第7卷第1期 智能系统学报 Vol.7 No.1 2012年2月 CAAI Transactions on Intelligent Systems Feh.2012 D0I:10.3969/i.issn.16734785.201009005 网络出版t地址：htp://www.cnki.net/kcma/detail/23.1538.TP.20120216.1958.001.html 视频下的正面人体身份自动识别 贲晛烨12，王科俊3，马慧34 (1.山东大学信息科学与工程学院，山东济南250100；2.哈尔滨工业大学交通科学与工程学院，黑龙江哈尔滨 150090:3.哈尔滨工程大学自动化学院，黑龙江哈尔滨150001；4.黑龙江大学电子工程学院，黑龙江哈尔滨 150086) 摘要：为了能够实现视频下正面人体身份的自动识别，设计的系统包括Adaboost行人检测、Adaboost人脸检测、肤 色验证、步态预处理、周期检测、特征提取以及决策级融合识别等模块.通过行人检测模块可以自动开启人脸检测模 块和步态周期检测模块.实验结果表明，提出的根据下臂摇摆区域确定步态周期的方法对正面步态周期检测准确， 计算量小，适用于实时的步态识别.采用人脸特征辅助步态特征在决策级的融合方法是解决视频下身份识别的新思 路，在单样本的步态识别中，融合人脸特征可以提高识别精度. 关键词：身份识别：步态识别；Adaboost;:人脸特征；正面步态周期检测 中图分类号：TP391.41文献标志码：A文章编号：16734785(2012)01006906 Video-based automatic front-view human identification BEN Xianye2,WANG Kejun3,MA Hui3.4 (1.School of Information Science and Engineering,Shandong University,Ji'nan 250100,China;2.School of Transportation Science and Engineering,Harbin Institute of Technology,Harbin 150090,China;3.College of Automation,Harbin Engineering University, Harbin 150001,China;4.School of Electronic Engineering,Heilongjiang University,Harbin 150086,China) Abstract:A system was designed to automatically identify a person from a front-view angle in a video sequence,in- cluding the modules of Adaboost pedestrian detection,Adaboost face detection,complexion verification,gait pre- processing,period detection,feature extraction,and decision-making level amalgamation and identification.The face detection module and gait period detection module can be activated automatically by the pedestrian detection module.The experimental results show that the swinging arm region can be detected for obtaining the front-view gait period accurately with minimal computation,which is suitable for real-time gait recognition.Applying gait features assisted by face features to the decision-making level amalgamation method to solve human identification in a video sequence is a new idea.Even in gait recognition with a single sample per person,this proposed scheme can achieve an improvement in the correct recognition rate when face and gait information are integrated as opposed to using gait features alone. Keywords:human identification;gait recognition;Adaboost;facial feature;front-view gait period detection 美国国防部高级研究项目署在2000年资助的 “基于步态的身份识别”问题展开研究.步态识别在 远距离身份识别计划中，主要开发多模式、大范围的 门禁系统、安全监控、人机交互、医疗诊断等领域具 视觉监控以实现远距离人的检测、分类与识别.国内 有广泛的应用前景和经济价值，因此激发了国内外 的中科院自动化所模式识别国家重点实验室最早就 科研工作者的研究热情山 至今未见成型的步态识别系统，现有研究仅停 收稿日期：2010-0909. 网络出版时间：201202-16 留在理论上.为了实现实时自动步态识别，设计了一 基金项目：国家自然科学基金资助项目(61105057)：中国博土后科学 套远距离视频下正面人体身份自动识别系统.步态 基金面上资助项目(20110491087). 通信作者：贲睍烨.E-mail:benxianyeye(@163.com. 是大范围的生物特征，当个体与摄像机的距离较远
·70 智能系统学报 第7卷 时，能够获得步态信息；人脸是小范围的生物特征， 采用肤色模型对人脸区域加以验证.不同种族、不同 当人脸图像的分辨率足够高时，人脸信息是有效的 年龄、不同性别的人的肤色看起来存在差异，这个差 步态和人脸都可以通过摄像机采集，都是视觉上的 异主要体现在亮度上，当去除亮度，肤色就具有很高 线索，不需要额外的传感器设备，步态和人脸也是相 的聚类性，选取YCbCr色彩空间，归一化色度直方 互独立的互补特征：步态特征容易受到外套变化、鞋 图后假定肤色满足二维高斯模型： 子、负载和身体状况的影响，而这些因素不会影响到 p(C6,C,)=exp[-0.5(x-m)TC(x-m)]. 人脸特征；人脸特征容易受到胡须、眼镜、化妆、发 (1) 型、光照、表情和姿态变化的影响，但是这些因素对 式中：m为均值，C为协方差矩阵，x=[C6C,]T 步态没有影响.因此将步态和人脸的特征进行融合 可以提高身份识别的性能.考虑到Constantine等[2] 使用Adaboost方法对物体检测提出了一个整体框 架，Oren等3)使用Haar小波进行行人检测，P.Vio la41提出了一种基于Haar特征的Adaboost算法，己 达到实时的要求，并且Rainer等采用积分图s)进 步降低计算成本，因此本文也将Adaboost方法嵌入 到自动身份识别系统中.目前已存在的步态周期检 测方法[6主要是通过分析人体宽度信号或区域像 图1使用的矩形特征 素点数来实现的.但这些方法都是针对侧面步态提 Fig.1 Rectangle features used 出的，对正面步态的周期性判断不准，因此提出根据 下臂摇摆区域确定步态周期的方法，该方法对正面 步态周期检测准确、计算量小，适用于实时的步态识 别系统.首先用Adaboost算法检测行人，若检测到， 便自动开启Adaboost人脸检测模块，并加以肤色验 图2检测错误的人脸情况 证模块判断，同时对步态序列图像进行预处理，以便 Fig.2 Error face detection case 进行步态周期检测，将人脸图像统一归一化到32× 通过式(1)得到肤色似然图像，使用Ostu法求 32像素大小，步态能量图(gait energy image,GEI) 出最佳二值化阈值，从而区分出人脸与非人脸.Ada 为64×64像素大小，然后分别采用核主成分分析 boost算法加上肤色模型验证的结果如图3所示 (kernel principal component analysis,,KPCA)进行特 征提取，最后识别时采用计分的决策级融合方法， 1行人检测与人脸检测 1.1 Adaboost检测人脸模块以及肤色验证 将Adaboost与积分图的Haar-like特征结合检 图3加入肤色验证的检测结果 测人脸[4]，并采用矩形特征（如图1所示）.Adaboost Fig.3 Detection results of adding skin color verification 分类器是由多层弱分类器级联而成，从第1层分类 1.2 Adaboost行人检测模块 器出来的正确结果触发第2层分类器，从第2层出 设置Adaboost行人检测模块的目的在于该系 来的正确结果触发第3层分类器，以此类推；相反， 统能够触发自动开启正面步态周期检测模块和人脸 从任何一个结点输出的被否定的结果都会导致对这 检测模块.Adaboost行人检测模块的设计思想与 个子窗口的检测立即停止.通过设置每层的阈值，使 Adaboost人脸检测基本一致，选用的也是矩形特征， 得绝大多数人脸都能通过，非人脸不能通过，这样靠 由于想要实现的是正面行人检测，因此没有选择 近级联分类器后端的层拒绝了大部分的非人脸 “三角特征”，单纯的Adaboost行人检测也会出现误 检测结果如图2所示，正方形框为检测到的人 检情况，如图4所示，长方形框为检测人体的结果， 脸区域.这里存在检测错误的情况，因为视频场景中 图中支架也被检测为人体，这是因为支架的“腿”与 的某些区域类似于人脸的局部特征，眼睛部位的 人的腿部形状类似.因此需要验证环节，鉴于步态识 “黑白黑”与定标带十分相近.若保留这些样本，对 别的研究对象是行人的姿态，必然是运动个体，而支 远距离的身份识别不利.笔者发现，错误检测的人脸 架始终是静止不动的，假定室内光线不会出现急剧 与真实人脸相差甚远，人肉眼很容易区分，因此可以 的变化，将相邻2帧图像中的人体中各像素点的
第1期 贲睍烨，等：视频下的正面人体身份自动识别 ·71 RGB值按式(2)进行运算： 小值（极大值），然后按顺序向后查找N的第3个 R=|1-r21+|g1-821+lb1-b21.(2) 极小值（极大值），记下这2帧图像在序列中的帧 式中：1g1、b1和2、g2、b2分别为相邻2帧的图像 号，则2帧中间的时间就是一个步态周期.采用文献 中待处理像素点的RGB值.把当前图像的E(R)和 [14]的步态预处理方法，将人体居中，大小归一化 预设阈值T进行比较，当E(R)>T时，认为其区域 到64×64像素大小，进行正面步态的周期检测. 属于步态区域，人体检测的长方形框给予保留；反 图7为采用下臂摇摆区域（即图像平面的第25~29 之，当E(R)≤T时，则认为其区域属于非步态区域， 行)测试正面步态周期的检测结果。 其中E(*)表示期望.针对CASIA(B)的视频，考虑 一定的光照影响，选择T=20.Adaboost加上差分验 证的实验结果如图5所示. 0.870 .818/ .6301 0.485H 0.039 0.285/ 图6部分肢体占身高比例 图4人体检测错误的情况 Fig.6 Height ratios of the various parts of the human Fig.4 Error human detection case body 130 120 110 100 100 200 300 400 图5加入差分验证的检测结果 顿数 Fig.5 Detection results of adding difference verification 图7根据下臂摇摆观测步态的周期性曲线 Fig.7 Measured gait period characteristic curves 2正面步态的周期检测 based on lower swinging arm region 步态周期定义为同一只脚连续2次脚跟触地的 3 时间间隔「].在进行步态识别时，通常提取1个步 实验结果与分析 态周期或多个步态周期的平均来进行分析.因为在 实验采用CASIA(B)步态数据库上的正面视角 1个周期内比较，一方面能够消除图像序列长度不 样本库，该库包含124个人，选择正常步态作为研究 同造成的影响：另一方面，也能够降低特征提取、分 对象.实验分为2个阶段：训练阶段和识别阶段.训 类识别的运算复杂度. 练时，读入视频文件，首先采用Adaboost方法和差 现有的步态周期检测方法对正面步态检测无 分验证进行行人检测，一旦检测到存在运动人体，便 效.针对于此，提出一种基于人体身高比例的步态周 自动开启步态周期检测模块和人脸检测模块（包含 期检测方法.解剖学中，利用人体的正面影像抽取人 Adaboost人脸检测模块和肤色验证).由于远距离情 体的骨架，假设H表示人体身高，则各部分肢体占 况下，人脸区域很小，主要以步态特征作为身份识别 人体的比例关系[如图6所示. 的依据，人脸为辅助特征.然后将人脸图像归一化到 基于人体身高比例的步态周期检测方法是统计 32×32像素大小，通过对检测到的一个周期的步态 下臂摇摆区域的像素数目的逐帧变化.具体方法如 图像加权平均生成GEI,即 下：设累计区域像素值为Na,找到Na的一个局部极
·72 智能系统学报 第7卷 c,》=六28s 个样本去扩充生成多个样本，前5个样本训练时得 到的识别精度为95.97%，此时的特征维数为110 式中：B(x,y)为步态单帧图像，V是步态周期的长 维；而单样本训练的平均识别精度为88.52%，特征 度，t为时间，x、y为二维图像平面坐标 维数保持在124维。 采用KPCA方法分别进行步态和人脸的特征提 3.2人脸特征辅助步态特征 取，通过核映射升维，使原输入数据在R”空间中线 当存在多个训练样本时，识别性能较好，但是一 性不可分的模式在特征空间F中可能变得线性可 旦出现训练样本只有1个时，识别率会大大降低，所 分.文中并没有采用基于矩阵的核主成分分析方法 以针对此问题，采用人脸特征辅助步态特征进行远 (如核二维主成分分析K2DPCA),这是因为 距离视频下的正面人体身份自动识别任务，分别采 K2DPCA定义的图像矩阵A(A:∈Rmxm,i=1,2, 用KP℃A对GEI和人脸灰度特征进行特征提取，识 …,M)的核映射为 别时采用文献[17]中的计分法对2组特征在决策 Φ(A:)=[中(A)T中(A)T…中(A)T]T 级进行融合，计分方法如式(3)： 式中：A为A:的第(=1,2，…，m)行向量.它的本质 是将图像矩阵的行作为单元进行KPCA,将样本数扩 S.(X,j）= ∑w4(X:) (3) 充到原来的行数(m)倍，是KPCA分段线性化的特殊 式中：X是待识别样本；X是待识别样本X的第i种 情况，理论上应该比KPCA获得更好的识别结果.但 特征；w:是一个权值，其值来自利用第i种特征识别 是K2DPCA的核矩阵维数将变为原来的m'倍，这无 时的识别率，是一个先验概率；4(X)表示待识样 疑会造成核矩阵的特征值、特征向量求取的计算负 本X利用第i种特征对第j类的隶属度： 担.ZHANG在文献[15]中提出的近似计算方法，也需 4(X)= 1/川x:-cg‖s-w 要计算一个维数为M×M大小的核矩阵和另外一个 维数为Mm×M大小的核矩阵，在求取投影轴和KP ∑1/IX-cgI2s- CA相比也增加了计算量.文献[16]对K2DPCA提出 式中：b>1是一个可以控制聚类结果的模糊程度的常 了3种改进模型，但是计算复杂度都很大所以，本文 数，通过实验选取b=1.5;k为总的类别数；cg为利用第 采用KPCA方法，核函数选择为高斯核函数： i种特征的第j类的聚类中心，且c,通过K-均值聚类方 k(x,y)=exp(Ix-y‖2/2σ2)，其中核宽度o选择 法得到.若c=arg max Sore(Xj),则X属于类c 为训练样本的标准差 在单样本训练步态识别中，为了验证人脸特征 3.1单独步态特征 辅助步态特征的有效性，采用上述决策级融合方法 由于CASIA(B)库中每人有6个样本，分别选 在CASIA(B)库上进行实验.实验结果如表1所示， 择前5、4、3、2个样本和单样本训练，余下的样本采 人脸特征辅助步态特征识别与单独的步态特征相 用最近邻分类器(NN)来测试识别.实验结果如图8 比，正确识别率可以提高2.4个百分点.辅助人脸特 所示，其中：f表示前n个样本训练，s.表示单独第 征的优点在于，即使步态训练样本是单样本，而人脸 n个样本训练 图像是多个的，这样便从另外一个角度扩充了训练 1.0r 样本的数目，有助于身份识别。 0.9 表1人脸特征辅助步态特征识别的性能(CASIA(B) &S Table 1 Recognition performance using gait features assisted by face features (CASIA(B)) 0.4 0.3 4一3 0.21 正确识别率 0.1 --S6 样本 10 30 50 90 110130 步态特征 人脸辅助特征 维数 0.8903 0.9194 图8单独步态特征的识别结果 雪 0.8919 0.9210 Fig.8 Recognition results using gait features individually $ 0.8726 0.9000 从图8中可以发现，当特征维数等于样本数时， 54 0.8903 0.8968 有最佳识别率；当保留特征的维数减少时，识别率下 零 0.8968 0.9177 降；当特征维数相等时，每一类提供的训练样本越 S6 0.8694 0.9016 多，识别率就越高；单样本训练的识别率较多样本训 平均 0.8852 0.9094 练下降得很多，因为一个样本存在很大的局限性与 仍然在单样本训练的步态识别中验证人脸特征 特殊性，而且如果没有先验知识，也很难做到通过一 辅助步态特征进行身份识别的有效性，采用上述决
第1期 贲睍烨，等：视频下的正面人体身份自动识别 ·73· 策级融合方法在CASIA(A)库I8]的正面步态条件 中，有关检测和识别算法等方面的关键性技术.提出 下进行实验.该库含有20个人，每个人4个序列，与 的根据下臂摇摆区域确定步态周期的方法对正面步 CASIA(B)的采集环境不同：(A)库是室外环境， 态周期检测准确，克服了传统的步态周期检测算法 (B)库是室内环境实验结果如表2所示，以单步态 只适用于分析侧面视角下的步态的不足，而且所提 样本为训练样本的平均识别率为87.92%，融合人 出的算法计算量小，适用于实时的步态识别系统.本 脸后的平均识别率为90.84%，与单独采用步态信息 文给出了视频下身份识别新的解决思路，即通过人 相比提高了2.92个百分点. 脸特征辅助步态特征在决策级的计分融合方法来实 表2人脸特征辅助步态特征识别的性能(CASIA(A)) 现.在单样本的步态识别中，融合人脸特征可以提高 Table 2 Recognition performance using gait features 识别精度.辅助人脸特征的优点在于，即使步态训练 assisted by face features(CASIA(A)) 样本是单样本，但是人脸图像是多个的，这样便从另 正确识别率 外一个角度扩充了训练样本的数目，有助于身份识 样本 步态特征 人脸辅助特征 别.下一步的工作重点是研究其他形式的人脸和步 0.8667 0.9000 态特征的融合方法以进一步提高识别精度 0.8833 0.9167 参考文献： 53 0.9000 0.9167 g 0.8667 0.9000 [1]王科俊，贲明烨，刘丽丽.采用Radon变换和二维主成分 平均 0.8792 0.9084 分析的步态识别[J].智能系统学报，2010,5(3)：266- 3.3 与现有方法的比较 271. 笔者在前期的工作提出了组合投影9]、线性插 WANG Kejun,BEN Xianye,LIU Lili.Gait recognition with 值0、GE2、子模式GE4和能量信息融合等 Radon transform and 2-D principal component analysis[J]. CAAI Transactions on Intelligent Systems,2010,5(3): 算法，现在将这些算法应用到CASIA(B)和 266-271. CASIA(A)中，测试单样本训练的步态识别的平均 [2]CONSTANTINE PP,MICHAEL O,TOMASO P.A general 识别率.实验结果如表3所示，可以看出，本文提出 framework for object detection[C]//Sixth International Con- 的算法的识别率远远高于前期工作的识别率，这是 ference on Computer Vision.Bombay,India,1998:555 因为本文是采用的核方法来提取步态特征，核方法 562. [3]OREN M,PAPAGEORGIOU C.SINHA P,et al.Pedestri- 可以使原始空间中线性不可分的模式在特征空间中 an detection using wavelet templates[C]//IEEE Computer 变得线性可分：除了步态特征以外，还融合了人脸特 Society Conference on Computer Vision and Pattern Recog- 征，大大地提高了身份识别的识别性能.文献[22- nition.Los Alamitos.USA.1997:193-199 23]同样采用了正面步态特征进行身份识别，将本 [4]VIOL P,JONES M.Rapid object detection using a boosted 文方法与以上2种具有代表性的方法—三维中心 cascade of simple features[C]//IEEE Conference on Com- 矩[21和曲线展开31方法进行比较，可以看出步态 puter Vision and Pattern Recognition.Kauai,USA,2001: 1511-1518. 识别融合人脸识别确实对身份识别卓有成效 [5]LIENHART R,MAYDT J.An extended set of haar-like 表3本文方法与其他方法的比较 features for rapid object detection[C]//IEEE International Table 3 Comparison with other algorithms and our method Conference on Image Processing.Rochester,USA,2002: 正确识别率 900-903. 方法 CASIA(A) CASIA(B) [6]CUTLER R,DAVIS L S.Robust real-time periodic motion 组合投影可 detection,analysis,and applications[J].IEEE Transac- 0.7346 0.7504 tions on Pattern Analysis and Machine Intelligence,2000. 线性插值 0.7788 0.7978 GEI[2] 22(8):781-796. 0.8032 0.8266 [7]BENABDELKADER C,CUTLER R,DAVIS L S.Stride 子模式GEr[ 0.8298 0.8342 and cadence as a biometric in automatic person identifica- 能量信息融合) 0.8298 0.8864 tion and verification[C]//Proceedings of the Fifth IEEE In- 三维中心矩] 0.8126 0.8374 ternational Conference on Automatic Face Gesture Recogni- 曲线展开 0.7478 0.7526 tion.Washington,DC,USA,2002:372-377. 本文方法 0.9084 0.9094 [8]COLLINS R T,GROSS R,SHI J B.Silhouette-based hu- 4 结束语 man identification from body shape and gait[C]//Proceed- ings of the Fifth IEEE International Conference on Automatic 本文研究了视频下人体身份自动识别系统研发 Face Gesture Recognition.Washington,DC,USA,2002:
·74 智能系统学报 第7卷 366-371. WANG Kejun,BEN Xianye.Framework for gait recogni- [9]SARKAR S,PHILLIPS P J,LIU Zongyi,et al.The hu- tion based on feature template construction using linear in- manID gait challenge problem:data sets,performance,and terpolation[J].Joumal of Nanjing University of Science analysis[J].IEEE Transactions on Pattem Analysis and and Technology,2009,33(Supl.)215-219. Machine Intelligence,2005,27(2):162-177. [20]王科俊，贲晛烨.基于线性插值的步态识别算法[J].华 [10]WAGG D K.NIXON M S.On automated model-based ex- 中科技大学学报：自然科学版，2010,38(2)：4144. traction and analysis of gait[C]//Proceedings of the Sixth WANG Kejun,BEN Xianye.Gait recognition using linear IEEE International Conference on Automatic Face and Ges- interpolation[J].Journal of Huazhong University of Sci- ture Recognition.Seoul,Korea,2004:11-16. ence and Technology:Nature Science Edition,2010,38 [11]KALE A,SUNDARESAN A,RAJAGOPALAN A N,et (2):4144. al.Identification of humans using gait[J].IEEE Transac- [21]王科俊，贲睍烨，孟玮，等.基于广义主成分分析的步态 tions on Image Processing,2004,13(9):1163-1173. 识别算法研究[J].哈尔滨工程大学学报，2009,30 [12]NIXON M S,CARTER J N,CUNADO D,et al.Automat- (9)：1022-1028. ic gait recognition M]//BOLLE R,PANKANTI S.Bio- WANG Kejun,BEN Xianye,MENG Wei,et al.Research metrics:Personal Identification in Network Society.Nor- on a gait recognition algorithm based on generalized princi- well,USA:Kluwer Academic Publishers,1999:231-250. pal component analysis[J].Joural of Harbin Engineering [13 YOO J H,NIXON M S,HARRIS C J.Extracting human University,2009,30(9):1022-1028. gait signatures by body segment properties[C]The Fifth [22]MICHELA G,CARTER J N,NIXON M S.Front view gait IEEE Southwest Symposium on Image Analysis and Inter- recognition[C]//Proceedings of the 2nd IEEE Internation- pretation.Sante Fe,USA,2002:35-39. al Conference on Biometrics:Theory,Applications and [14]王科俊，贲覜烨，刘丽丽，等.基于子模式的完全二维主 Systems.Arlington,USA,2008:1-6. 成分分析的步态识别算法[J].模式识别与人工智能， [23]MARICOR S,ALESSANDRA A,CAESAR S.Curve 2009,22(6):854-861. spreads:a biometric from front-view gait video[J].Pat- WANG Kejun,BEN Xianye,LIU Lili,et al.Subpatter- tern Recognition Letters,2004,25(14):1595-1602. based complete two dimensional principal component analy- 作者简介： sis for gait recognition[J].Pattem Recognition and Artifi- 贲晛烨，女，1983年生，讲师，主要 cial Intelligence,2009,22(6):854-861. 研究方向为模式识别、度量学习、超分 [15]ZHANG D,CHEN S,ZHOU Z.Recognizing face or ob- 辨率人脸识别、步态识别.申请专利5 ject from a single image:linear vs.kemnel methods on 2D 项，已授权4项，发表学术论文30余 patterns[C]//Proceedings of the Joint IAPR International 篇，其中18篇被E1检索. Workshops on Structural and Syntactic Pattemn Recognition and Statistical Techniques in Pattemn Recognition.Hong Kong,China,2006:889-897. 王科俊，男，1962年生，教授，博士 [16]王海贤.有限混合模型、非线性二维主成分分析及其在 生导师，博土，哈尔滨工程大学模式识 模式分类中应用[D].合肥：安徽大学，2005. 别与智能系统学科带头人.主要研究方 WANG Haixian.Finite mixtures of models,nonlinear two- 向为模糊混沌神经网络、自适应逆控制 dimensional principal component analysis and their appli- 理论、可拓控制、网络智能控制、模式识 cations to pattem classification[D].Hefei:Anhui Univer- 别、多模态生物特征识别、联脱机指纹 9ity,2005. 考试身份鉴别系统、微小型机器人系统等.完成科研项目20 [17]王科俊，贲明烨，刘丽丽，等.基于能量的信息融合步态 余项，目前在研项目10余项.曾获得部级科技进步二等奖2 识别[J].华中科技大学学报：自然科学版，2009,37 项、三等奖3项，省高校科学技术一等奖1项、二等奖1项. (5):14-17. 获发明专利1项，公开3项，国家版权局软件著作权登记1 WANG Kejun,BEN Xianye,LIU Lili,et al.Gait recogni- 项.发表学术论文180余篇，出版学术专著3部、国防教材1 tion using information fusion of energy[J].Joumnal of Hua- 部，主审教材2部 zhong University of Science and Technology:Nature Sci- ence Edition,2009,37(5):14-17. 马慧，女，1982年生，讲师，主要研 [18]WANG Liang,TAN Tieniu.Silhouette analysis-based gait 究方向为模式识别、图像处理、生物特 recognition for human identification[J].IEEE Transac- 征识别.申请专利3项，发表学术论文5 tions on Pattern Analysis and Machine Intelligence,2003 篇，其中4篇被EI检索. 25(12):1505-1518. [19]王科俊，贲明烨.基于线性插值的特征摸板构造的步态 识别算法框架[J].南京理工大学学报：自然科学版 2009,33(Supl.):215-219