基于组合特征的步态识别

１６８　２００８．４４（１６）　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　基于组合特征的步态识别　蒋加伏，宋艺，杨鼎强　ＪＩＡＮＧ　Ｊｉａ—ｆｕ，ＳＯＮＧ　Ｙｉ，ＹＡＮＧ　Ｄｉｎｇ－ｑｉａｎｇ　长沙理工大学计算机与通信工程学院，长沙４１００７６　Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ＆Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇｓｈａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ　４１００７６，Ｃｈｉｎａ　Ｅ—ｍａｉｌ：ｓｏｎｇｙｉ１９８１４７＠ｓｏｈｕ．ＣＯＢ　ＪＩＡＮＧ　Ｊｈａ—ｆｕ。ＳＯＮＧ　Ｙｉ，ＹＡＮＧ　Ｄｍｇ—ｑｉａｎｇ．Ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｏｍｂｉｎｅｄ　ｆｅａｔｕｒｅｓ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（１６）：１６８－１７０．　Ａｂｓｔｒａｃｔ：Ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｉｓ　ａ　ｎｅｗ　ｔｅｃｈｎｉｑｕｅ　ｏｆ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｂｉｏｌｏｇｉｃ　ｃｈａｒａｃｔｅｒ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａ　ｎｅｗ　ｆｕｓｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｓｕｇｇｅｓｔｅｄ　ｗｈｅｒｅｉｎ　ｔｈｅ　ｓｔａｔｉｃ　ａｎｄ　ｄｙｎａｍｉｃ　ｆｅａｔｕｒｅｓ　ａｒｅ　ｆｕｓｅｄ　ｔｏ　ｏｂｔａｉｎ　ｏｐｔｉｍａｌ　ｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅ　ｎｅｗ　ｆｕｓｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｄｉｖｉｄｅｓ　ｄｅｃｉｓｉｏｎ　ｓｉｔｕａｔｉｏｎｓ　ｉｎｔｏ　ｔｗｏ　ｃａｔｅｇｏｒｉｅｓ．ｈｅ　ｗａｖｅｌｅｔＴ　ｍｏｍｅｎｔ　ｉｓ　ｕｓｅｄ　ｔｏ　ｄｅｓｃｒｉｂｅ　ｔｈｅ　ｓｔａｔｉｃ　ｆｅａｔｕｒｅｓ　ｏｆ　ｇａｉｔ　ｓｅｑｕｅｎｃｅ　ｉｍａｇｅｓ，ａｎｄ　ｔｈｅ　ｔｈｒｅｅ　ｗｉｄｔｈｓ　ｏｆ　ｔｈｅ　ｂｏｄｖ　ｃｏｎｔｏｕｒ　ｉｓ　ｕｓｅｄ　ｔｏ　ｄｅｓｃｒｉｂｅ　ｔｈｅ　ｄｙｎａｍｉｃ　ｆｅａｔｕｒｅｓ．Ｉｎ　ａｄｄｉｔｉｏｎ，ｔｈｅ　Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＰＣＡ）　ｆｏｒ　ｆｅａｔｕｒｅ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｏｆ　ｓｐａｔｉａｌ　ｔｅｍｐｌａｔｅｓ　ｉｓ　ｐｒｏｐｏｓｅｄ．ｈｅ　ｅｘｐｅｒＴｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｐｅｒｆｏｒｍｓ　ａｎ　ｅｎｃｏｕｒａｇｉｎｇ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ．　Ｋｅｙ　ｗｏｒｄｓ：ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ；ｗａｖｅｌｅｔ　ｍｏｍｅｎｔ；Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＰＣＡ）　摘要：基于步态的身份识别是近几年出现的一种新的生物识别技术。提出了一种融合静态特征与动态特征的步态识别方法，该　算法使用小波矩描述步态序列图像的静态特征，接着使用主元分析法对小波矩进行降维，而图像的动态特征则用人体轮廓的３个　宽度特征来描述。最后，通过实验证明了该算法的有效性。　关键词：步态识别；小波矩；主元分析法　ＩＭ３Ｉ：１０．３７７８／ｊ．ｉｓｓｎ．１００２—８３３１．２００８．１６．０５１　文章编号：１００２—８３３１（２００８）１６—０１６８—０３　文献标识码：Ａ　中图分类￣Ｊ＇：ＴＰ３９１．４　１引言　随着安全敏感场合对智能监控系统需求的增加，非接触远　距离监控系统成为当前生物识别领域的一个研究热点Ｉｌ＿，例如　美国ＨＩＤ计划，旨在远距离情况下进行人的检测、分类和识　别。与传统的生物识别技术相比，步态识别技术具有非侵犯性、　远距离识别性、清晰度要求低以及难以隐藏等优点。　总的说来，步态识别方法可分为基于模型和基于统计特征　两类方法［２１。在模型方面，Ｌｅｅ等人提出了椭圆模型［３１，利用７个　椭圆描述人体的不同部分；Ｃｕｎａｄｏ等人提出了钟摆模型　，由　大腿方向角的变化以及位移得到［５１。由于人体运动过程的复杂　性，以致现有模型很难准确地描述步态特征，因此，现今许多研　究是围绕人体在一个周期内的运动特征来展开的。Ｌｉｔｔｌｅ等人　从光流图像中获取频率和相位特征进行识别旧，采用“运动形　状”（ｓｈａｐｅ　ｏｆ　ｍｏｔｉｏｎ）概念来描述待测目标的瞬间运动；王亮　里叶描述子表示步态的周期性变形模式　，不仅描述了步行时　人体的边界，而且描述了其时空变形；ｅｅ等人从人类的感知　Ｌ规律出发㈣，将人类的观察分为内容和形式两种因子，采用双　线性模型；而Ｋｕｃｈｉ等人指出步态信号是一个非线性、时变的　信号，应采用非线性、时变的信号分析方法提取特征向量ｌｌｌ】；文　献【１２】提出了基于小波矩的步态识别方法。　从上述方法可以看出，步态的许多特征都可以用作识别，　这些特征可以分为两类：静态特征和动态特征。前者反映人体　的几何特征，如身高和体形，而后者是步行时的关节变化。本文　把含有步态动态信息的人体宽度特征作为动态特征与小波矩　结合起来进行识别，从而提出了基于混合特征的步态识别方法。　２预处理　通常预处理过程包括背景建模、目标检测以及二值化图像　后处理，为了便于分类，还需要进行步态周期处理。　等人提出了一种简单有效的基于轮廓的步态识别算法，通过检　测运动目标的轮廓，利用轮廓上各点与质心的距离构成特征向　量集　；Ｋａｌｅ以目标轮廓的宽度为提取特征，使用ＤＴＷ进行特　征向量序列和样本序列的匹配　，此外Ｋａｌｅ还提出了基于连续　２．１背景建模　本文利用均值方法恢复背景图像，假设图像序列中第帧的　某像素点（　，Ｙ）的灰度值为　（　，Ｙ），那么ｎ帧图像在该点的平　隐马尔可夫模型（ＨＭＭ）的步态识别方法　；Ｍｏｗｂｒａｙ等人用傅　均灰度值为Ｂ（　，Ｙ）＝Ｍｅｄｉａｎ（Ｐ（ｘ，Ｙ）），依次计算每点的平均　基金项日：湖南省自然科学基金（ｔｈｅ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆＨｕｎａｎ　Ｐｒｏｖｉｎｃｅ　ｏｆＣｈｉｎａ　ｕｎｄｅｒＧｒａｎｔ　Ｎｏ．０６ｊｊ５０１０９）。　作者简介：蒋加伏（１９６４一），男，教授，主要研究方向为人工智能、信号与图像处理；宋艺（１９８１一），男，硕士研究生，主要研究方向：图像处理、智能信　息处堙；杨鼎强（１９６５一），女，副教授，主要研究方向：智能信息处理。　收稿日期：２００７—０９—１０　修回日期：２００８—０１—０２　维普资讯 http://www.cqvip.com 蒋加伏，宋艺，杨鼎强：基于组合特征的步态识别　２００８，４４（１６）　１６９　值，就可以得到该视频序列的背景图像（图１　ｏ　＿　图１背景图像　接影响着分类的结果。步态可提取的特征很多，具体可以分为　静态和动态两类。本文利用小波矩描述步态的静态特征，用人　体宽度描述步态的动态特征。　３．１提取小波矩　矩特征在图像识别中是一种比较有效的特征描述方法，不　变矩指的是矩度量不随位移、尺度和旋转的变化而变化。小波　矩在小波分析的基础上融合了不变矩的优点，有效地降低了小　波变换对信号分析过程中的旋转、平移的敏感性。因为其良好　的局部解析能力，所以本文引入小波矩用来描述步态序列图像　静态特征。小波矩的构造过程如—ＦＩ　：　２．２目标检测　利用背景减除方法检测运动区域，该方法是运动目标检测　中一种常用的方法。为了顺利地从噪声中分离出运动目标，可　按下述方法进行差分『ｌ３ｌ＝　ｎ，ｂ）：１　．　垄　（ｎ＋１）（６＋１）　（２５６一ａ）（２５６一ｂ）　（１）　｝０　ｎ，ｂ　）＜１，Ｏ￣ａ（ｘ，Ｙ），ｂ（　，Ｙ）￣＜２５５　其中，ｎ（　，ｙ）与ｂ（ｘ，ｙ）分别是当前图像和背景图像在像素（　，　ｙ）处的亮度值。得到各点的亮度值后，设置—个阀值就可以得　到人体部分的图像。　２－３二值化图像后处理　使用低通滤波器来消除噪声，使用形态学算子来消除小的　空洞，使图像中的前景只包含人体，如图３。最后，为了消除图　像尺度、信号长度对于训练和识别过程中的影响，把图像进行　归一化，使图像的大小统一。　＿＿　图２待处理图像　图３处理后图像　２．４步态周期处理　人在行走过程中，其高度是随着运动的进行而呈周期性起　伏的　，因此可以从中获取周期信息。当人的双脚合拢的时候，　高度最大；双脚支撑着地的时候，高度最小。连续两个最大高度　之间的时间就可以定义为步态周期。人走路的速度一般是不同　的，其周期也不同，因此为了研究方便，需要对步态周期进行归　整化。　图４一个步态周期的前半部分　观察分析图４，第４－６、７～８、９～１０帧形状改变较小。这是因　为人在迈、收腿的时候运动速率较大，形状改变较大。因此在提　取关键帧的时候，必须要把这个条件考虑进去。因此可以考虑　用如下的方法归整化步态周期：假设半个周期共有　帧图像，　取前四帧和后四帧，剩下的部分按式（２）取中问的四帧：　Ｌ４　‘孚ｊ　ｊ＝ｌ，２，３，４　（２）　按上述方法，图２归整化后的周期为第１、２，３、４、５、７、８、１０、　１１、１２、１３、１４帧。　３特征提取　特征提取是模式识别中的关键问题，其有效性与全面性直　假设厂（　，ｙ）代表灰度图像，其对应的极坐标形式为．厂（ｒ，　）。对于一个矩不变量，可ｌ；ｃ用式（３）描述　，　，　＝Ｉ　Ｉ　ｒ，Ｏ）ｇｐ（ｒ）ｅｍｒｄｒｄＯ　（３）　其中，　表示第朋阶矩，　（ｒ）是一个ｒ的函数，不同的矩其　ｇｐ（ｒ）的形式不同。　，　令Ｓｑ（ｒ）＝｛，（ｒ，　）洲　，可把式（３）改写成　ｆ　＝ｆ　（ｒ）昂（ｒ）ｒｄｒ　（４）　再令岛（ｒ）为小波基函数：　岫　＝　）　于是可得到小波矩。本文利用三次Ｂ样条小波函数作为　基函数：　）＝　ｓ（２　（２ｒ－１））ｘｅｘｐ（　其中，ｎ＝３；ａ＝－０．６９７　０６６；　＝０．５６１　１４５。　在实际使用中，需要对　．　（ｒ）进行离散化，即对尺度因子ａ　和平移因子ｂ的取值如下：　ｆａ＝Ｏ．５　ｍ＝Ｏ，１，２，３…　【ｂ＝Ｏ．５ｎ０．５　ｎ＝０，１，…，２一　离散化后的小波函数表达式为：　（ｒ）＝２　（２ｍｒ一０．５ｎ）　（６）　所以小波矩的计算为：　，　ＩＩＦ．　Ｉ１＝１１』Ｓｑ（ｒ）。　（ｒ）ｒｄｒｌ　ｌ（７）　为了描述图像的局部特征，在这里取ｍ＝０，１，２，３，ｎ＝０，１，　…，２～，ｑ＝０，１，２，３，由此可得到１３６维小波矩特征，Ｖ　（　％　…　），其中ｉ代表第ｉ个小波矩。　３．２提取人体宽度特征　在基于模型的步态识别方法中，很多方法都是依据关节角　度的周期性变化来表示步态特征的，而关节的周期性变化势必　引起人体轮廓宽度的周期性变化　，因此，人体轮廓宽度也包含　了身份信息。文献ｆ７】首先提出利用人的二值化图像的侧面外轮　廓作为图像的特征，在识别过程中计算步态序列的每一帧与标　本集之问的距离矢量，然后建立隐马尔科夫模型（ＨＭＭ）进行　识别。由于训练ＨＭＭ常用的Ｂａｕｍ—ｗｅｌｃｈ算法基于最大似然　准则，因此其分类能力较差而且算法的适应度不高，不利于实　际应用。　人在运动过程中，手臂和腿部的运动最为明显，其宽度变　化最大，因此，依据人体解剖学结构，可把人体区域分为３个部　维普资讯 http://www.cqvip.com

１７０　２００８，４４（１６）　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　预处理　分：身躯、大腿、小腿，其宽度分别为Ｗ。、Ｗ　、Ｗ，。显然，分区域的　宽度特征比单一的宽度特征包含了更多的信息。本文提取每帧　图像的这三个宽度ｗ。，Ｗ　，Ｗ，）作为特征。　特征提取　背景建模　３．３特征处理　ＰＣＡ是一种基于奇异值分解的数据分析方法ｌ２　　ｌ４１，其目的　茹　目标检测　翟　二值图像后处理　序　：　列　归整化周期　是通过线性变换寻找一组最优的单位正交向量基，用它们的线　性组合来重建原样本。根据其理论，较大特征值所对应的特征　向量代表着较大的变化，而高阶特征向量代表着较小的变化，　因此可以忽略掉小特征值及其对应的特征向量，把余下的作为　一图４基于混合特征的步态识别算法流程　表１识别率比较　算法　ＣＣＲ／％　个新的变换矩阵。经过计算，最终保留小波矩中的１７维，即　＝（　％…，　），然后结合该帧图像的３个宽度特征形成一　个２Ｏ维的新特征向量　（％　…，　，Ｗ，，Ｗ　，Ｗ３）。对于前面确　定的步态周期，新的特征变换矩阵映射组成一个２０ｘ　１　２维矩　阵。考虑到步态的时空相关性，可以利用２Ｏ个分量在一个步态　周期的变化情况描述步态特征，本文用方差来描述这个变化。　最后，把上一步得到的庞大数据压缩成一个能很好描述步　态特征的２Ｏ维的特征矢量　，其中ｎ表示第ｎ个样本，ｍ表　示第ｎ个样本的第ｍ个步态周期。　３．４识别　３．４．１相似性度量　步态识别属于判别分析的范畴，假设数据库中视频已经分　成对应不同人的不同类别，每类应该包含属于此人的各种步态　视频序列。无论取样环境如何，与不同人的步态特征比较，测试　序列应该和该人的各种不同序列组成的步态特征具有更多的　相似性。目前通常采用欧氏距离识别人体序列，而马氏距离相　比欧氏距离有如下优点：首先，马氏距离是欧几里德空间中非　均匀分布的归一化距离，不用考虑各特征的量纲；其次，马氏距　离是根据整个空间上的特征分布情况来作为判别依据的，排除　了模式样本之间的相关性影响，同时，其结果给出的是一个数　值，判断标准简单易行。样本　与　的马氏距离可以定义为：　ｒ　＝　（　，　）＝［（　—　）　∑。（　）　（８）　在实际处理，１７个小波矩分量与３个宽度分量的权重是　不一样，而马氏距离没有体现这一点，因此有必要进行修正：　＝　（　，　）＝［（　）　ｗ∑　（　）　（９）　其中，ｗ为权系数矩阵。　３．４．２分类器选择　由于仅仅是测试所提特征的有效性，因此本文采用简单成　熟的分类器：最近邻分类器（ＮＮ　ｏ显然更成熟的分类器将大大　提高分类的性能。　４算法描述　按照模式识别的一般程序：预处理、特征提取、特征选择　以及分类识别，本文提出的基于混合特征的步态识别算法描　述如图４。　５实验　由于目前没有通用的数据库进行步态识别实验，因此设计　了　个步态数据库。该数据库包括１０个人，每人５个视频序　列，采集速率为２５帧，ｓ，分辨率为３２０ｘ１６０。本文算法与其他算　法在该数据库上获得的识别率如表１所示。　为了评价该算法的性能，本文利用人脸识别中用到的一种　分类性能度量ＲＯＳ（Ｒａｎｋ　Ｏｒｄｅｒ　Ｓｔａｔｉｓｔｉｃ）来评估算法的性能，　基于人体宽度特征　８５　基于小波矩８７．３　本文算法　９２．１　该方法在ＦＥＲＥＴ［　唧估协议中首先被提到，是以累计匹配分值　（Ｃｕｍｕｌａｔｉｖｅ　Ｍａｔｃｈ　Ｓｃｏｒｅ，ＣＭＳ）来描述性能统计特性。其中，横　轴代表阶次，纵轴是正确匹配的累计百分比，当Ｒａｎｋ＝１时，纵　轴表示的是实际正确的分类率。如图５。此外，本文还采用留一　规则估计了算法的错误接受率（ＦＡＲ）和错误拒绝率（ＦＲＲ），图　６给出了该算法在使用最近邻分类器的情况下的ＲＯＣ　（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲线。　１．Ｏ　ｏ．９　Ｏ．８　趔缸　｛等　醉姒辎蝼擐　Ｏ．７　Ｏ．６　Ｏ．５　ｎ４　Ｏ－３　Ｏ．２　Ｏ．１　阶次　图５基于ＦＥＲＥＴ协议的ＲＯＳ曲线　错误接受率　图６基于ＮＮ分类器的ＲＯＣ曲线　从实验结果可以看出，基于组合特征的步态方法，由于融　合了步态序列图像的静态与动态特征，其识别结果明显高于单　—特征的方法。　６结束语　、　本文提出了基于组合特征的步态识别方法，同时提取了步　态的静态特征和动态特征，利用小波矩的细节辨析能力描述步　态序列图像的静态特征，此外，在步态运动特点的基础上提取　人体的３个宽度特征描述步态的动态特征。实验结果表明，该　算法能达到满意的识别率。今后的工作主要集中在融合小波矩　特征与宽度特征时其权值矩阵的确定上，以得到更好的结果，　此外，在更大的数据库上实践该算法也是工作的重点之一。　（下转１８４页）　维普资讯 http://www.cqvip.com １８４　２００８．４４（１６）　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　文将其引入基于机器视觉的磁瓦表面缺陷检测系统中。由于采　用ＣＣＤ采集的图像含有大量噪声，所以首先对其进行了形态　腐蚀和开运算滤波处理，然后对图像二值化的图像采用形态腐　蚀提取出缺陷轮廓，最后采用了三种不同的形态边缘检测算法　对其边缘检测进行了分析比较。通过对磁瓦崩烂表面缺陷图像　实验，表明该方法能较好地对这种磁瓦缺陷进行准确和高效地　Ｏ　６４　１２８　１９２　检测，同时，能很好地扩展到其它缺陷的检测。　图７形态滤波后灰度直方图　算子：Ｇ∽＝　）一（ｆｏｇ）　。　参考文献：　【１］章琉晋．图像工程（中册）：图像处理和分析【Ｍ］．北京：清华大学出版　社，１９９９．　采用３ｘ３的矩形结构元素，分别用三种边缘检测算子对　缺陷提取出的６（ｄ）进行运算，其结果如图８所示。　【２］冈萨雷斯．数字图像处理【Ｍ］．际秋倚，译．２版．北京：电子工业出版杜，　■■■　２００３．　【３李刚，３Ｊ黎燕．基于数学形态学的二值图像的边缘检测【ＪＪ．电子产品可　靠性与环境试验，２００４，６：３５—３７．　学报，２００４，９（４）：４０８—４１　１．　ａｇｅ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，１９９８，１４５（１）：４１—４９．　【４］张恒，雷志辉，丁晓华．一种改进的中值滤波算法【ＪＪ．中国图象图形　（ａ）采用膨胀边缘检　测算子　（ｂ）采用腐蚀边缘检　测算子　图８边缘检测　（ｃ）采用梯度边缘　检测算子　【５］Ｇａｓｔｅｒａｔｏｓ　Ａ，Ｔｓａｌｉｄｅｓ　Ｓ．Ｆｕｚｚｙ　ｓｏｆｔ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ［Ｊ］．Ｉｍ－　从图８可知，采用腐蚀边缘检测算子进行缺陷边缘检测效　果比较好，由于检测的结果缺陷边缘比较细，所以为进一步的　【６］６　Ｇｏｎｇ　Ｗｅｉ，Ｓｈｉ　Ｑｉｎ－ｙｕｎ，Ｃｈｅｎｇ　Ｍｉｎ－ｄｅ．ＣＢ　Ｍｏｒｐｈｏｌｏｇｙ　ａｎｄ　ｉｔｓ　ａｐ－　ｐｌｉｃａｔｉｏｎ【ＲＪ．Ｔｈｅ　Ａｎｎｕａｌ　Ｒｅｐｏｒｔ　ｏｆ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｍａ－　ｃｈｉｎｅ　Ｐｅｒｃｅｐｔｉｏｎ　ｏｆ　Ｐｅｅｋｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，１９９０，１：５８—６８．　精确缺陷面积计算提供了较好的条件．通过计算缺陷面积（采　用１：１象素规格），再与厂家规定的缺陷面积等级比较，判定该　图像为缺陷图像。　【７］冯桂，桂预风，林宗坚．灰度边缘检测中的形态学方法【ＪＪ．理论研究，　２０００，５（４）：１２—１４．　【８］饶海涛，翁桂荣．基于数学形态学的图像边缘检测【ＪＪ．苏州大学学　报：自然科学版，２００４，２０（２）：４２—４５．　【９俞妍妍，９Ｊ王继成．多尺度形态梯度的图像边缘检测【ＪＪ．计算机工程与　应用，２００３，３９（１８）：７５—８２．　４结论　数学形态学是以集合论为基础的一种图像处理技术，本　（上接１７０页）　Ｇｅｓｔｕｒｅ　Ｒｅｃｏｇｎｉｔｉｏｎ，Ｗａｓｈｉｎｇｔｏｎ　ＤＣ，ＵＳＡ，２００２：３３６—３４１．　【９］Ｍｏｗｂｒａｙ　Ｓ　Ｄ，Ｎｉｘｏｎ　Ｍ　Ｓ．Ａｕｔｏｍａｔｉｃ　ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｖｉａ　ｆｏｕｒｉｅｒ　参考文献：　【１］Ｂｏｕｌｇｏｕｒｉｓ　Ｎ　Ｖ，Ｈａｔｚｉｎａｋｏｓ　Ｄ，Ｐｌａｔａｎｉｏｔｉｓ　Ｋ　Ｎ．Ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ：ａ　ｃｈａｌｌｅｎｇｉｎｇ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ　ｆｏｒ　ｂｉｏｍｅｔｒｉｃ　ｉｄｅｎｔｉｉｃａ—　ｆｄｅｓｃｒｉｐｔｏｒｓ　ｏｆ　ｄｅｆｏｒｍａｂｌｅ　ｏｂｊｅｃｔｓ［Ｃ］／／Ｋｉｔｔｌｅｒ　Ｊ，Ｎｉｘｏｎ　Ｍ　Ｓ．ＡＶＢＰＡ　２００３，Ｇｕｉｌｄｆｏｒｄ，ＵＫ，２００３：５６６—５７３．　【１０］Ｌｅｅ　Ｃｈａｎ—ｓｕ，Ｅｌｇａｍｍａｌ　Ａ．Ｇａｉｔ　ｓｔｙｌｅ　ａｎｄ　ｇａｉｔ　ｃｏｎｔｅｎｔ　ｂｉｌｉｎｅａｒ　ｍｏｄｅｌｓ　ｆｏｒ　ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｇａｉｔ　ｒｅｓａｍｐｌｉｎｇ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｓｉｘｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｕｔｏｍａｔｉｃ　Ｆａｃｅ　ａｎｄ　Ｇｅｓｔｕｒｅ　Ｒｅｃｏｇｎｉｔｉｏｎ，Ｓｅｏｕｌ，Ｋｏｒｅａ，２００４：１４７—１５２．　ｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｍａｇａｚｉｎｅ，２００５，２２（６）：７８—９０．　【２］王亮，胡卫明，谭铁牛．基于步态的身份识别【ＪＪ．计算机学报，２００３，　２６（３）：３５３—３６０．　【３］Ｌｅｅ　Ｌ，ＧＲ　Ｉｍｓｏｎ　Ｗ．Ｇａｉｔ　ａｎａｌｙｓｉｓ　ｆｏｒ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｃｌａｓｓｉｉｆｃａ—　ｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｆａｃｅ　ａｎｄ　Ｇｅｓｔｕｒｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｗａｓｈｉｎｇｔｏｎ　ＤＣ，ＵＳＡ，２００２：５５—６２．　【１１］Ｋｕｃｈｉ　Ｐ，Ｐａｎｃｈａｎａｔｈａｎ　Ｓ．Ｉｎｔｉｒｎｓｉｃ　ｍｏｄｅ　ｆｕｎｃｔｉｏｎｓ　ｆｏｒ　ｇａｉｔ　ｒｅｃｏｇ—　ｎｉｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００４　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｃｉｒｃｕｉｔｓ　ａｎｄ　Ｓｙｓｔｅｍｓ，Ｖａｎｃｏｕｖｅｒ，Ｃａｎａｄａ，２００４，２：１１７—１２０．　【４］Ｃｕｎａｄｏ　Ｄ，Ｎｉｘｏｎ　Ｍ　Ｓ，Ｃａｒｔｅｒ　Ｊ　Ｎ．Ａｕｔｏｍａｔｉｃ　Ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　Ｄｅ—　ｓｃｒｉｐｔｉｏｎ　ｏｆ　Ｈｕｍａｎ　Ｇａｉｔ　Ｍｏｄｅｌｓ　ｆｏｒ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｐｕｒｐｏｓｅｓ［Ｊ］．ＣＶ　ＩＵ，　【１２］Ｚｈａｏ　Ｇｕｏｙｉｎｇ，Ｃｕｉ　Ｌｉ．Ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｆｒａｃｔｌａ　ｓｃａｌｅ　ａｎｄ　ｗａｖｅｌｅｔ　ｍｏｍｅｎｔｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２００６．　【１３］Ｋｕｎｏ　Ｙ．Ａｕｔｏｍａｔｅｄ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｈｕｍａｎ　ｆｏｒ　ｖｉｓｕａｌ　ｓｕｒｖｅｉｌｌｎｃｅ　ｓｙｓ—　ａ２００３，９０（１）：１～４１．　【５］Ｃｕｎａｄｏ　Ｄ，Ｎｉｘｏｎ　Ｍ　Ｓ，Ｃａｒｔｅｒ　Ｊ　Ｎ．Ｕｓｉｎｇ　ｇａｉｔ　ａｓ　ａ　ｂｉｏｍｅｔｒｉｃ．ｖｉａ　ｔｅｍ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅｏｎ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇ—　ｎｉｔｉｏｎ，Ｖｉｅｎｎａ，１９９６：８６５—８６９．　ｐｈａｓｅ—ｗｅｉｇｈｔｅｄ　ｍａｇｎｉｔｕｄｅ　ｓｐｅｃｔｒａ［Ｃ］／／ＢｉｇＵｎ　Ｊ，Ｃｈｏｌｌｅｔ　Ｇ，Ｂｏｒｇｅｆｏｒｓ　Ｇ．ＡＶＢＰＡ　１９９７，Ｃｒａｎｓ—Ｍｏｎｔａｎａ，Ｓｗｉｔｚｅｒｌａｎｄ，１９９７：９５—１０２．　【１４］Ｓｕ　Ｈ，Ｈｕａｎｇ　Ｆ　Ｇ．Ｍａｒｋｅｒｌｅｓｓ　ｈｕｍａｎ　ｇａｉｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂｙ　ｓｈａｐｅ　【６］Ｌｉｔｔｌｅ　Ｊ，Ｂ。ｙｄ　Ｊ．Ｒｅｃｏｇｎｉｚｉｎｇ　ｐｅｏｐｌｅ　ｂｙ　ｔｈｅ　ｇａｉｔ　ｔｈｅ　ｓｈａｐｅ　ｏｆ　ｍｏ—　ａｎｄ　ｍｏｔｉｏｎ　ａｎａｌｙｓｉｓ［Ｃ］／／Ｐｒｏｃ　２ｔｈ　ＩＣＩＳＩＰ，２００５．　【１５］Ｕｎｓｅｒ　Ｍ，Ａｌｄｒｏｕｂｉ　Ａ，Ｅｄｅｎ　Ｍ．Ｏｎ　ｔｈｅ　ａｓｙｍｐｔｏｔｉｃ　ｃｏｎｖｅｒｇｅｎｃｅ　ｏｆ　Ｂ－ｓｐｌｉｎｅ　ｗａｖｅｌｅｔｓ　ｔｏ　Ｇａｂｏｒ　ｆｕｎｃｔｉｏｎｓ［］Ｊ．ＩＥＥＥ　Ｔｒａｎｓ　Ｉｎｆｏｒｍ　Ｔｈｅｏｒｙ，　１９９２，３８：８６４—８７２．　ｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　Ｒｅｓｅａｒｃｈ，１９９８，１（２）：２—３２．　【７］Ｋａｌｅ　Ａ，Ｃｕｎｔｏｏｒ　Ｎ，Ｙｅｇｎａｎａｒａｙａｎａ　Ｂ，ｅｔ　ａ１．Ｇａｉｔ　ａｎａｌｙｓｉｓ　ｆｏｒ　ｈｕｍａｎ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ［Ｃ］／／Ｋｉｔｔｌｅｒ　Ｊ，Ｎｉｘｏｎ　Ｍ　Ｓ．ＡＶＢＰＡ　２００３，Ｇｕｉｌｄｆｏｒｄ，ＵＫ，　２００３．　【１６］Ｐｈｉｌｌｉｐｓ　Ｊ，Ｍｏｏｎ　Ｈ，Ｒｉｚｖｉ　Ｓ，ｅｔ　ａ１．ｈｅ　ＦＥＲＥＴ　ｅｖａｌＴｕａｔｉｏｎ　ｍｅｔｈｏｄ—　【８　Ｋａｌ８］ｅ　Ａ，Ｒａｊａｇｏｐａｌａｎ　Ａ，Ｃｕｎｔｏｒ　Ｎ，ｅｔ　ａ１．Ｇａｉｔ＂ｂａｓｅｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｈｕｍａｎｓ　ｕｓｉｎｇ　ｃｏｎｔｉｎｕｏｕｓ　ＨＭＭｓ［Ｃ］／／ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　Ｆａｃｅ　ａｎｄ　ｏｌｏｇｙ　ｆｏｒ　ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓＩＪ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔ—．　ｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０００，２２（１０）：１０９０—１１０４．