机器感知与模式识别：采用Radon变换和二维主成分分析的步态识别算法

第5卷第3期 智能系统学报 Vol.5 No.3 2010年6月 CAAI Transactions on Intelligent Systems Jun.2010 doi:10.3969/j.issn.16734785.2010.03.010 采用Radon变换和二维主成分分析的步态识别算法 王科俊'，贵明烨'2，刘丽丽13 (1.哈尔滨工程大学自动化学院，黑龙江哈尔滨150001：2.哈尔滨工业大学交通科学与工程学院，黑龙江哈尔滨 150090:3.中国科学院沈阳计算技术研究所有限公司，过宁沈阳110171) 摘要：针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题，综合步态的静态和动 态信息，对一个步态周期中的图像进行Radon变换，再通过模板构造，仅用一幅图像来刻画步态特征，接着用二维主 成分分析(2DPCA)进行降维.为了验证所提出的算法的有效性，在CASIA步态数据库上进行实验，采用最近邻分类 器来测试识别.实验结果表明在特征模板构造时选择合适的频率，采用Rado变换结合列2DPCA进行步态特征提取 是有效的 关键词：步态识别：Radon变换：二维主成分分析：模板构造 中图分类号：TP391.41文献标识码：：A文章编号：：16734785(2010))03-026606 Gait recognition with Radon transform and 2-D principal component analysis WANG Ke-jun',BEN Xian-ye',LIU Li-lil (1.College of Automation,Harbin Engineering University,Habin 150001,China,2.School of Transportation Science and Engineer- ing,Harbin Institute of Technology,Harbin 150090,China;3.CAS Shenyang Institute of Computing Technology Co.,Ld,Shenyang 110171,China) Abstractln the principal component analysis method,concatenating an image matri often leads to a 1-D vector with high dimensionality,which makes it very difficult and time-consuming to compute the corresponding eigenvec- tors.By combining static components and dynamic information about the walking style,a novel gait representation was proposed.Gait characteristics were obtained from the Radon transform of gait sequences,where a single image could represent a person's features by template construction.Then,two dimensional principal component analysis (2DPCA).was used to reduce the dimensions of training and testing data.The nearest neighbor classifier was em- ployed to distinguish the different gaits of human.We tested the proposed gait recognition method on the CASIA gait database.The experimental results demonstrated that,when frequency is chosen properly in template construc- tion,extraction of gait features using the Radon transform and column 2DPCA is very effective. Keywords::gait recognition;Radon transform;two dimensional principal component analysis(2DPCA));template onstruction 步态识别是根据人们走路姿势的不同来识别其性、对系统分辨率要求不高、可适应远距离、难以伪 身份的.由于个体的身形和运动行为的特征不同，为 装、受环境影响小等优点.步态识别在安全监控、人、 通过人的行走方式来识别身份提供了线索.步态识 机交互、医疗诊断等领域具有广泛的应用前景和经 别相对于其他生物特征识别具有非侵犯性、接触 济价值.因此，步态是远距离身份识别的最佳首 选之一 收稿日期.200903-18 基金项目：国家"863"计划资助项目（②008A01Z148) 自从”911”事件以后，世界各国加强对身份认 通信作者：贲明烨Emil:berxianyeye163cam' 证的重视很多高校和研究机构也展开了远距离下 的人的检测、分类与识别，例如马里兰大学、麻省理

自从"911"事件以后,世界各国加强对身份认 证的重视,很多高校和研究机构也展开了远距离下 的人的检测、分类与识别,例如马里兰大学、麻省理 (1.哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;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.中国科学院沈阳计算技术研究所有限公司,辽宁沈阳110171) 第5卷第3期 2010年6月 步态识别是根据人们走路姿势的不同来识别其 身份的.由于个体的身形和运动行为的特征不同,为 通过人的行走方式来识别身份提供了线索.步态识 别相对于其他生物特征识别具有非侵犯性、非接触 Gait recognition with Radon transform and 2-D principal component analysis 关键词: 步态识别;Radon变换;二维主成分分析;模板构造 中图分类号: TP391.41 文献标识码: A 文章编号: 16734785(2010) 03-0266-06 王科俊',贲明烨'2,刘丽丽13 智 能 系 统 学 报 采用 Radon 变换和二维主成分分析的步态识别算法 doi: 10.3969/j.issn.16734785.2010.03.010 Jun.2010 通信作者: 贲明烨.E-mail:benxianyeye@163.com. Vol.5 No.3 Keywords: gait recognition;Radon transform;two dimensional principal component analysis(2DPCA) ; template onstruction AbstractIn the principal component analysis method,concatenating an image matri often leads to a 1-D vector with high dimensionality, which makes it very difficult and time-consuming to compute the corresponding eigenvec￾tors. By combining static components and dynamic information about the walking style, a novel gait representation was proposed. Gait characteristics were obtained from the Radon transform of gait sequences, where a single image could represent a person's features by template construction. Then,two dimensional principal component analysis (2DPCA) was used to reduce the dimensions of training and testing data. The nearest neighbor classifier was em￾ployed to distinguish the different gaits of human. We tested the proposed gait recognition method on the CASIA gait database. The experimental results demonstrated that,when frequency is chosen properly in template construc￾ion,extraction of gait features using the Radon transform and column 2DPCA is very effective. 性、对系统分辨率要求不高、可适应远距离、难以伪 装、受环境影响小等优点.步态识别在安全监控、人 机交互、医疗诊断等领域具有广泛的应用前景和经 济价值.因此,步态是远距离身份识别的最佳首 选之一. 摘 要:针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题,综合步态的静态和动 态信息,对一个步态周期中的图像进行 Radon变换,再通过模板构造,仅用一幅图像来刻画步态特征,接着用二维主 成分分析(2DPCA) 进行降维.为了验证所提出的算法的有效性,在CASIA步态数据库上进行实验,采用最近邻分类 器来测试识别.实验结果表明在特征模板构造时选择合适的频率,采用Radon变换结合列2DPCA进行步态特征提取 是有效的. (1.College of Automation,Harbin Engineering University,Habin 150001,China;2.School of Transportation Science and Engineer￾ing,Harbin Institute of Technology,Harbin 150090,China;3.CAS Shenyang Institute of Computing Technology Co.,Ld, Shenyang 10171,China) 收稿日期: 2009-03-18 基金项目:国家"863"计划资助项目(2008A01Z148) . CAAI Transactions on Intelligent Systems WANG Ke-jun',BEN Xian-ye',LIU Li-li1

第3期 王科俊，等：采用Radon变换和二维主成分分析的步态识别算法 ·267· 工学院、卡内基梅隆大学等.国内最早是中科院自动 化所的王亮等2]提出了一种人体轮廓解卷提取距 离信号的步态识别算法.其后，西安电子科技大学、 西安交大、复旦大学、上海交大、南京理工大学、华中 (a)灰度变换 (b)背景图像 科技大学和哈尔滨工程大学等诸多高校都开展了步 态识别的研究工作.目前步态识别方法可以分成3 类：二维步态识别、三维步态识别以及两者相结合的 方法.二维步态识别就是在单摄像机拍摄的视频中 ()背荥减除 (d人休日标 (e)归…化 通过轮廓提取最低层的信息进行分析识别：而三维 图1图像预处理 步态识别方法]则通过多个摄像机对人体三维模 Fig.1 Image preprocessing 型跟踪，三维重建人体结构，分析关节运动位移来识 别身份.另外很多研究者着手用Radon变换提取步 2 步态特征提取 态特征.黄凤岗等人4对下肢进行Radon变换，提 运动人体轮廓的宽高比成周期性变化，因此在 取运动角度信息，对所得到的特征使用经典主成分 提取步态特征只需在一个周期中进行.为了同时刻 分析(principal component analysis,PCA)后进行动 画人身体形状的静态特征和运动的动态特征，采用 态时间规整，该方法计算复杂，处理速度慢，不适合 Radon变换的方法来提取步态特征，2DPCA算法直 实时的步态识别，而且该算法仅仅是在较小的数据 接对所得到的特征矩阵进行降维处理， 库上做的尝试.Boulgouris等人s)也尝试了Radon变 2.1步态图像的Radon变换 换结合线性判别分析(linear discriminant analysis, 设函数f(x,y)∈L(D)在平面D区域平方可 LDA)提取步态特征.笔者前期也做过Radon变换结 积，则f(x,y)的Radon变换R,(p,0)可表示如下： 合经典PCA提取步态特征的方法[6]，但是由于 R(p,0)= LDA、PCA总是首先要把二维图像矩阵转换成一维 向量，造成相关矩阵的维数较高，特征值、特征向量 ∫∫，）·6p-xosg-ysin0)]dkd. 的获取很耗时，而且在文献[6]也没有对模板构造 式中：P是点(x,y)的极径，0是点(x,y)的极角，有 的实质进行分析.本文在文献[6]基础上改用 序实数对(p,0)是点(x,y)的极坐标 2DPCA[71的方法直接对矩阵降维.首先对一个步态 Radon变换的作用就是计算指定方向上图像的 周期内的每一幅图像进行Radon变换，再通过模板 投影，对于二元函数(x,y)则计算该函数在某一方 构造提取步态特征矩阵，并对模板构造的实质进行 向的线积分.如图2为步态图像的Radon变换结果. 阐述，最后通过实验确定较好的Radon变换参数和 Radon变换后图像的第1列像素，对应于原始图像 模板构造的频率参数，得到了Radon变换方法结合 在垂直方向的投影；变换后图像的正中间的一列像 列2DPCA提取步态特征是比较有效的结论. 素，对应于原始图像在水平方向的投影.很明显，水 1步态序列图像预处理 平方向的投影比垂直方向的投影范围大，这是因为 人体固有的身形所致.采用Radon变换的方法提取 为了提取人体目标，首先从原始视频中提取单 步态特征的优点在于对前期处理中轮廓边缘的噪声 帧图像进行灰度变换（如图1(a));然后逐帧计算 点有较强的鲁棒性[6， 各像素点的中值，作为整个序列的背景图像 (如图1(b));最后，采用背景减除法提取人体目标 (如图1(c),用数学形态学填补二值化图像的空 洞、单连通分析提取人的侧影（如图1(d)).为了消 除图像大小对识别的影响应使人体居中，将图像的 图2步态图像的Radon变换 大小统一为64×64（如图1(e)[1. Fig.2 Radon transform of gait image

·268. 智能系统学报 第5卷 2.2步态周期特征模板 因此，式(3)中准则可表示成： 周期序列图像的特征模板可定义为「9] J(w）=wG1e. c(p.0)=7Re0,00o,, (1) 式中：w是一个列向量.最大化该准则的向量w称 为最优投影轴.直观上讲，这就意味着投影样本的总 Q(w,t)=1 cos(wt)+j(1 +sin(wt)).(2) 体散布矩阵在图像矩阵集合均投影到W上后被最 式中：R(p,0,t)是Radon变换在时间上的线性插 大化了. 值，Q(ω，t)为加权函数，t为时间.在模板构造过程 最优投影轴m·是最大化J(w)的列向量，也就 中，为了同时刻画人体运动中的身体结构特征和动 是对应于G,的最大特征值的特征向量.一般情况 态运动特征，必须选择加权函数Q(®，)中合适的 下，只有一个最优投影轴是远远不够的，通常需要选 频率值，将周期序列特征映射到一个特征矩阵中. 择一组投影轴w1,w2,…,a,当然，这组投影轴要满 时不变因子1+是人体静态结构特征的权值，时变 足相互正交的约束条件，同时也要最大化准则 因子cos wt+jsin wt是步态运动参数的权值， J(w),也即 2.3二维主成分分析(2DPCA) 「{wi,w2,…,wa}=arg maxJ(w）, 由于Radon变换得到的步态特征维数较高，如 lww=0,i≠j,ij=1,2,…,d 果采用经典的P℃A算法，即使采用奇异值分解的方 实际上，最优投影向量w1,w2,…,wa是G1的前d 法来求相关矩阵的特征值、特征向量，计算的数据量 个最大特征值所对应的相互正交的特征向量， 也依然很大，而2 DPCA1直接对矩阵进行计算，计 进一步分析得 算量相对少很多. 考虑一个大小为m×n的图像X,Y就是相对应 G=2(X-X-0 的X到方向为w的空间上的投影. M R Y=wX. 名含(X-0)(-“ 实际上，w的绝对值是无关紧要的，它仅仅是使 记 Y乘上一个比例因子，重要的是选择"的方向.w方 Xs=X=[XX2…X], 向的不同，将使样本投影后的可分离程度不同，从而 =m=[102)…], 直接影响识别效果.因此，问题转化为寻找最好的变 则州是根据图像列方向计算得到的投影矩阵，所以 换向量w·的问题，应使所有的样本投影到w”后， 称Y=wX形式为列2DPCA. 投影样本的总体散布矩阵最大，投影样本的总体散 同理，可以得到另外一种行2DPCA形式： 布矩阵可以用投影特征向量的协方差矩阵的迹来描 Z=Xv. 述.从这种观点来看，可以采用下面的准则： 此时，协方差矩阵定义为 J(w）=trSg (3) G,=Σ(x-x)(X-0= 1 式中：S,表示训练样本的投影后特征矩阵的协方 差，rS表示Sr的迹.协方差矩阵Sx表示如下： Sy =E[(Y-EY)(Y-EY)] 2名x-0)r0x-r E[wX-E(wX)]wX-E(wX)]T= 论 E[w(-EX)(X-EX)w]. X=X=[(X)T(X2)r…(x)T], 由矩阵的迹是一个数的性质，有 =x=[(9)(2)F…(xm)], tr Sy w[E(X-EX)(X-EX)]w. 则y是根据图像行方向上计算得到的投影矩阵. 其中， 因此，2DPCA分成行、列2个方向.现在来讨论 G=E(X-EX)(X-EX)= PCA与2DPCA的计算复杂度：考虑N个C类d维 (d=m×n)的PCA与2DPCA算法的复杂度.两者 2(x-0(x- 计算均值的计算复杂度一致为O(Nd);PCA的相关 X（(k=1,2,…,M)为第k幅图像矩阵，M为图像总 矩阵的计算复杂度为O(Nd),2DP℃A的行协方差 数，均值图像为： 的计算复杂度为O(Wm'm),2DPCA的列协方差的 1X 计算复杂度为O(Nmn);而计算它们的特征值、特 征向量与矩阵的维数息息相关，PCA计算复杂度远

第3期 王科俊，等：采用Radon变换和二维主成分分析的步态识别算法 ·269 远大于2DPCA;在投影时假设不进行特征向量的舍 究Radon变换中0的选取对识别性能的影响， 弃：PCA的计算复杂度为O(Nd2),行2DPCA的计 3.1行2DPCA与列2DPCA算法 算复杂度为O(Nnd),列2DPCA的计算复杂度为 根据文献[5]取o=π/2T.式(1)中，Radon变 O(Nmd).综上所述，PCA整体的计算复杂度远远大 换中角度参数0从0°~180°(180除外)每隔3°取 于2DPCA 一次，此时经Radon变换提取的步态特征维数为 60×95维.行2DPCA、列2DPCA方法的识别率与所 3 步态的训练与识别 降得的维数之间的关系如图3所示.由实验结果可 本文采用中科院自动化所提供的目标运动方向 以看出本文方法在这样的参数下，列2DPCA比行 与摄像机光轴的方向成90°的CASIA步态数据库，图 2DPCA有效，列2DPCA在列的维数降至为21时最 像库里总共124人.实验分为训练和识别2部分，每 好的识别率为0.7957. 人前3个步态序列作为训练集，后3个序列作为测试 0.80 0.75 集.在训练过程中，对一个步态周期内的单帧图像进 0.70 行Radon变换，然后通过特征模板构造，提取整个步 ￥0.65 态周期的特征，再通过2DPCA进行最小均方误差意 虽0.60 义下的最优数据压缩，训练得到2DPCA投影矩阵.在 30.55 行方向 识别过程中，对待测试序列的一个步态周期内的单帧 一列方向 图像进行Radon变换，然后通过特征模板构造提取步 0.40 20 406080100 态特征，根据训练好的2DP℃A投影矩阵将所提取出 维数 来的特征从高维空间映射转换到低维空间，最后采用 图3行、列所降的维数与识别率的关系 最近邻分类器将测试样本分到其所属类中.其中 Fig.3 Relation between dimension reduced of rows col- 2DPCA计算特征矩阵B:、B的欧式距离为 umns and recognition accuracy d(B,B)=‖B:-B,IF= 3.2w值的选取 Radon变换中0从0°~180°(180除外)每隔3° √r((B:-B)(B:-B)). 取一次，定义压缩率为投影后得到的特征维数与原 为了确定所提出方法的合理参数，做了3组实验： 始特征的维数之比.在o值分别为π/16T,2π/16T, 通过实验1研究行或列2DPCA算法对于Radon变换 …,16r/16T时，分别采用行2DP℃A和列2DPCA方 后提取的特征进行降维的有效性，通过实验2研究构 法进行实验.实验结果如表1所示. 造模板ω值的选取对识别性能的影响，通过实验3研 表1心值的选取对识别性能的影响 Table 1 Different @value and recognition accuracy w值/(rad·s1)行2DPCA识别率 行压缩率 列2DPCA识别率 列压缩率 最优的识别率 π/16T 0.3387 32/95 0.3191 57/60 0.3387 2π/16T 0.5968 73/95 0.6156 16/60 0.6156 3π/16T 0.7634 59/95 0.7769 48/60 0.7769 4m/16T 0.7957 77/95 0.8280 38/60 0.8280 5m/16T 0.7983 56/95 0.8360 40/60 0.8360 6m/16T 0.7876 52/95 0.8065 44/60 0.8065 7m/16T 0.7823 42/95 0.8011 20/60 0.8011 8π/16T 0.7661 56/95 0.7957 21/60 0.7957 9r/16T 0.7769 58/95 0.7849 14/60 0.7849 10m/16T 0.7688 45/95 0.7796 35/60 0.7796 11m/16T 0.7634 68/95 0.7796 20/60 0.7796 12π/16T 0.7527 26/95 0.7661 45/60 0.7661 13π/16T 0.7527 48/95 0.7473 40/60 0.7527 14π/16T 0.7392 37/95 0.7392 53/60 0.7392 15m/16T 0.7097 40/95 0.7070 19/60 0.7097 16m/16T 0.6720 79/95 0.6747 55/60 0.6747 当w=5π/16T时有最好的识别率为0.8360. 该值的选取与人行走的速度有关，人在正常步速时 其次是ω值为5π/16T,6m/16T、7π/16T和8π/16T. 选取上述的5个ω时应该能获得较好的识别效果

·270 智能系统学报 第5卷 实际上，式(2)相当于傅里叶变换中的基函数，而且 3.30的选取 式(1)是“拟傅里叶变换”，只不过Q(ω，)的模值不 在CPU3.06GHz、内存1GB,VC++6.0与 恒为1. Matlab7.O混合环境下实验.现在选择Radon变换中 Q(w,t)=1 cos(t)+j(1 sin(@t))= 参数0,0∈[0°，180)，为了能够获得最好的识别效 (1+g2 果，考虑到180的质因数为2、3和5，因此0所隔的 2 +i 角度为4°、6°、9°、10°、12°、15°…，所提取到的特征 1+g受 1+g受 只可能是0每隔2°、3°、5°所提取到的特征的一部 分.为了尽可能多地提取Radon变换的特征，在0的 t2 (1+培2) 间隔分别为2°、3°和5°上实验，实验结果如表2所 1+艺 +i 1+受 示.由于步态数据库有124×6个样本，当0从0°~ 180°(180除外)每隔3°取一次，共取60个0，总的 (1+g)2 Radon变换的特征提取时间为9min,平均到每个样 式中，a=&arctg 2 2 本的时间大约为0.73s;若0每隔2取一次，共取90 Q(o,t)的幅频特性如图4所示，其中图4(b) 个0，总的时间为l6min,平均到每个样本的时间大 为图4(a)的局部放大图.令0=wt,图4(b)为w= 约为1.378；若0每隔5取一次，共取36个0，总的 5π/16T时的Q(o,t)的幅频特性，那么当0值越 时间为7min,平均到每个样本的时间大约为0.568. 大，类似频谱的频带越窄；反之，当。值越小，类似 当样本足够多时，这种特征提取所耗费的时间差异 频谱的频带越宽.频带适中时，识别效果较好.如表 就相当可观. 表2 Radon变换中0的选取对识别性能的影响 1所示，比较行、列2种2DPCA算法的识别率，总体 Table 2 Different a-value in Radon transform and recogni- 来说，进行该Radon变换特征的数据压缩时，列 tion accuracy 2DPCA好于行2DPCA方法.因此下面的实验直接 仙值/ 0间隔为3°0间隔为2° 0间隔为5° 采用列2DPCA. (rad·s')的识别率 的识别率 的识别率 2.5r 4m/16T 0.8280 0.8172 0.8199 2.0 毫1.5 5m/16T 0.8360 0.8199 0.8360 6m/16T 0.8065 0.8118 0.8118 0.51.01.52.02.53.03.5 7π/16T 0.8011 0.8118 0.8038 e/rad 2.0 8π/16T 0.7957 0.7957 0.7957 1.5 1.0 由表2可以看出：最佳的识别率为0.8360，出 0.5 现在w=5π/16T且0的间隔为3°和5°.Radon变换 0.51.01.52.02.53.03.5 时，0的间隔为2的特征维数多于0间隔为3°和5 0/rad 的，其识别率不及后两者，原因是0间隔为3°和5° (a)整体 包含对识别有用的信息多.综合特征提取的时间以 及识别性能：确定选取0间隔为5°，特征模板的频 2.45 2.40 率为0=5π/16T. 2.35 2.30 最后，在Radon变换参数0间隔为5°、特征构 2.25 2.206 0.2 0.40.60.8.0 造模板中w=5π/16T的参数下，对所提出的算法与 θ/rad 文献[11]提出的基于关键帧的傅里叶描述子 0.9 器 8 (KFD)方法进行比较，在同样的数据环境下实验， 量 . 文献[11]的识别率仅仅为0.75，并且该方法的计算 0.5 0.4 复杂度与所提出的算法的计算复杂度相当，都是比 0.2 0.40.60.81.0 6/rad 较容易实现的方法，计算量都比较小 (b)图(a)的局部放大图 4 结束语 图4模值与辐角主值特性图 Fig.4 Characteristic graph of module value and argument 本文通过对步态序列图像进行Radon变换，构 principal value 造一个步态周期的特征模板，它同时刻画了人体的

第3期 王科俊，等：：采用Radon变换和二维主成分分析的步态识别算法 271. 静态结构信息和步态运动特征，将个体的步态特征 WANG Kejun,BEN Xianye,Zhao Yue.Gait detection and 用一幅图像来表达，直接对这个图像矩阵进行特征 sequence preprocessing for gait recognition[Techniques 压缩，克服了传统PCA的不足，该方法简单易行，而 of Automation and Appliations,2009,28(8)::69-72,79. 且获得了令人鼓舞的识别效果.尽管如此，该方法是 阿]王科俊，贲睨烨，刘丽丽.基于Fan-Beam映射的步态识 基于图形投影得到的特征，故受视角变化、行人衣着 别算法[刀.哈尔滨工业大学学报，2008,40（增刊）)： 151-155. 以及背包的影响较大.因此寻找减小外套变化以及 WANG Kejun,BEN Xianye,LIU Lili.Gait recognition 视角变化对识别性能的影响的方法是下一步的工作 based on fan-beam projection[J]Journal of Harbin Institu- 重点 te of Technology,2008,40(Suppl.),:151-155. 致谢 10]王科俊，贲睨烨，孟玮，等.基于广义主成分分析的步 态识别算法研究[].哈尔滨工程大学学报，2009,30 中科院自动化所为试验提供了免费的CASIA步 9:1022-1028. 态数据库，在此对中科院自动化所表示裹心的感谢。 WANG Kejun,BEN Xianye,MENG Wei.et al.Research on a gait recognition algorithm based on generalized princi-- 参考文献： pal component analysis[]Joumnal of Harbin Engineeingg 1]王科俊，侯本博.步态识别综述[J】.中国图象图形学 University,2009,30(9)'::1022-1028. 报，2007,12(7))：1152-1160. [11]YU Shigi,WANG Liang,HUANG Kaiqi,et al.Gait anal- ysis for human identification in frequency domain [C]// WANG Kejun,HOU Benbo.A survey of gait recognition []Journal of Image and Graphics,2007,12(7))1152- Proceedings of 3rd International Conference on Image and d 1160. Graphics.Hong Kong.China.2004:4:282-285. [2]]'WANG Liang,TAN Tieniu.Automatic gait recognition 作者简介： 王科俊，男，1962年生，教授、博士 based on statistial shape analysis[J].IEEE Transcations 生导师、博士，哈尔滨工程大学自动化 on Image Processing,2003,12(9)):1120-1131. [3]URTASUN R,FUA P.3D tracking for gait characterization 学院副院长，模式识别与智能系统学科 带头人.主要研究方向为模糊混沌神 and recognition C]//Proceedings of the 6th International 经网络、自适应逆控制理论、可拓控制、 Conference on Automatic Face and Gesture Recognition.Se- 网络智能控制、模式识别、多模态生物 oul,Korea.,2004:17-22. 特征识别、联脱机指纹考试身份鉴别系统、微小型机器人系 4]黄凤岗，韩雪花.基于Radon变换的特征提取在步态识 别中的应用[]川.哈尔滨工程大学学报，2007,28(3)： 统等.完成科研项目20余项，目前在研项目10余项.曾获得 部级科技进步二等奖2项，三等奖3项，省高校科学技术 301-304」 等奖1项、二等奖1项.已授权发明专利1项、公开3项，获 HUANG Fenggang,HAN Xuehua.Feature extraction based 国家版权局软件著作权登记1项.发表论文180余篇，出版 on Radon transform for gait recognition[J].Journal of Har- bin Engineering University,2007,28(3))301-304. 学术专著3部，主审教材2部. 贲睨烨，女，1983年生，博士研究 BOULCOURIS NV,CH Z X.Gait recognition using Ra- 生.主要研究方向为模式识别、生物特 don transform and linear discriminant analysis[J].IEEE 征识别、智能交通系统.申请专利5项， Transation on Image Processing.2007,16(3)):731-740. 发表学术论文17篇」 阿]王科俊，陈薇.基于Radon变换的步态识别系统[C]// 全国模式识别学术会议.北京，2007：：223-228. WANG Kejun,CHEN Wei.Feature extraction based on Ra- don transform for gait recognition[C]//Chinese Conference on Pattem Recognition.Beijing 2007::223-228. 刘丽丽，女，1982年生，硕士，主要 研究方向为模式识别、智能控制、工业 [7]YANG Jian,ZHANG DAVIED,FRANGI A F,et al.Two- dimensional PCA:a new approach to appearance-based face 控制.发表学术论文4篇。 representation and recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(1)): 131-137. [8王科俊，贲明烨，赵玥.步态识别中的步态检测与序列 预处理[1.自动化技术与应用，2009,28(8)片69-72， 79

HUANG Fenggang,HAN Xuehua. Feature extraction based on Radon transform for gait recognition[J].Journal of Har￾bin Engineering University,2007,28(3) : 301-304. 中科院自动化所为试验提供了免费的CASIA步 态数据库,在此对中科院自动化所表示衷心的感谢 WANG Kejun,BEN Xianye,LIU Lili. Gait recognition based on fan-beam projection[J].Journal of Harbin Institu￾te of Technology,2008,40(Suppl.) : 151-155. WANG Kejun,HOU Benbo. A survey of gait recognition [J]. Journal of Image and Graphics,2007,12(7) : 1152- 1160. 第3期 王科俊,等: 采用Radon变换和二维主成分分析的步态识别算法 贲睨烨,女,1983年生,博士研究 生.主要研究方向为模式识别、生物特 征识别、智能交通系统.申请专利5项, 发表学术论文17篇. [2] WANG Liang,TAN Tieniu. Automatic gait recognition based on statistial shape analysis[J]. IEEE Transcations on Image Processing,2003,12(9) :1120-1131. 10] 王科俊,贲睨烨,孟玮,等.基于广义主成分分析的步 态识别算法研究[J].哈尔滨工程大学学报,2009,30 (9) : 1022-1028. WANG Kejun,BEN Xianye,Zhao Yue. Gait detection and sequence preprocessing for gait recognition[J] . Techniques of Automation and Appliations,2009,28(8) : 69-72,79. 致 谢 [6] 王科俊,陈薇.基于Radon变换的步态识别系统[C]// 全国模式识别学术会议.北京,2007: 223-228. [3] URTASUN R,FUA P. 3D tracking for gait characterization and recognition [ C]//Proceedings of the 6th International Conference on Automatic Face and Gesture Recognition. Se￾oul,Korea,2004: 17-22. 4] 黄凤岗,韩雪花.基于Radon变换的特征提取在步态识 别中的应用[J] .哈尔滨工程大学学报,2007,28(3) : 301-304 271。 [7] YANG Jian,ZHANG DAVIED,FRANGI A F,et al. Two￾dimensional PCA: a new approach to appearance-based face representation and recognition[J] . IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(1) : 131-137 刘丽丽,女,1982年生,硕士,主要 研究方向为模式识别、智能控制、工业 控制.发表学术论文4篇. 静态结构信息和步态运动特征,将个体的步态特征 用一幅图像来表达,直接对这个图像矩阵进行特征 压缩,克服了传统PCA的不足,该方法简单易行,而 且获得了令人鼓舞的识别效果.尽管如此,该方法是 基于图形投影得到的特征,故受视角变化、行人衣着 以及背包的影响较大.因此寻找减小外套变化以及 视角变化对识别性能的影响的方法是下一步的工作 重点. [9] 王科俊,贲睨烨,刘丽丽.基于Fan-Beam 映射的步态识 别算法[J].哈尔滨工业大学学报,2008,40(增刊) : 151-155. 王科俊,男,1962年生,教授、博士 生导师、博士,哈尔滨工程大学自动化 学院副院长,模式识别与智能系统学科 带头人.主要研究方向为模糊混沌神 经网络、自适应逆控制理论、可拓控制、 网络智能控制、模式识别、多模态生物 特征识别、联脱机指纹考试身份鉴别系统、微小型机器人系 统等.完成科研项目20余项,目前在研项目10余项.曾获得 部级科技进步二等奖2项,三等奖3项,省高校科学技术一 等奖1项、二等奖1项.已授权发明专利1项、公开3项,获 国家版权局软件著作权登记1项.发表论文180余篇,出版 学术专著3部,主审教材2部. 参考文献: WANG Kejun,CHEN Wei. Feature extraction based on Ra￾don transform for gait recognition[ C]//Chinese Conference on Pattem Recognition. Beijing,2007: 223-228. [11] YU Shiqi,WANG Liang,HUANG Kaiqi,et al. Gait anal￾ysis for human identification in frequency domain [C] // Proceedings of 3rd International Conference on Image and Graphics. Hong Kong,China,2004: 282-285. [8] 王科俊,贲明烨,赵玥.步态识别中的步态检测与序列 预处理[J] .自动化技术与应用,2009,28(8) : 69-72, 79. [5] BOULCOURIS NV,CH Z X. Gait recognition using Ra￾don transform and linear discriminant analysis[J] . IEEE Transation on Image Processing,2007,16(3) : 731-740. WANG Kejun,BEN Xianye,MENG Wei,et al. Research on a gait recognition algorithm based on generalized princi￾pal component analysis[J].Journal of Harbin Engineeing University,2009,30(9) : 1022-1028. 1] 王科俊,侯本博.步态识别综述[J] .中国图象图形学 报,2007,12(7) :1152-1160. 作者简介: