第6卷第2期 智能系统学报 Vol.6 No.2 2011年4月 CAAI Transactions on Intelligent Systems Apr.2011 doi:10.3969/i.issn.1673-4785.2011.02.005 正面视角的步态识别 高海燕，阮秋琦 (北京交通大学信息科学研究所，北京100044)】 摘要：现有的步态识别算法研究几乎全都是基于侧面步态的.提出一种基于正面视角的步态识别方法.首先归一 化RGB颜色空间被用来检测和去除阴影，并用背景减除法提取二值化人体轮廓.提出一种专门适用于正面步态的周 期检测方法，提取周期关键帧后跟踪轮廓线，并用改进的等角度采样法进行采样以减少计算量.简单高效的傅里叶 描述子被用来提取特征向量，进行数据降维后构造步态模板.用最近邻和最近邻标本分类器分别进行分类.在CASIA 数据库上的实验表明，该算法不仅具有较低的计算量而且表现出较好的识别性能 关键词：步态识别；正面视角；去除阴影；傅里叶描述子；步态模板 中图分类号：TP391.4文献标识码：A文章编号：16734785(2011)02-011907 A gait recognition method based on front-view GAO Haiyan,RUAN Qiugi Institute of Information Science,Beijing Jiaotong University,Beijing 100044,China) Abstract:Existing gait recognition methods are usually based on side view sequences;however,in this paper a new method for front-view gait recognition was proposed.First,a method of normalized RGB color space was used for detection and shadow removal and the binary silhouettes were extracted by background subtraction.Then,a special method for cyclic gait analysis based on a front view was performed to extract cyclic key frames.Next,body con- tours were tracked,and an improved equal-angle sampling method was applied to reduce the number of computa- tions.Next,the feature vectors were extracted efficiently.Fourier descriptors as data dimension were reduced,al- lowing the gait template vectors to be constructed.Finally,recognition was achieved separately by the nearest neighbor classifier NN and the nearest neighbor classifier with respect to the template ENN.Experimental results show that the proposed approach is not only efficient in computing,but also has an encouraging recognition perform- ance in the CASIA database. Keywords:gait recognition;front-view;shadow removal;Fourier descriptors;gait template 步态识别就是根据人走路的姿势进行人的身份NyOg等2提出一种使用步态时空特征进行识别的 识别和认证，是一种新兴的生物特征识别技术，较之方法.2000年美国国防高级研究项目署的项目HD 人脸识别、指纹识别、虹膜识别，具有远距离、非接 (human identification at a distance)计划推动了步态 触、难伪装、难隐藏的特点，并且对视频质量要求也 识别的研究.目前的步态识别方法大致分为2类.基 不高，在门禁系统、动态监控、医疗诊断等方面有广 于模型的方法依据人的生理特征把人体区域分割成 阔的应用前景，近年来越来越受到学者的关注， 若干部分，主要是获得人体躯干或者腿部的运动信 步态识别研究起源于心理学研究，早期Johans- 息，如Cunado等3)的钟摆模型、Lee等4的七椭圆 sonI通过实验发现，人可以通过观察MLDs(moving 结构、Yoo等5的摆角模型等.基于非模型的方法是 light displays)图像感知人的运动模式.1994年S.A. 根据人体目标移动时，所产生时空模式的各类统计 值来提取特征，如Kale等[6]以人体轮廓宽度为特 收稿日期：20100326. 征，Liu等7以人体平均侧影作为特征，Yang等81提 基金项目：国家“973”计划资助项目(2004BC318005):国家自然科学 基金资助项目(60973060). 出步态能量图算法等 通信作者：高海燕.E-mail:hygao2010@163.com, 目前的步态识别大都是基于侧面步态的（即测
·120 智能系统学报 第6卷 试对象行走方向与摄像机的镜头主轴的方向垂 视频都提供相应的背景视频)，每帧图像都和此背 直)，其他行走方向的研究较少.文献[9]虽提出了 景图像相减，就不会出现空洞.如图2(b)得到的轮 一种视角无关的步态识别算法，但却是基于平行线 廓比较完整. 约束下的，而设定这样的约束条件有时并不合适.所 以近年来考虑行走方向的步态识别已成为富有挑战 性的热点研究问题.其实人体行走方向的不同对步 态识别算法的处理效果影响很大. (a)侧面 (b)斜54 (c)f面 不同于上述方法，本文仔细研究正面步态的特 点，提出了一种基于正面视角的步态识别算法。 图13种不同角度的背景减除法结果 Fig.1 The results of the background subtraction meth- 1预处理 od used on three kinds of gait sequence 在提取步态特征之前要对步态图像序列进行运 动分割、阴影检测和去噪等预处理操作.预处理结果 的好坏会对识别效果产生重要影响，所以要根据具 体情况选用合适的预处理方法， 1.1步态轮廓提取 (a检测阴影 凸未去除砌影(c)去涂彻影并去噪 本文采用背景减除法进行运动分割，提取人体 图2检测和去除阴影 步态轮廓.首先要进行背景建模，常用的背景建模方 Fig.2 Detection and removal of shadows 法有中值滤波法、均值滤波法、邻帧差法等。本文使 1.2阴影检测和去噪 用最小方差均值法，令1，(t=1,2,…,n)代表一个包 阴影随人体移动常被当做前景处理，尤其是运 含N帧图像的序列，则背景图像B可表达为 动特征集中体现的小臂和膝盖以下区域受阴影影响 B(x,y）=min med,,(L,(x,y）-q)2. 严重，若不去除，易对后期识别造成不良影响。 式中：q是像素(x,y)处待确定的灰度值；，(x,y)表示 本文采用归一化RGB颜色空间来检测和去 图像序列I中第t帧图像在(x,y)位置上的像素值 除阴影，归一化的颜色空间不仅可近似区分亮度信 然后是进行差分及二值化处理，本文使用文献 息和色度信息，且对阴影造成的像素点色度变化不 [10]中的方法间接执行差分操作， 敏感、鲁棒性好、计算量小.各归一化颜色的值 fa,b)=1-2a+1)(6+1) 定义如下： (a+1)+(b+1) 2/(256-a)(256-b) -,i=R,G,B. (256-a)+(256-b)1 式中：0≤fa,b)<1,0≤a(x,y）,b(x,y)≤255，且 式中：I为像素点的RGB颜色空间在某通道的亮度值， a(x,y)与b(x,y)分别是当前图像和背景图像在像 背景上的阴影与背景有相似的色度信息，若二 素(x,y)处的灰度值.该函数可根据背景图像亮度 者的归一化RGB分量相似则可判定为阴影.由于归 来检测每幅图像在相应点的敏感性变化，设定合适 一化分量间两两相关，故仅考虑2个分量，得到判别 的阈值，对该函数进行二值化来获取运动区域。 条件： 该方法用于侧面或其他角度的步态序列时都能 ITom Tom I<Ti,i=R,G. 获得完整运动区域，但是对于正面步态，运动分割出 式中：和分别是第k帧图像与背景图像上 的区域中有一片空洞，如图1(c)所示.其原因就在 对应像素点的归一化RGB颜色空间值；T:是阈值. 于人迎面走来，空洞处对应的背景区域自始至终处 为避免人体上一些较暗区域被误认为是阴影， 于被人体遮挡的状态，无论采用何种背景重建方法 还需考虑运用均值和方差的因素，增加判别条件： 都不可能恢复.对此有2种处理方法：一是填充法， 山<∑R6B(L-la）<h: 每张图像的空洞大小位置基本相同，据此进行填充 就可去除空洞；一是事先拍摄一幅背景图像（中科 01<∑6B(1a-w)2<o2 院自动化所CASIA数据库恰恰为每个角度的步态 式中：山。和I。分别是RGB空间中第k帧输入图像和背 景图像的对应点的数值，山1、山2、O1、σ2均为阈值
第2期 高海燕，等：正面视角的步态识别 ·121· 如图2(a)中的白色区域为检测出的阴影，图2 由于20帧之前人体目标过小，相差结果不准 (b)为未去除阴影时的二值化图像，图2（©）为去除 确，故从第20帧起开始统计.粗线为零点线，曲线与 阴影后的图像.可见该方法检测阴影效果很不错。 粗线的交点就表示双脚并拢状态，极值点表示单脚 最后用形态学算法处理消除小噪声，填补小空 迈出达最大幅度时的状态，每3个零点之间的图像 洞.对图像进行连通性分析，选择像素点最多的连通 序列就构成了一个步态周期。一个步态序列中的多 域作为人体目标区域， 个周期求平均就是该序列的步态周期.图3(b)为用 1.3周期检测 此法提取的一个周期的关键帧序列。 一个步态周期是指人从双腿并拢到迈开一条 腿，再经过一次双腿并拢到迈开另一条腿，直到下一 2特征提取 次双腿并拢的过程，其中包含4个关键帧21：左双 形状特征在模式识别中很常用，而离散傅里叶 撑（两腿迈开时左脚在前）、右双撑（两腿迈开时右 变换是个可逆线性变换，形状信息不会丢失，且具有 脚在前)，左单撑（两脚合拢时左脚摆动），右单撑 简单、高效、计算量小的特点，所以本文以步态轮廓 (两脚合拢时右脚摆动)，常用的周期检测方法有： 线的形状特征的傅里叶描述子作为每帧图像的形状 据人体宽高比、据大腿角度的变化、利用人体 特征 宽度向量的泛数的变化曲线6]等.但很明显这些方 2.1归一化 法都不能用于正面步态周期检测. 正面步态序列中人体图像由小到大变化，不便 本文研究发现正面步态脚部呈“WU-WU-W” 于后期采样，在此需将人体轮廓大小进行归一化.采 规律变化，“W”表示双脚合拢时的形状，“U”表示单 用双线性插值法，用插值点周围4邻点的灰度值加 脚迈出，本文结合正面步态的特点提出利用人体下 权内插作为该点的灰度值，算法如下： 1/4部分区域人体中心线左右两侧像素点数目之差 g(x,y）=(1-p)(1-q)f(x,y)+ 的变化规律来检测周期 p(1-p)f(x+1,y）+q(1-p)fx,y+1)+ 首先利用式(1)确定人体质心 pqf(x +1,y+1). N (1) 式中：f(x,y)为插值前坐标(x,y)处的灰度值； g(x,y)为该点插值后的灰度值；p和q为权值，权重 式中：(x。,y)为质心坐标，N为二值化轮廓的像素 由插值点与邻点的距离比决定， 点总数，xy分别为第k个点的横、纵坐标 本文以步态序列最后一个步态周期中最后一帧 所求像素点数之差曲线如图3(a)所示.横坐标 的人体大小为标准进行归一化，则每帧图像的放大 为图像序列的帧序号，纵坐标为像素点数之差， 倍数都不相同，第帧图像的放大倍数为 5×10 a hw/hk,B Ww/W;k =1,2,..N. 式中：N为步态周期，hk和W.分别为第k帧轮廓的 3 2 高度和宽度，αB分别为纵向和横向的放大倍数。 图4给出了一个周期(N=23,第78~100帧)中第 78813、100帧归一化大小后的效果图。 40102030405060708090100 帧序号 (a)人体下1/4区域左右像素数目差曲线 图4归一化图像大小 Fig.4 The sizes of normalized image 2.2轮廓线提取及采样 (b)步态周期关键帧 2.2.1提取轮廓线 图3步态周期分析 图像的轮廓边缘形状包含了图像大部分的信 Fig.3 Gait cycle analysis
·122 智能系统学报 第6卷 息，如方向、阶跃性质与形状等，是图像的基本特征 (108°，252)、(288°，360)覆盖的躯干区域少采 之一，本文采用一种叫做串行边界分割技术[的轮 点，对于(72°，108)、(252°，288°)覆盖的头部和脚 廓跟踪算法顺序地搜索边缘点来取得轮廓边缘线. 部区域多采点.如设定采样点数N=280时，可设定 具体来说就是：从左到右、从下到上的顺序搜 躯干部分采样间隔为2.4°，两侧各取60个点，设定 索，找到的第一个目标点A(假设目标是白色，背景 头部和脚部区域采样间隔为0.45°，上下各取80个 是黑色)一定是最左下方的边界点，由于边界是连 点.当一个角度方向上不止1个轮廓点时，同时保留 续的，所以每一个边界点都可以用这个边界点对前 距重心最远和最近的2个点，最后从躯干部位去除 一个边界点所张的角度来表示.跟踪准则：从第1个 相同数目多采集的点.如图6(c)所示，与图6(b)相 边界点开始，定义初始的搜索方向为沿左上方；如果 比点数减少了，采样效果却更好，更能准确地表达轮 左上方的点是白色，则为边界点，否则搜索方向顺时 廓形状 针旋转45°，直到找到第1个白点为止；然后把这个 108°909 70 白点作为新边界点，当前搜索方向再逆时针旋转 90°，用同样的方法继续搜索下一个白点，直到返回 A为止.此方法的优点是当检测出人体区域有空洞 180 >0° 时，提取的轮廓线不受影响.如下图5(a)所示为轮 廓跟踪算法示意图，(b)为二值化处理后的图像， (©)为用此轮廓跟踪算法得到的封闭的人体轮廓 线，(d)是为了便于观察效果而进行反色处理后的 252°270°288 效果图 (a分段采样示意图 )均匀采样 c改进的采样 图6轮廓边缘采样结果 Fig.6 The results of the sampling 2.3用傅里叶描述子进行描述 不同于文献[15]，为了避免复数运算和轮廓线 平移的影响，采用中心距作为步态的形状特征，中心 (a)轮察跟踪算法)二值化轮廓（©）轮廓跟踪仙反色处理 距r:为 图5人体轮廓边缘线提取 :=√(x-x)+(y:-y)7 Fig.5 Body contour extraction 所有采样点的中心矩构成特征向量R= 2.2.2轮廓线采样 (r1r2…Tw),对R做离散傅里叶变换为 轮廓线的像素点间紧密相关，存在大量信息冗 余，需对轮廓线进行采样以方便特征提取和减少计 S()= 名e-20=1,2M 算量.常用的有等长度采样和等角度采样. 傅里叶变换可用幅度和相位来表示，即为 等角度间隔采样是先把轮廓点的直角坐标 S(w)=I S(w)I exp(j0). (x,y)转化成以人体质心为原点的极坐标，然后以 式中：幅度表示形状信息，而相位代表了旋转、起始 相同的角度0=360/W(W为预定的采样点数)对轮 点、反射等信息，在对人体轮廓线用傅里叶描述子处 廓点序列进行采样.如图6(b)所示为设定N=300 理时，为了消除起点和旋转的影响，只提取幅度频谱 时的等角度采样效果，可以看出头部和小腿及脚部 特征{IS(0)I.为了消除尺度变换的影响，要进行 区域的采样点过少，不能表征相应部位的形状，而躯 归一化处理，即把IS(w)I的各个分量都除以第一个 干采样点数过多，产生了不均衡现象， 分量1S(1)1,至于轮廓线平移的影响，在选择采用 鉴于此，提出一种改进的等角度采样法.即减小 中心距作为步态的形状特征的同时已经避免了， 头部和脚部区域的采样间隔，而加大躯干和大腿部 根据傅里叶变换的性质知道，傅里叶变换的高 区域的采样间隔.如图6(a)所示，对于(0°，72)、 频分量对应一些细节，一般很小且容易受到高频噪
第2期 高海燕，等：正面视角的步态识别 ·123· 声的干扰，而低频分量对应总体形状，集中了形状的 第个训练类别和当前测试类别的第k个分量，在 大部分能量；所以删除了高频分量，只保留位于低频 此k=1,2,3,4;D:表示相似度，值越小越相似 的50个分量的傅里叶系数来近似地描述边界形状， 对于同一个人相同条件下的多个步态序列，可 这样可以在保证信息损失较少的同时使数据维数大 以提取多个周期的四元组，然后取平均作为标本投 大降低，得到了有效压缩，这些保留下的数据就作为 影质心四元组，以此为该类别的模板，再据式(2)求 后期步态分类识别的模板向量。 相似度， 2.4 特征变换和训练 3.2分类器 给定；个训练类别，每个类别代表某个人的步 实验中选择了比较简单的模式分类技术，即最 态模式所形成的一个傅里叶频谱序列，令F,表示 近邻分类器(the nearest neighbor classifier,.NN),每 类i的第j幅图像的归一化频谱矢量，N表示类i的 个序列被分类在离它最近的邻居所属的类中；还使 频谱矢量数，则总训练样本数为N,=N1+N2+…+ 用了最近邻标本分类器(the nearest neighbor classifi-- N,整个训练集为{F1,1,F,2,…,F,M,F21,…, er with respect to exemplar,ENN),与NN不同的是 F,},其均值和方差矩阵为： 每个序列被分类到离它最近的标本所属的类中[ N: ma三N,台台 4实验结果 D=成名名(R,-)F。-m 目前，通用的步态数据库缺乏成为步态识别算 法开发中的一个局限.本文选用CASIA步态数据的 如果矩阵三的秩是W,则利用奇异值分解理论 B数据集，这是一个大规模的多视角步态库，共有 可得N个非零特征值入1，入2，…，入w及其对应的特 124个人，每人有11个视角(0°，18°，36°，…， 征向量e1,e2,“,ew:一般前面几个较大的特征值对 180°)，在3种行走条件下（普通条件、穿大衣、携带 应的特征向量相应于训练模式的较大变化，而高阶 包裹)采集，每个人相同条件相同视角下有2个图 的代表较小变化，选择k(k<N)个最大的特征值对 像序列，所采集的彩色图像序列以25帧/s的速率 应的特征向量来构成特征变换矩阵，每个矢量F: 拍摄，原始尺寸为320×240像素点，长度也都在 在特征空间中投影为一点Pw 100帧左右. P,=[e1e2…ek]F 为了验证本文算法提取的步态特征在步态身份 可见经过特征空间投影样本的维数大大降低， 识别中的有效性，设计了3组实验.实验中均选取 每个步态序列在特征空间中呈现为一个轨迹，其对 20个人（每人2个步态序列）普通条件、正面视角下 应的傅里叶频谱序列在特征空间中的投影质心为 的40个步态序列进行训练和测试.第1组实验是将 1 这40个步态序列混合在一起，使用“留一交叉验证 C:三N:H 法”(leave-one-out cross validation)来划分样本并获 3分类识别 取识别率的无偏估计，即每次留出一个样本序列作 为测试样本，对其余样本序列进行训练.使用本文 3.1相似性度量 3.1节中介绍的归一化欧式距离来进行相似性度 每个步态周期的4个关键帧（左单撑、左双撑、 量，并分别用NN和ENN分类器进行分类，并记录 右单撑、右双撑)对应的投影质心组成四元组F= 正确分类的次数.第2组实验是将选取的20个人 {a,b,c,d}.则两步态序列之间的相似性就可用二 中，每个人的2个视频序列中一个归为训练集，另一 者周期关键帧投影质心四元组之间的归一化欧式距 个归为测试集，将测试集中的每个样本分别与训练 离来衡量，如式(12)所示. 集中的每个样本进行相似性分析，也分别用NN和 D:= (2) ENN分类器进行分类，并统计正确分类次数.第3 组实验是将第2组试验中的训练集与测试集对调， 式中：i是类别号(i=1,2,…,s);Ft和F分别表示 重复其他所有操作，并统计正确分类次数.所得正确
·124 智能系统学报 第6卷 分类率CCR(correct classification rate)如表1所示 walking figures in XYT[J]//MIT Media Lab Vision and 表13种实验方法在2种分类器下的正确分类率 Modeling Group,223 Table 1 Algorithms comparison of CCRs [3]CUNADO D,NIXON M,CATER J.Using gait as a biomet- 实验方法 分类器 CCR/% ric,via phase-weighted magnitude spectra[C]//Proc Inter- NN 67.00 national Conference on Audio-and Video-based Biometric 留一交叉验证法 ENN 78.50 Person Authentication.Crans-Montana,Switzerland,1997: 固定测试集 Nn 64.75 95-102. 与训练集 ENN 75.25 [4]LEE L,GRIMSON W.Gait analysis for recognition and classification[C]//Proceedings of Fifth IEEE International 对换测试集 NN 65.33 Conference on Automatic Face and Gesture Recognition. 与训练集 ENN 75.50 Washington,DC,USA,2002:148-155. 从表1可以看出在正面步态识别中该算法获得 [5]YOO JH,NIXON M,HARRIS C J.Extracting human gait 的结果还是比较令人满意的，最好识别率超过了文 signatures by body segment properties[C]//IEEE Southwest 献[10]的最好识别率75%，而且本文进行了采样， Symposium on Image Analysis and Interpretation.Sante Fe, 计算量更小。 USA,2002:3539. [6]KALE A,SUNDARESAN A,RAJAGOPALAN A,et al.I- 5 结束语 dentification of humans using gait[J].IEEE Transactions 目前的步态识别算法大都是基于侧面步态序列 on Image Processing,2004,13(9):1163-1173. 的研究，而本文针对步态识别中比较难处理的正面 [7]LIU Z,SARKAR S.Simplest representation yet for gait rec- ognition:averaged silhouette[C]//Proc 17th International 视角步态序列进行研究，提出了一种简单易行的正 Conference of Pattern Recognition.Tampa,USA,2004,4: 面步态识别算法.不同于以往的周期检测方法，本文 211-214. 通过计算人体下1/4区域左右部分像素点差的变化 [8]YANG X,ZHOU Y,ZHANG T,et al.Gabor phase based 规律来检测正面步态周期.针对正面步态图像序列 gait recognition[J].Electronics Letters,2008,44(10): 中人体由小到大变化的特点，采用双线性插值法对 620621. 人体大小进行归一化处理.为减少计算量，本文选用 [9]张元元，吴晓娟，李秀媛，等.平行线约束下的视角无关 包含图像大部分信息的轮廓边缘线来提取特征.为 步态识别算法[J].智能系统学报，2009,4(3)：264 了进一步减少计算量，还提出了一种改进的等角度 269 采样方法用于对边缘线采样，然后用简单高效的傅 ZHANG Yuanyuan,WU Xiaojuan,LI Xiuyuan,et al. 里叶变换来描述轮廓形状特征.将提出的算法在 Viewpoint-independent gait recognition with parallel line CASIA步态数据库中进行实验，结果表明，正面视角 constraints[J].CAAI Transactions on Intelligent Systems, 的步态识别中本文的算法获得的结果还是比较令人 2009,4(3):264-269. [10]王亮，胡卫明，谭铁牛.基于步态的身份识别[J].计算 满意的.但是这样的识别率与现有的侧面步态识别 机学报，2003,26(3)：353-360. 算法得到的识别率相比还有一定差距，还有很多很 WANG Liang,HU Weiming,TAN Tieniu.Gait-based hu- 多地方有待改进.另外人行走的方向大多时候并不 man identification J].Chinese Journal of Computers, 是严格固定的，在今后的研究中，如何自适应地克服 2003,26(3):353-360. 各种行走方向对步态识别的影响将是一个富有挑战 [11]陈实.基于计算机视觉的人体步态识别研究[D].西 性且极具探考价值的问题. 安：西安电子科技大学，2008：2025， CHEN Shi.Human gait recognition based computer vision 参考文献： [D].Xi'an:Xidian University,2008:20-25. [1]JOHANNSON G.Visual perception of biological motion and [12]WANG Aihua,LIU Jiwei.A gait recognition method based a model for its analysis[J].Perception Psychology,1973, on positioning human body joints[C]//IEEE International 14:201-211. Conference on Wavelet Analysis and Patter Recognition. [2]NIYOGI S A,ADELSON E H.Analyzing and recognizing Beijing,2007:1067-1071
第2期 高海燕，等：正面视角的步态识别 ·125. [13]WANG Liang,TAN Tieniu,NING Huazhong,et al.Sil- 作者简介： houette analysis-based gait recognition for human identifi- 高海燕，女，1985年生，硕士研究 cation[J].IEEE Transactions on Pattern Analysis and Ma- 生，主要研究方向为图像处理、模式识 chine Intelligence,2003,25(12):1505-2528. 别、步态识别 [14]李彬.基于步态特征的身份识别研究[D].北京：北京 科技大学，2004：31-35. LI Bin.Study on gait-based human identification D]. Beijing:University of Science Technology Beijing, 2004:31-35. 阮秋琦，男，1944年生，教授，博士 [15]韩鸿哲，李彬，王志良，等.基于傅立叶描述子的步态识 生导师，主要研究方向为图像处理、计 别[J].计算机工程，2005,31(2)：4849. 算机视觉、模式识别、虚拟现实.曾多次 HAN Hongzhe,LI Bin,WANG Zhiliang,et al.Gait rec- 获得省部级科技进步奖，发表学术论文 ognition based on Fourier descriptors[J].Computer Engi- 350余篇，被SCI、EI、ISTP检索150余 neering,2005,31(2):4849. 篇，出版专著4部. 2011(第4届)全国网络与信息安全学术会议 2011 National Conference on Computer Networks and Information Security 为了适应我国网络与信息安全的发展需要，中国电子学会通信学分会，《通信市场》杂志和北京信息产业协会 将于2011年7月份在北京召开“2011全国网络与信息安全学术会议”. 本次会议的学术论文集2011年7月由《通信市场》以正刊的形式出版会议专刊，会议将按评选优秀论文，进 行表彰.同时还将遴选出会议优秀论文分别在国内核心刊物正刊或专刊上发表.本次大会的主题是"可信架构、全 球安全"，会议将就现代计算机网络与信息安全的最新研究进展和发展趋势开展深人、广泛的学术交流，并特邀著 名专家、学者作专题报告.为保证本次会议的学术质量，吸引更多的高水平学术论文，现向全国广大网络与信息安 全工作者公开征稿.欢迎大家积极投稿。 征文范围（但不限于这些领域）： 1.三网融合 10.密码学 2.计算机通信与IAN 11.光互联网结构及交换技术 3.通信安全 12.光纤通信 4.计算机安全 13.雷达、通信、电子对抗 5.智能卡技术与应用 14.计算机软件与理论 6.信息技术与数据挖掘 15.计算机应用技术 7.智能通信与智能计算 16.军事通信 8.下一代网络技术 17.通信与信息系统 9,网络安全与网络管理 18.信号与信息处理 重要日期： 1.论文征文截止日期：2011年6月30日； 2.论文录用通知日期：收到的稿件在1个工作周内通知录用结果； 3.会议日期和地点：2011年7月于北京（具体时间另行通知） 投稿及联络方式： 1.投稿请通过电子信箱kuang(@ctm.com.cn提交，邮件标题请注明“2011网络与信息安全会议”； 2.联系人：蒋英勤老师联系电话：010-6820772668207724； 3.通信地址：100036北京市海淀区复兴路49号《通信市场》编辑部（收）： 4.网t址：http:/www.ctm.com.cn/09ns/w20110418.html
