據(jù)文獻(xiàn)［13］方法，先通過(guò)該行人系列輪廓質(zhì)心擬合出行走過(guò)程中的每一條直線段，然后分別計(jì)算每條直線段與攝像頭光心軸線的夾角.擬合出前后相連的直線段的關(guān)鍵是尋找直線段與直線段的結(jié)合點(diǎn)，若代表結(jié)合點(diǎn)位置的輪廓質(zhì)心已確定，則只需將這些輪廓質(zhì)心按順序前后相連，即為行人行走跡線.設(shè)行人k 的輪廓質(zhì)心集為Sk={Ski|i=1，2，…，n}，則確定結(jié)合點(diǎn)（其示意圖見圖6）的具體步驟如下：

（1）初始化集合L={1}，b=1，e=n；

（2）用直線連接Skb和Ske；

（3）分別計(jì)算點(diǎn)Skb+1，Skb+2，…，Ske-1到直線SkbSke 的距離；

（4）確定到直線SkbSke 距離最大的點(diǎn)Skd（b

（5）如果Di大于設(shè)定閾值T，則L=L∪j5i0abt0b，并令b=1，e=d 和b=d，e=e，返回步驟（2）；

（6）L=L∪{n}.

L 即為行人k 行走跡線結(jié)合點(diǎn)的集合.圖6中的Skb→Skd→Ske即為擬合后的行走跡線.閾值T 不同，擬合后的行走跡線也不同，本實(shí)驗(yàn)針對(duì)跡線中的所有線段，采用同一閾值進(jìn)行結(jié)合點(diǎn)判別.

圖6 結(jié)合點(diǎn)確定示意圖Fig.6 Schematic diagram of linked point determination

通過(guò)上述方法即可計(jì)算出行人在行走過(guò)程中每條直線段的視角，這是自動(dòng)進(jìn)行步態(tài)能量圖視角轉(zhuǎn)換并重建步態(tài)能量圖像序列的基礎(chǔ).在獲取步態(tài)能量圖視角后,根據(jù)VTM 模型［8］將行人k 在視角θi下的步態(tài)能量圖gθki轉(zhuǎn)換成視角θj下的步態(tài)能量圖，即

1.3 比對(duì)識(shí)別

為通過(guò)步態(tài)能量圖提取由行人身體輪廓和運(yùn)動(dòng)方式差異決定的步態(tài)特征，而不是由亮度等差異決定的特征，文中采用PCA 降維后結(jié)合Fisher 方法進(jìn)行特征提取與對(duì)象識(shí)別，該方法實(shí)質(zhì)上是對(duì)原始樣本數(shù)據(jù)進(jìn)行兩次投影，即PCA 降維投影和Fisher最優(yōu)鑒別投影.由于PCA 降維形成的特征投影子空間沒(méi)有區(qū)分亮度（灰度）差異，故亮度不同的同一行人步態(tài)在該子空間投影后，投影值會(huì)不同.為克服此缺點(diǎn)，文中利用Fisher 線性判別法，通過(guò)最大化步態(tài)類間距離與步態(tài)類內(nèi)距離的比值獲取最優(yōu)鑒別的投影矩陣，從而實(shí)現(xiàn)不同行人間的步態(tài)識(shí)別.為衡量不同視角下兩個(gè)步態(tài)能量圖的相似性，先將步態(tài)能量圖轉(zhuǎn)換至同一視角，再利用最優(yōu)鑒別矩陣進(jìn)行投影并計(jì)算投影后的兩步態(tài)能量圖矢量間的歐氏距離，距離值越小，則相似度越高.

2 實(shí)驗(yàn)結(jié)果與分析

在兩類數(shù)據(jù)庫(kù)上對(duì)CSM、IIFRSD、SSM-HPC［7］及文中方法進(jìn)行對(duì)比測(cè)試.第1 類數(shù)據(jù)庫(kù)是中國(guó)科學(xué)院自動(dòng)化研究所建立的CASIA 數(shù)據(jù)庫(kù)［14］；第2 類數(shù)據(jù)庫(kù)是中南大學(xué)建立的CSUPD 數(shù)據(jù)庫(kù)，其數(shù)據(jù)來(lái)自湖南省“平安城市”監(jiān)控視頻，包括街道、路口、公交車站等處的監(jiān)控?cái)?shù)據(jù).CSUPD 數(shù)據(jù)為不同參數(shù)的相機(jī)在不同角度和不同光照條件下獲得的行人視頻.文中根據(jù)以下條件在兩類數(shù)據(jù)庫(kù)內(nèi)進(jìn)行樣本數(shù)據(jù)選擇：

（1）從CASIA-B 步態(tài)數(shù)據(jù)庫(kù)中選取124 個(gè)行人樣本，每個(gè)樣本由4 個(gè)不同視角（0°、18°、36°、54°）下的前視步態(tài)的視頻序列組成，每個(gè)視角對(duì)應(yīng)4 個(gè)視頻序列.

（2）從CSUPD 步態(tài)數(shù)據(jù)庫(kù)中選取120 個(gè)行人樣本，每個(gè)樣本對(duì)應(yīng)兩個(gè)步態(tài)視角小于60°的視頻序列.這兩個(gè)視頻序列由兩個(gè)不同監(jiān)控?cái)z像機(jī)獲取，記錄了同一行人樣本先后經(jīng)過(guò)兩個(gè)相應(yīng)的監(jiān)控?cái)z區(qū)域，每個(gè)視頻序列的時(shí)長(zhǎng)為6～10 s，含4 個(gè)以上步態(tài)周期.兩個(gè)監(jiān)控?cái)z像機(jī)位于同一街道，相距約100 m.文中將第1 個(gè)攝像機(jī)獲取的視頻序列作為目標(biāo)序列，第2 個(gè)攝像機(jī)獲取的視頻序列作為查詢序列.每個(gè)視頻序列中的步態(tài)視角采用前面方法進(jìn)行計(jì)算.

2.1 在CASIA 上的測(cè)試

為對(duì)比CSM、IIFRSD、SSM-HPC 及文中方法的前視步態(tài)識(shí)別能力，以視角為36°的行人視頻序列為查詢集，分別在視角為0°、18°、36°、54°的目標(biāo)集中查找目標(biāo)，結(jié)果如圖7所示.根據(jù)圖可知：當(dāng)查詢集與目標(biāo)集的視角相同，即目標(biāo)集為36°的視頻序列時(shí)，4 種方法都取得了良好的識(shí)別效果，相似度等級(jí)排名前5 的目標(biāo)查中率（識(shí)別率）都超過(guò)90%，而隨著查詢集與目標(biāo)集的視角差的增大，前3 種方法的識(shí)別率下降很快.當(dāng)目標(biāo)集為18°和54°的視頻序列時(shí)，前3 種方法的正確識(shí)別率低于80%，文中方法的正確識(shí)別率則高于90%；當(dāng)目標(biāo)集為0°的視頻序列時(shí)，前3 種方法的正確識(shí)別率低于70%，而文中方法的正確識(shí)別率為85%.導(dǎo)致前3 種方法識(shí)別率下降的原因主要是：當(dāng)目標(biāo)集的視角與查詢集的視角不同時(shí)，算法未在比對(duì)識(shí)別前對(duì)視頻序列進(jìn)行視角轉(zhuǎn)換，而文中方法則將目標(biāo)集中的視頻序列統(tǒng)一轉(zhuǎn)換成視角為36°的視角不變視頻序列后再進(jìn)行相似性度量.

2.2 在CSUPD 上的測(cè)試

該測(cè)試以第2 個(gè)攝像機(jī)所獲取的視頻序列為查詢集，以第1 個(gè)攝像機(jī)所獲取的視頻序列為目標(biāo)集，通過(guò)比較“查詢序列”中步態(tài)圖像在“目標(biāo)序列”中步態(tài)圖像的查中率（識(shí)別率）來(lái)衡量各種前視步態(tài)識(shí)別方法的優(yōu)劣.因同一行人是在短時(shí)間內(nèi)通過(guò)兩個(gè)監(jiān)控?cái)z像機(jī)的監(jiān)控范圍，著裝保持不變，故無(wú)需考慮著裝對(duì)步態(tài)輪廓的影響.根據(jù)圖8（a），以相似度等級(jí)排名前5 的目標(biāo)正確識(shí)別率作為對(duì)比依據(jù)，前3 種方法的正確識(shí)別率低于70%，而文中方法的正確識(shí)別率為81%.4 種方法在CSUPD 上的識(shí)別率低于在CASIA 上的識(shí)別率，原因是：CSUPD 中視頻序列的成像背景比CASIA 的更復(fù)雜；CASIA的攝像機(jī)采用平視方法進(jìn)行拍攝，行人輪廓在像平面內(nèi)無(wú)形變，而CSUPD 攝像機(jī)采用俯視方法進(jìn)行拍攝，行人輪廓在像平面內(nèi)存在形變.此外，CSM［5］、IIFRSD［6］的識(shí)別率明顯低于其他兩種方法，主要是由于這兩種方法未進(jìn)行步態(tài)視角轉(zhuǎn)換，且提取的特征是基于行人輪廓邊界.由于人體是一個(gè)立體而非平面，視角不同，行人物平面內(nèi)容不同，像平面內(nèi)容也隨之不同，視角差越大，物平面輪廓邊界差別越大，像平面輪廓邊界差別也越大，比對(duì)識(shí)別率也越低，如圖8（b）所示.

圖7 在CASIA 數(shù)據(jù)庫(kù)上4 種方法的角前視步態(tài)識(shí)別效果比較Fig.7 Comparison of front-view gait recognition effect on CASIS database among four methods

圖8 在CSUPD 數(shù)據(jù)庫(kù)上4 種方法的前視步態(tài)識(shí)別比較Fig.8 Comparison of front-view gait recognition effect on CSUPD database among four methods

以上實(shí)驗(yàn)結(jié)果表明，相比現(xiàn)有的前視步態(tài)識(shí)別方法，文中方法的正確識(shí)別率有了較大的提高.特別是在真實(shí)監(jiān)控環(huán)境下，文中基于步態(tài)能量圖的步態(tài)視角計(jì)算和自動(dòng)視角轉(zhuǎn)換，在步態(tài)視角差超過(guò)45°的情況下，仍對(duì)前視步態(tài)保持穩(wěn)定的識(shí)別率，CSUPD上13 對(duì)視角差大于45°的視頻序列（共計(jì)3 917 幀）的測(cè)試結(jié)果表明，文中方法的正確識(shí)別率為77%，而其他3 種方法都低于52%.實(shí)驗(yàn)在酷睿i7、四核1.7GHz 臺(tái)式機(jī)上完成，文中算法的識(shí)別速度達(dá)每秒21 幀，基本上實(shí)現(xiàn)了視頻序列圖像的實(shí)時(shí)識(shí)別.

3 結(jié)論

步態(tài)特征作為一種可遠(yuǎn)程且隱蔽獲取的生物特征，已激起人們持續(xù)的研究興趣，但現(xiàn)有的步態(tài)識(shí)別方法主要針對(duì)45°～90°的側(cè)視步態(tài)，并需要攝像機(jī)參數(shù)校正.針對(duì)真實(shí)監(jiān)控環(huán)境下的步態(tài)識(shí)別，識(shí)別系統(tǒng)應(yīng)該做到不依賴相機(jī)參數(shù)校正、自適應(yīng)前視或側(cè)視步態(tài).為此，文中根據(jù)GEI 質(zhì)心計(jì)算行人運(yùn)動(dòng)跡線并確定行人步態(tài)視角，根據(jù)視角將待識(shí)別步態(tài)規(guī)范成前視步態(tài)或側(cè)視步態(tài).測(cè)試結(jié)果表明，相對(duì)于其他方法，文中方法在未知相機(jī)參數(shù)的前提下，對(duì)難以識(shí)別的前視步態(tài)圖取得了更好的識(shí)別效果.今后將根據(jù)單目監(jiān)控視頻的二維特性尋找更優(yōu)的、不受環(huán)境條件控制的步態(tài)時(shí)空特性模型，通過(guò)快速且準(zhǔn)確的方向計(jì)算和視角轉(zhuǎn)換使步態(tài)識(shí)別具備更吸引人的通用性能.

［1］Bashir Khalid，Xiang Tao，Gong Shaogang.Gait recognition without subject cooperation ［J］.Pattern Recognition Letters，2010，31（13）：2052-2060.

［2］Jean Frédéric，Albu Alexandra，Bergevin Rorbet.Towards view-invariant gait modeling：computing view-normalized body part trajectories ［J］.Pattern Recognition，2009，42（11）：2936-2949.

［3］Bouchrika Imed，Goffredo Michaela，Carter John，et al.On using gait in forensic biometrics ［J］.Journal Forensic Science，2011，56（4）：882-889.

［4］中南大學(xué)信息科學(xué)與工程學(xué)院.CSUPD pedestrian database ［DB/OL］.（2013-06-07）［2014-01-22］.http：//netlab.csu.edu.cn/bioinformatics/web/csupd.htm.

［5］Soriano Maricor，Araullo Alessandya.Curve spreads：a biometric from front-view gait video ［J］.Pattern Recognition Letters，2004，25（14）：1595-1602.

［6］Barnich Olivier，Droogenbroeck Marc.Frontal-view gait recognition by intra- and inter-frame rectangle size distribution ［J］.Pattern Recognition Letters，2009，30（10）：893-901.

［7］Jegoon Ryu，Kamata Sei-ichiro.Front view gait recognition using spherical space model with human point clouds［C］//Proceedings of the 18th International Conference on Image Processing.Brussels：IEEE，2011：3209-3212.

［8］Kusakunniran Worapan，Wu Qiang，Zhang Jian，et al.Support vector regression for multi-view gait recognition based on local motion feature selection ［C］//Proceedings of the 23rd IEEE Conference on Computer Vision and Pattern Recognition.San Francisco：IEEE，2010：974-981.

［9］Jean Frederic，Bergevin Rorbet，Albu Alexandra Branzan.Body tracking in human walk from monocular video sequences ［C］//Proceedings of the 2nd Canadian Conference on Computer and Robot Vision.Victoria：IEEE，2005：144-151.

［10］Goffredo Michaela，Carter Jhon，Nixon Mark.Front-view gait recognition［C］//Proceedings of the 2nd International Conference on BTAS.Washington D C：IEEE，2008：1-6.

［11］Han Ju，Bhanu Bir.Individual recognition using gait energy image ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（2）：316-322.

［12］Hu Ming-Kuei.Visual pattern recognition by moment invariants ［J］.IEEE Transactions on Information Theory，1962，8（2）：179-187.

［13］Jean Frédéric，Bergevin Rorbet，Albu Alexandra.Computing view-normalized body parts trajectories ［C］//Proceedings of the 4th Canadian Conference on Computer and Robot Vision.Montreal：IEEE，2007：89-96.

［14］中國(guó)科學(xué)院自動(dòng)化研究所.CASIA gait database［DB/OL］.（2005-01-10）［2014-02-25］.http：//www.cbsr.ia.ac.cn/china/Gait%20Databases%20CH.asp.