步态识别在智能视频监控系统中的应用前景

田 广 ，徐 奕，杨小康

（1.上海博康智能网络科技有限公司，上海 200333；2.上海交通大学 电子工程系 图像通信与信息处理研究所，上海 200240；3.上海市数字媒体处理与传输重点实验室，上海 200240）

0 引言

步态识别是一种新兴的生物特征识别技术，旨在根据人们走路的姿势进行人的身份认证。如果说人脸、指纹等静态图像的识别是第一代生物识别技术，那么步态这种动态识别则是第二代生物识别技术。第一代生物特征识别技术通常要求近距离的或者接触性的感知，如指纹需要接触指纹扫描仪，眼虹膜需要近距离捕捉，而人脸图像也需要近距离采集而提供足够的分辨力等。另外，随着犯罪手段的不断智能化、科技化，第一代生物特征识别技术将面临防伪、防盗的挑战。研究显示，用明胶制成的假手指就可以轻而易举地骗过指纹识别系统，在隐形眼镜上蚀刻出的虚假眼虹膜特征也可以让虹膜识别系统真假难辨，而人脸识别则易受化妆术、佩戴物的影响等[1]。步态识别可克服以上缺陷，在远距离非接触的状态下进行，具有可远距离获取，非接触性和非侵犯性，以及难以隐藏、难以模仿或盗用等优点[2]。从智能视频监控的未来发展来看，步态是远距离情况下最有潜力的生物特征，并且是进一步精细化监控功能的必要线索，在辅助身份识别的同时，还可实现目标对象的年龄和性别判别，甚至可用于辨别目标对象的种族类型[3-5]。

近年来，步态识别研究引起了各国学术科研机构的重视，它在门禁系统、安全监控、人机交互、医疗诊断等领域均具有广泛的应用前景和经济价值。美国国防高级研究项目署DARPA在2000年资助的HID（Human Identifi⁃cation at a Distance）计划，它的任务就是开发多模态的、大范围的视觉监控技术以实现远距离情况下人的检测、分类和识别，以增强国防、民用等场合免受恐怖袭击的自动保护能力。在新兴的智能家庭看护领域，步态分析可帮助及时发现老人和小孩的摔倒事件。在医学研究中，通过步态分析可以评估患者是否存在异常步态以及异常的特性和程度，从而为研究步态异常原因、制定治疗方案提供必要的依据[6]。步态识别的研究成果还可以扩展到解决计算机视觉领域的其他问题，比如区分不同的行为（跑步、拳击、打网球的击球动作等）、手语的解释等。因此，步态识别技术融合了计算机视觉、模式识别与视频/图像序列处理等多个领域的研究成果，将成为未来智能监控领域备受关注的前沿研究方向。

1 步态识别系统的基本框架和传统应用

步态识别系统具有视频采集、视频预处理、运动目标分割、目标分类、步态特征提取与表达、步态特征分类和身份识别等7个基本模块，其基本框架如图1所示。

视频预处理重点集中在背景模型的建立、阴影消除、尺度归一化等环节，为运动目标分割提供完整的背景图像以及为步态标志物的提取做好准备工作[7]。目标分类用于提取有效的行人区域，特征提取模块将在步态周期计算基础上形成步态特征，常用的步态特征包括行走速度、步长、步伐宽度、步伐频率等。特征描述将在步态特征空间上进行，常用的描述算子包括人体模型描述子（椭圆模型、钟摆模型等）[8-9]、步态能量图[10]、傅里叶描述子[11]。最后，将步态特征描述子送入步态分类器中，输出对应的身份识别结果。常用的步态分类器一般基于模板匹配法[12]或者统计方法而建立[13]。

目前，步态识别系统主要应用于智能化监控领域，对犯罪嫌疑分子进行身份认证。但步态计算较复杂，且易受情绪、穿戴物、走路角度的影响，识别准确率为80%～90%，远低于第一代生物特征识别技术[1]。针对这一问题，将多种生物特征融合进行身份识别是深度使用步态信息的有效手段，可充分发挥步态识别在一些特殊场合的重要作用。近年来，越来越多的专家学者展开了人脸和步态特征融合识别的研究[14]，以及在进行步态身份认证的同时还提供兴趣目标的性别、年龄信息[4，15]，有力推动了智能监控系统的精细化发展。

2 步态识别在未来视频监控中的应用前景和相关前沿研究工作

2.1 基于步态特征的年龄识别

目前的年龄估计方法主要是以人的面部特征为依据。现有研究表明，步态特征在不同的年龄段会呈现出其规律特性：1）身形比例不同；2）步伐频率、步长不同；3）行走速度不同；4）抬脚高度不同；5）关节的位置、角度、角加速度、对称性等。

与传统的基于人脸的年龄估计相比，用步态作为年龄特征具有以下互补优势：

1）数据采集方便。采集对象的近距离人脸图片需要当事人保持静止并进行配合，不易操作；而采集对象的步态数据可以不需要对象的配合，更适合户外开放环境下、远距离的监控任务，且能节省时间。

2）检测条件不同。利用人脸来估计，需要准确拍摄到人的正面脸部图像，这在开放环境下不易获得，即使能拍到远距离的低分辨力图片，其信息量也不足以保证识别质量；而利用步态特征，即使没有拍摄到人脸，仅凭对象行走的视频序列即可作出判断。

3）抗干扰能力不同。人脸图像在有外部干扰条件下会降低判决力，比如在化妆、整容、遮挡情况下，仅凭人脸图像几乎无法正确判断年龄，而人的步态是难以隐藏和伪装的。

根据应用场合的不同要求，目前有两类年龄估计方法，或者估计一个人准确的年龄值，或者推断一个人所属的年龄段区间。在已有的方法中，基于年龄段的分类是最常见的，一方面因为面向精确年龄估计任务的数据库难以采集，另一方面，在大多数应用中并不需要估计出对象的精确年龄，而只需要粗略估算出对象属于哪个年龄层。步态特征中所蕴含的年龄信息非常适用于第二类年龄估计任务的高效实现。生物、医学领域的一些研究工作表明，在人的不同年龄阶段，人的步态特征（如行走速度、步长、步伐宽度、步伐频率等）都会发生很大的变化。这为利用步态特征来实现年龄估计提供了科学依据。2010年，新加坡南洋理工大学的Lu等学者首次提出了一种基于步态的年龄估计方法[4]。该算法将每个年龄值编码为8位的二进制序列，并考虑到同龄的男女之间步态存在较大差异，用多标注学习的方法得出性别和年龄编码之间的相关性，最终采用多标注KNN方法给出基于步态的年龄识别结果。该方法验证了步态特征用于年龄估计的可行性。

智能视频监控中年龄信息是很重要的一种身份属性。如果获得了监控对象的年龄，就有望在此基础上推出相关的新应用：

1）协助公安部门抓捕通缉犯。通常，当刑事案件发生后，即使监控视频没有拍到犯罪嫌疑人的脸部图像，也能通过其步态视频获取其大致的年龄区间，缩小对犯罪嫌疑人的搜寻范围。

2）业务监控环境下，年龄信息将增强人机交互和客户体验。例如，在商场宣传展柜中，当监控视频系统远距离识别出消费者的年龄段后，随即播放该年龄段感兴趣的宣传片或者推送出合适的商品实物。除此之外，可以统计展柜前各个年龄段的人数，反映展品对不同年龄层的吸引力。

3）提供新一代门禁系统。例如，在有年龄限制的区域（网吧、酒吧等）设置报警装置，基于步态分析对出入人员作出年龄段鉴别，一旦不符合规定的人群进入，便触动报警设备。

2.2 基于步态特征的性别识别

现有研究工作表明，步态特征的引入可以有效辅助大尺度监控范围内的性别识别任务。2002年，麻省理工学院人工智能实验室的学者L.Lee和W.E.L.Grimson提出了一种基于步态外观表示的年龄估计方法，其工作机理是利用人体的质心位置将行人二值轮廓图划分为7个部分，对每个部分用椭圆逼近并提取静态特征，同时通过傅里叶变换得到步态序列的动态特征，将这两种特征融合之后采用ANOVA方法进行降维，送入SVM分类器输出年龄分类结果。在不同光照环境下，该工作能够获得84%～90%的性别识别率。不足的是，所采用的实验数据库较小，视频中人的行走方向仅为水平方向[16]。

2007年，伦敦大学玛丽皇后学院计算机系的Cai⁃feng Shan和Shaogang Gong等人基于人脸图像和步态行为存在相关性的事实，提出了一种基于典型相关分析（CCA）对步态特征和人脸特征进行融合的方法。在CA⁃SIA数据库上的实验表明，这种多模态特征融合的性别识别系统能够取得高达97.2%的识别率。该工作的局限性在于提取特征的方法较复杂，受光照的影响较大[15]。

2008年，伦敦大学的Xuelong Li等学者通过大量实验研究了人体各个部位对步态性别识别的影响，该工作首先根据医学原理将人体分为头、肩、躯干、大腿、前小腿、后小腿和脚等7个部位，用欧氏距离来度量各部位平均步态图像之间的相似性，用SVM分类器来识别。该方法在USF步态数据库上进行了数百次实验，列出了每个身体部位在不同条件下对性别识别的贡献作用，为后续的研究工作提供了很好的指导意义[17]。

2008年，北京航空航天大学智能识别与图像处理实验室建立了具有7个视角、60个人的IRIP步态数据库，首次开展了多视角的步态性别识别研究工作。该工作对二值轮廓图的水平、垂直投影特征向量采用PCA方法进行降维，然后通过SVM分类给出性别识别结果。另外，还采用了Fisher线性判决测试了不同视角下的类别可分度，实验结果表明各角度下的平均识别率达到了85%[18]。

2009年，中科院自动化所模式识别国家重点实验室的Shiqi Yu等学者提出了一种对不同人体区域的步态信息进行加权的性别识别方法。该方法在步态能量图的基础上将人体分为5个区域，并赋予不同的权重，加权后的区域步态特征经过ANOVA方法降维后送入SVM进行分类。该方法易于操作，并在CASIA数据库上取得了95.97%的识别率。另外，在跨种族的步态数据库上进行了性能测试实验，取得了约87%的识别率[3]。

2009年，台湾大学网络与多媒体研究所的Ping-Chieh Chang等学者研究了实时约束条件下的多视角步态性别识别。该方法以步态能量图作为特征，通过主成分分析和线性判决分析的方法、Fisher-boosting的方法来训练多个分类器，在多视角的情况下进行了性别分类实验。同时，此方法还被应用到真实场景中来测试其有效性，获得了84%的识别率。这个方法较为全面地给出了多视角条件下步态性别识别的研究工作[19]。

3 多视角的步态识别技术

迄今为止，大多数的步态识别工作都基于单一的视角，其中侧视图（视线与步行方向成90°角）用得最多，因为一般认为侧视图包含的信息量最大。在实际的应用领域，多视角步态信息可提供更全面的对象步态特征，因为在单一的镜头下，观测对象一般可以自由地向各个方向走动，视角的改变会导致识别率的剧烈下降。

为了解决这个问题，研究者开始联合使用多个视角来进行步态识别，并引入主动视觉系统保证兴趣目标步态图像的连续获取[20]。在不同视角下，由于步态行为的观测特征会产生差异，与姿态无关的步态特征提取和基于多视几何的特征变换从而成为目前主流的两类方法。

A.Y.Johnson等人在多视角步态识别过程中引入了与姿态无关的人体静态特征，例如身高，身体各部分之间的距离等，在个体外观特征具有一定变化的数据库上仍能取得94%的识别率[21]。2002年，Ben Abdelkader等人提出一个与姿态无关的步态特征，他们对兴趣目标（已被成功检测和跟踪）的每一帧图像均用给定模板提取运动块，这些运动块序列图像之间的自相似特征则作为步态特征进行识别，实验结果表明，在为期一周所采集的8视角的室内步态图像序列上，任意视角的平均步态识别率为65%[22]。Wang等人基于统计形状分析建立步态特征，该工作将行人轮廓边缘点与质心之间的距离构成一个二维时序矢量，该矢量可描述与姿态无关的行人轮廓的时变特性。CASIA-A数据库的实验结果表明，此类步态特征在任意视角下的平均步态识别率为84.1%[23]。2007年，Hong等人提出一种新的步态描述模型-Mass vector，定义为行人轮廓图像某给定行上的非零值像素数，而多帧的Mass Vector构成一个与姿态无关的矢量序列，CA⁃SIA-A数据库的实验结果表明，Mass Vector步态特征的正确分类率超过95%[24]。

2001年，Shakhnarovich等人发明了基于图像的可视外壳（Image Based Visual Hull），通过虚拟视生成技术对多视角的人脸和步态图像序列进行视角归一化处理，如虚拟生成正面的人脸和侧视的步态图像序列，然后在同一视角下进行身份识别，实验证明视角归一化过程提高了身份识别率[25]。2009年，Bodor等人基于多视角步态图像重构出与训练集视角一致的步态特征来克服视角变化对识别率的影响[26]。2010年，Worapan Kusakunniran等人采用支持向量回归法（SVR）建立出不同视角之间的步态特征转换模型（VTM），从而将不同视角下的步态序列都转换为同一视角，接下来即可使用现有的步态分析技术来完成身份识别。以上方法均采用计算机视觉中的多视几何理论，在一定程度上克服了视角变化对步态识别的影响。考虑到多视几何变换过程中步态信息会有一定损失，Xiaxi Huang等人基于各个视角下有效信息量的大小，定义了多视角步态信息的融合机制，充分利用了各个视角下步态行为的观测特征，比单一视角的步态识别率提升了4%～18%[27]。

4 主要的步态数据库

步态数据库是评价和比较步态识别算法性能的重要工具。通常，一个步态数据库包含了同一场景下多个对象的步态序列图像，每个对象有一组视频，而每一个视频记录的是这个对象在一段时间内（几秒或几十秒）走过一段距离（几米或几十米）的步态序列图像。根据不同的研究目的，每个数据库具体的拍摄条件会有所不同。由于计算机的存储和处理能力有限，早期的步态识别研究多是在较小的数据库下进行。随着研究的深入，不少研究机构（如参与HID计划的大学）都建立了大型的专用步态数据库。下面详细介绍5个最常用的步态数据库：UC⁃SD，Soton，CMU Mobo，USF和CASIA。其中，UCSD和So⁃ton提供单一视角（与视线垂直）的对象步态图像序列，CMU Mobo，USF和CASIA则提供了多个视角的对象步态图像序列。

UCSD（University of California,San Diego）步态数据库是一个在室外拍摄的小型数据库，从网址http：//www-mitpress.mit.edu/e-journals/Videre/001/articles/Lit⁃tle-Boyd/gait/gait.html可下载该数据库。UCSD步态数据库包含了6个对象，每个对象有7个步态序列，总共42个序列。步态数据的采集如图2所示。所有对象沿着一个回路行走，摄像机的位置固定，每一时刻只有一个人出现在无反射的背景墙前，其行走方向与拍摄视线成90°角。所有对象都轮流出现在画面中，经过15 min后视频拍摄完成，然后再分切为小段序列。

原始图像是640×480像素的24位彩色图，经重采样等处理后为320×160的黑白图。

使用SPSS 13.0软件对数据进行分析，计量资料采用（±s）表示，并进行t检验，计数资料采用χ2检验，P＜0.05为差异有统计学意义。

Soton（Southampton Human ID at a Distance data⁃base）数据库同时考虑了室内和室外两类拍摄场景。室内场景数据又分为2种采集形式：人在跑步机行走和人在地面上行走。其中背景被布置为绿色的幕布。室外数据的采集条件则相对宽松，没有对视频背景进行限制，某些序列会有少量人和车出现。Soton数据库由1个约100人的大型数据库和1个12人的小型数据库组成。大型数据库的内容比较单一，目的是用来测试算法对正常行走步态序列的身份识别性能。小型数据库考虑到了多种变化因素，比如携带物、衣着和鞋子等对步态的影响，目的是评估步态识别算法在各种变化条件下识别性能的稳健性。与UCSD步态数据库类似，Soton步态数据库提供的是单一视角下不同对象的步态图像序列。

CMU MoBo（Carnegie Mellon University Motion of Body）数据库在室内场景下拍摄，包含了25个对象在跑步机上行走的视频。如图3所示，数据分别从6个视角采集，每个对象有4种步态模式：慢速行走、快速行走、倾斜面上行走和携带球体行走（为了限制手臂摆动）。每个视频长约11 s，图像分辨力为640×480像素，包含10个步态周期。在步态数据库建立的同时，还标识了对象的年龄、性别和体重信息，因此该数据库可为新兴的步态年龄识别和步态性别识别研究提供算法的性能评估平台。

USF（University of South Florida）步态数据库是针对室外开放场景而建立的大型数据库，由122个对象的1870个视频序列所构成，视频的采集时间分为2次，总数据量达到了1.2 Tbyte。每个对象在摄像机前沿椭圆路线行走至少5圈，最后一圈的视频被选为有效数据。对每个对象，有5种可变条件：

1）鞋的类型不同，分为A和B这2种；

2）携带状态不同，根据手上是否提包分为NB和BF；

3）地表状态不同，分为草地（Grass）和水泥地（Con⁃crete），记为G和C；

4）摄像机视角不同，分为左视角和右视角，记为L和R；

5）拍摄时间不同，在同一年的5月份和11月份分2次拍摄，记为t1和t2。

根据这些可变条件，数据库分为了A～L等12个子集。在建立数据库的同时，Sarkar等研究人员也提出了一种基于该数据库的基线（Baseline）算法。该算法在实验中选取的训练集（Gallery）是（G，A，R，NB，t1），即从右方拍摄的人穿着A类的鞋子、没有提包，在草地上行走的视频集。选取B～L为测试集，这11个视频集的采集条件与A视频集都有区别并且彼此各不相同。在当前所有步态数据库中，USF步态数据库的环境变化条件最多、最全面。对象与样本数也非常丰富，是国外步态数据库中规模最大的。由于步态数据在室外采集，增加了许多识别过程的复杂性，如需克服光照的变化，背景中云的运动带来的影响等。该数据库目前广泛应用于步态识别算法的稳健性评估。

CASIA（Institute of Automation，Chinese Academy of Sciences）步态数据库由中国科学院自动化研究所创建，是国内最完备的数据库。该步态数据库有3个数据集：Dataset A（小规模库），Dataset B（多视角库）和Dataset C（红外库）。Dataset A包含20个对象的步态数据，每个对象有12个图像序列，通过3个行走方向（与图像平面分别成0°，45°，90°）采集获得。整个数据库包含13139幅图像，大小约有2.2 Gbyte；Dataset B是一个大规模的，多视角的步态数据库，该数据库中共有124个对象，每个对象的步态序列包含11个拍摄视角（0°，18°，36°，…，180°）和3种行走条件（普通条件，穿大衣，携带包裹条件）。由于该集合所包含的对象数目众多，且每个对象的步态数据量也很丰富，因此该数据集被广泛应用于评估步态识别算法。Dataset C是采用红外（热感）摄像机在夜间拍摄获得的大规模数据库。该集合包含153个对象，每个对象在4种条件下行走：正常行走，快走，慢走，带包走。由于该数据集拍摄的是红外图片，所以较少应用于步态识别方法的性能评估中。

此外，HID-UMD步态数据库提供了开放场景下噪声干扰最为显著的多视角步态图像序列。该数据库可用于考察在图像质量较差情况下不精确的特征提取对步态识别的影响。

5 结论与展望

在未来的智能监控系统中，步态识别技术在远程身份识别方面将发挥重大的作用，并且以下几个研究工作将成为热点：

1）具有年龄和性别标识的步态数据库的建立，以及具备年龄识别和性别识别功能的步态识别技术。

2）多视角、多生物特征融合的步态识别技术是提升身份识别率的有效手段，有望推广至公共安全、家庭看护以及医疗诊断等众多领域，创造不菲的经济价值。

3）现有步态识别算法考虑的是简单背景下的身份识别，未来步态识别技术的研究将集中于复杂场景下的身份识别。这些场景往往是社会安防重点关注的区域，如机场、广场、重要政府部门等高人流量场合。

[1] 欧阳常青.步态识别技术在反恐等公共安全领域中的应用[J].新疆警官高等专科学校学报，2005（3）：63-64.

[2]TISTARELLI M，LI S Z，CHELLAPPA R.Handbook of remote biometrics for surveillance and security[EB/OL].[2010-05-20].http：//icast.icst.org/2010/06/handbook-remote-biometrics-surveillance-andsecurity.

[3]YU S Q，TAN T N，HUANG K Q，et al.A study on gait-based gender classification[J].IEEE Trans.Image Processing，2009，18（8）：1905-1910.

[4]LU J W，TAN Y P.Gait-based human age estimation[J].IEEE Trans.Information Forensics and Security，2010，5（4）：1718-1721.

[5]ZHANG D，WANG Y H，BHANU B.Ethnicity classification based on gait using multi-view fusion[C]//Proc.2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.San Francisco，CA：IEEE Press，2010：108-115.

[6]KATIYAR R，PATHAK V K.Clinical gait data analysis based on spatio-temporal features[J].International Journal of Computer Science and Information Security，2010，2（2）：174-183.

[7] 王克奇，郭军波，朱莉.步态识别预处理算法的研究[J].模式识别与仿真，2009，28（12）：108-115.

[8]XU J H，CONG W，LI J，et al.Gait recognition based on key frame and elliptical model[EB/OL].[2011-05-20].http：//www.meeting.edu.cn/meeting/paper/paper!detail1.action?id=22645.

[9]ZHANG R，VOGLER C，METAXAS D.Human gait recognition[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=1384807&queryText%3DHuman+gait+recognition%26openedRefinements%3D*%26searchField%3DSearch+All.

[10]HAN J，BHANU B.Individual recognition using gait energy image[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2006，28（2）：316-322.

[11]YU S Q，WANG L，HU W M，et al.Gait analysis for human identification in frequency domain[EB/OL].[2011-05-20].http：//www.computer.org/portal/web/csdl/doi/10.1109/ICIG.2004.72.

[12]WANG L，TAN T N.Automatic gait recognition based on statistical shape analysis[J].IEEE Trans.Image Processing，2003，12（9）：1120-1131.

[13]KALE A，SUNDARESAN A，RAJAGOPALAN A N，et al.Identification of humans using gait[J].IEEE Trans.Image Processing，2004，13（9）：1163-1173.

[14]ZHOU X L，BHANU B.Integrating face and gait for human recognition at a distance in video[J].IEEE Trans.Systems Man and Cybernetics-Part B，2007，37（5）：1119-1137.

[15]SHAN C F，GONG S G，MCOWAN P W.Learning gender from human gaits and faces[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=4425362&queryText%3DLearning+gender+from+human+gaits+and+faces%26openedRefinements%3D*%26searchField%3DSearch+All.

[16]LEE L，GRIMSON W E L.Gait analysis for recognition and classification[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=1004148&queryText%3DGait+analysis+for+recognition+and+classification%26openedRefinements%3D*%26 searchField%3DSearch+All.

[17]LI X L，MAYBANK S J，YAN S C.Gait components and their application to gender recognition[J].IEEE Transactions on Systems，Man and Cybernetics-Part C，2008，38（2）：145-155.

[18]ZHANG D，WANG Y H.Investigating the separability of features from different views for gait based gender classification[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/Xplore/login.jsp?url=http%3A%2F%2Fieeexplore.ieee.org%2Fiel5%2F4740202%2F4760915%2F04761872.pdf%3Farnumber%3D4761872&authDecision=-203.

[19]CHANG P C，TIEN M C，WU J L，et al.Real-time gender classification from Human gait for arbitrary view angles[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=5364846&queryText%3DReal-time+gender+classification+from+Human+gait+for+arbitrary+view+angles%26openedRefinements%3D*%26searchField%3DSearch+All.

[20]COLLINS R T，AMIDI O，KANADE T.An active camera system for acquiring multi-view video[EB/OL].[2011-05-20].http：//arnetminer.org/viewpub.do?pid=317059.

[21]JOHNSON A Y，BOBICK A F.A multi-view method for gait recognition using static body parameters[J].Lecture Notes in Computer Science，2011，2091：301-311.

[22]BEN ABDELKADER C，DAVIS L S，CUTLER R.Motion-based recognition of people in EigenGait space[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=1004165.

[23]WANG L，TAN T，NING H，et al.Silhouette analysis-based gait recognition for human identification[J].IEEE Trans.Pattern Anal.Mach.Intell.，2003，25（12）：1505-1518.

[24]HONG S J，LEE H S，NIZAMI I F，et al.A new gait representation for human identification：mass vector[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=4318491&queryText%3DA+new+gait+representation+for+human+identification%3A+mass+vector%26openedRefinements%3D*%26searchField%3D Search+All.

[25]SHAKHNAROVICH G，LEE L，DARRELL T.Integrated face and gait recognition from multiple views[EB/OL].[2011-05-20].http：//ieeexplore.ieee.org/search/freesrchabstract.jsp?tp=&arnumber=990508&query Text%3DIntegrated+face+and+gait+recognition+from+multiple+views%26openedRefinements%3D*%26searchField%3DSearch+All.

[26]BODOR R，DRENNER A，FEHR D，et al.View-independent human motion classif i cation using image-based reconstruction[J].Journal of Image and Vision Computing，2009，28（8）：1194-1206.

[27]HUANG X X，BOULGOURIS N V.Human gait recognition based on multiview gait sequences[EB/OL].[2011-05-20].http：//www.hindawi.com/journals/asp/2008/629102/.