# 用于人物识别的头肩签名
Nathan Kirchner、Alen Alempijevic、Alexander Virgona
自主系统中心
澳大利亚悉尼悉尼科技大学
{nathan.kicrhner, alen.alempijevic, alexander.virgona}@uts.edu.au
摘要——确保交互能够发起于群体中特定且无防备的成员是一项复杂任务。作为第一步，机器人必须能够有效、快速且可靠地在人类开展日常行为（原位）时完成识别。本文提出了一种构造对尺度和视角鲁棒的特征向量的方法（通过分析三维点云），该向量用于封装人们头肩区域尺寸和形状的人际差异（即头肩签名，HSS）。此外，本文详细介绍了一种以该特征向量为基础、通过支持向量机实现人物识别的方法。我们开展了一项实证研究，在办公环境中对5天内从25名参与者采集的原位数据进行人物识别测试。结果显示，5天的平均准确率为78.15%，其中9名参与者的最高准确率达到100%。此外，结果表明，在以下几种场景中，识别准确率均远高于随机水平（1/23 = 4.5%）：参与者移动且未察觉自己被扫描时（52.11%）、参与者移动且面部背对传感器时（36.04%），以及参与者整体外观发生变化后。最后，结果显示，头肩签名能够很好地适应人物头部、肩部和身体相对于传感器的旋转——即使在人物完全背对机器人的情况下依然有效。
## 一、引言
机器人的应用范围正在不断扩大，推动这一发展的是实现机器人社会普及的愿景，以及传感、计算和驱动技术不断提升的性能与日益降低的成本。例如，机器人在提升各类人群生活质量、解决多个社会问题方面的潜力已经得到验证[^1]和[^2]。然而，尽管机器人感知世界并与世界交互的基础能力正逐步成熟，在机器人真正有效融入社会之前，仍有诸多挑战有待解决[^3]。原位人物识别就是这类挑战之一；即对开展日常行为、处于常规环境约束下的人员进行识别。
例如，设想图1所示的典型场景：机器人需要在办公环境中将一件物品送到特定位置的特定人员手中，但机器人到达后发现现场不止一人。虽然此时机器人可以将责任转嫁给人类（例如说出目标收件人的名字，或是假定对方会主动表明身份），但这种做法可能会给交互带来不良结果，进而降低任务成功的概率。例如，如果物品足够吸引人，可能会有人冒领，或是直接从机器人手中取走物品[^3]。这种做法至少会
Fig. 1. The Exemplar Scenario: A robot tasked with ensuring a specific person is the recipient of an object encounters multiple persons engaged in an interaction upon arrival at the hand-over location.
要求人们中断正在进行的互动，来应对机器人的闯入。因此，为机器人配备能够在机器人靠近过程中原位识别目标收件人的人物识别技术，显然是十分必要的。
目前文献中已提出多种解决人物识别问题的潜在方案。广义而言，这些方案可分为近场和非近场两类。近场方案的一个典型例子是[^4]中提出的触觉方法。尽管该技术已被证明可实现人物识别，但它要求人体与传感器/机器人之间进行物理接触。另一个放宽了近场约束的典型例子是[^5]中提出并验证可行的基于音频的人物识别方法。尽管该方法允许人与传感器/机器人之间有更大距离，但仍属于近场方案。背景噪声和/或嘈杂声学环境的负面影响通常将其工作范围限制在约1米或更短[^5]。上述内容并非对近场人物识别研究的全面综述，但足以说明：尽管这些方法能取得出色的效果，它们的核心技术本质上将其限制在近场应用。虽然近场方案适用于多种场景，但显然不适用于图1示例的这类场景。
非近场方案的几个代表性例子见[^6]、[^7]、[^8]和[^9]。在[^6]中，作者通过训练数据选择过程，解决了困扰基于视觉的人脸识别的若干挑战（包括部分遮挡、光照变化和面部表情变化），并取得了出色的效果。但该方法需要一套指定的训练数据（在我们的应用场景中，生成这类数据可能存在困难），且
---
依赖于人脸区域检测（这要求人做出一定程度的配合姿势）。[^7]提出了一种差异很大的人脸识别方法。在该研究中，作者利用从人脸密集三维点云重建得到的个体体积差异来识别人物。研究表明，使用点云的三维特征可提高对上述面部表情变化和光照变化问题的鲁棒性。但该技术仍然依赖受约束的观测条件（观测视角和人的姿势），且要求人脸可观测、可检测。
另一种有趣的人物识别方法是利用步态等行为特征。典型例子是[^8]和[^9]，这两项研究从一系列人物行走的轮廓图像中提取人物步态的动态特征。两种方法的轮廓图像均由视觉传感器生成，随后被用作分类的依据。这种底层表征的粗糙性使得该方法可在更远距离实现识别，并显著提升了对光照变化、面部表情变化和头部姿态变化的鲁棒性。但该方法仍存在难以解决的问题：这类方法无法应对大幅形状变形（例如坐下）、静止状态（例如静止站立）或可合理预见的遮挡情况（例如桌子遮挡人物下半身）。
虽然非近场方法看似更适合我们的目标场景，但前文提到的局限性使得它们无法直接应用。实际上，我们需要一种针对非近场场景的人物识别方法，该方法需要能够耐受所举家庭/办公类场景中常见的多变条件，能够基于典型原位观测运行，并且利用可原位观测的特征进行识别。该方法采用的特征集通常不会发生整体形状形变（无论是站立/坐姿还是运动状态），且一般不会被遮挡。在我们的研究场景中，人体头肩区域通常可见，形状也相对稳定（这一点从示例场景中就能直观感受到），因此是极具吸引力的研究对象。此外，[^10] 和 [^11]（虽仅面向人物检测设计）表明，通过对距离数据水平切片计算得到的几何特征来表征人物，在原位场景下可观测性强，实用性良好。
本文提出了一种利用不同个体头、颈、肩尺寸和形状的个体差异实现鲁棒原位人物识别的方法。本文设计了一种对尺度和视角具备鲁棒性的特征向量（通过分析三维点云构建得到），用于封装头肩区域的信息，本文将其称为头肩特征签名（head-to-shoulder signature, HSS），并将其作为支持向量机（Support-Vector Machine, SVM）分类的基础。本文开展了实证研究，评估基于HSS的人物识别方法对人物姿态、着装/整体外观变化的鲁棒性，并给出了研究结果。结果显示：在训练数据（自然采集后手动标注）收集于第0天，测试数据收集于随后连续4天的设置下，本文提出的基于HSS的人物识别方法对23名被试的识别效果为：静止站立（SS）状态下单次观测平均准确率达78.15%，走向传感器（WT）状态下平均准确率为52.11%，远离传感器（WA）状态下平均准确率为36.04%。此外，结果表明，在以下场景中识别准确率仍远高于随机猜测水平（4.5%）：被试处于运动状态且未意识到正在被扫描（52.11%）、被试处于运动状态且面部完全背对传感器（36.04%），以及被试整体外观发生变化后。最后，本文还给出实验结果，探讨了HSS在应对被试头部、肩部和/或躯干相对于传感器发生旋转时的局限性。
本文结构安排如下：第二节讨论了利用不同个体头、颈、肩尺寸和形状的个体差异作为人物识别依据的研究潜力。第三节详细介绍了本文将该信息封装为HSS的方法。第四节给出了以HSS为分类基础的实证评估结果。最后，第五节得出结论，并对未来工作方向进行了展望。
### 二、研究背景
鉴于头肩区域具备良好的可观测性，第一步需要确定该区域中可辅助识别的一组度量指标。最直观的选择包括面部和/或语音特征，但正如前文讨论的那样，这些方法存在局限性，对于我们的目标场景而言并非理想方案。剩余可用的特征就是不同个体头、颈、肩尺寸和形状中包含的几何信息。由此产生一个问题：这类几何信息在人群中的差异是否足够大，能够用于区分不同个体？
美国军方于1988年开展了一项人体测量调查，旨在助力设计可适配各类身材人员的服装、装备与工作空间[^12]。该调查记录了从近9000名士兵身上测得的180项人体尺寸数据。在这些测量项中，有多项目前对应人体的头肩区域，例如头宽、头长、颈围和肩围，仅举几例。根据[^12]的数据，这些测量值的标准差（ $\sigma$）通常为测量值的5%甚至更高，说明该人群内部的这些人体尺寸存在显著差异。
鉴于现有传感器的性能（相较于人体尺寸的变异程度），我们开展了一项概念验证研究，以进一步探索利用人类头肩区域物理尺寸进行个人身份识别的可行性。首先，我们采集了25名受试者的50份点云扫描3D数据：受试者站在SwissRanger SR4000传感器前方2米处，面向传感器。我们直接从采集到的点云中测量每个人头肩的物理尺寸，头肩跨度的测量结果标注在图2中
---
Fig. 2. Box plots of head and shoulder spans showing significant separation between individuals relative to the spread of data within each individual.
其中实心点表示每个个体测量值的中位数，箱体代表第25-75百分位数范围。观察图2可见，不同个体头肩跨度的中位数结果之间存在区分度，说明该特征具备区分不同个体的潜在价值。此外，同一个体测量结果的变异程度远小于不同个体之间的差异。这项概念验证结果表明，不同个体之间不仅存在显著差异，而且这种差异是可测量的。
### III. 方法
前期研究已证实头肩区域用于人物识别具有潜在价值，据此我们设计了HSS构建方法，并开发出一套人物识别系统。该系统如图3所示，由三个阶段组成：人物检测、HSS构建和人物识别。人物检测阶段接收3D深度数据（例如来自Microsoft Kinect或SwissRanger SR4000的数据），分析场景以检测其中的人物。被判定为人体的点云片段会被送入HSS构建阶段，构建出检测到的人物头肩区域的HSS包络。随后对HSS进行粗略验证确认其属于人体，再对阳性结果进行分类，最终由系统输出身份标签。下文各小节将详细介绍这三个阶段。
### A. 人物检测
本系统的第一阶段可在场景的3D点云中稳定检测出人物，并相应对点云进行分割。由于该阶段基于作者此前的研究工作[^13]，为保证内容完整性，本文仅在此给出该阶段的概述，完整细节请读者参考我们的原始论文。如图3所示，人物检测流程首先将输入点云通过双变量直方图沿两个水平轴投影到二维水平平面上（场景扁平化），这一步得到一张密度图，其中每个像素（即双变量直方图的区间）的强度代表
Fig. 3. Schematic of our HSS based person recognition system
场景该垂直列中现有点的集中度——垂直表面会产生高强度像素。随后对图像执行斑点检测，从而将每个疑似人体目标（宽度合适的垂直表面，即尺寸检查）从场景中分割出来，得到分割点云。这种场景分析方法利用了如下假设：与众多水平表面（地板、椅子等）相比，人在场景中表现为垂直表面，且在直方图中具有相对较高的点密度。正如[^13]所示，这一假设是成立的。
除人类之外，常被误识别为潜在人类的常见物体包括：墙壁、门和高大家具。通过根据人体预期的最小和最大尺寸设置尺寸约束（尺寸检查），可以消除大部分这类假阳性结果。尺寸检查是特别设定的，仅用于限制需要进一步处理的观测数量，从而提升计算吞吐量。但正如[^13]所示，在检测流程的该阶段，让假阳性通过检测比漏检（假阴性）更可取，因为后续在行人识别阶段会进行进一步区分，通常会剔除剩余的假阳性（详见第三节-C部分）。
### B. HSS 构建
HSS构建阶段的目标是从前述得到的人体分割点云中，提取封装能够唯一描述第二节中提到的人体特征。图4给出了一个分割点云的示意性示例，需要封装的目标人体特征包括：头宽、颈宽、肩宽、头高和颈高。尽管直接检测整体解剖结构（头部、颈部、肩部）并直接获取测量值这一思路十分吸引人，但该方法依赖于对身体特征的准确、鲁棒识别与地标标记，这在我们预期的应用场景下并非一件易事。对于
---
Fig. 4. Segmented pointcloud with the constructing elements of the HSS illustrated and a stylised HSS shown
这个原因，本文设计了一种封装头肩特征的方法，该方法不依赖身体特征的地标标记，且对视角变化具有鲁棒性。
如图3所示，HSS构建阶段的第一步是头肩切片。首先对点云进行再次分割，保留上部高度H的区域。选择距离H的标准是：该范围从点云顶部（头顶）向下延伸，刚好覆盖大多数成年人的肩部，同时尽量减少对手臂区域的覆盖，如图4所示。经经验测定，$H = 0.4m$是合适的取值，不过该值可能会根据参与者的平均尺寸有所变化。为了获得横向测量值，点云的头肩区域被划分为若干厚度均为h的水平切片，覆盖H定义的整个区域，如图4所示。切片厚度的选择取决于所用传感器以及预期测量行人的距离范围$D_{max}$。给定所用传感器的垂直角分辨率（$h_{min} = S_{res} D_{max} \tan(\alpha)$）、可靠测量所需的点数（$h_{min}$）以及行人距离传感器的最大距离（$\alpha$），可通过公式$S_{res}$确定最小切片厚度（$D_{max}$）。这确保了所有切片都有可能存在数据。
在此阶段，我们依次分析整体点云的每个切片（Slice Pointcloud），计算旋转不变跨度（Calculate Rotationally Invariant Spans），以确定该切片的跨度值。标注了跨度的点云切片可参见图4的内嵌图，跨度被定义为切片点云中任意两点之间的最大距离。不难看出，当从3D深度传感器的视角可以观测到人体的呼吸起伏时，就能够确定出具有代表性的跨度。因此，这些跨度测量结果具有旋转不变性。显然，通过遍历每个切片，我们可以得到头肩区域的明确横向测量值。
然而，竖直方向特征并没有被明确测量。相反，竖直特征通过横向测量值所在的切片编号被封装在HSS中。例如，参见图5，图中展示了两个不同人体的点云，共包含10个切片跨度
Fig. 5. Pointclouds of two different people with 10 slice spans illustrated
的图示（为清晰起见仅标注了10个切片）。从图中可以看出，不同个体的竖直特征对应的切片编号分布不同。通过这种方式，个体的竖直特征就被隐式地封装了起来。
最终，HSS被定义为由切片跨度组成的有序向量——正如前文所展示的，它显式捕获了个体头肩区域的横向测量值，并隐式封装了竖直特征（通过横向测量值在有序向量中的位置实现）。
### C. 人脸识别
人脸识别阶段首先会验证输入的HSS是否确实属于人体（Verify Person Detected）。该步骤由单类支持向量机（SVM）实现，该SVM由能够代表不同体型、不同轮廓的各类人体的HSS进行监督训练得到。这种粗分类足以去除第三节A部分提到的人体检测假阳性结果。
剩余的HSS随后会被输入到多类SVM中。我们的问题特性（特征数量小于等于样本数量）适合使用径向基核函数（RBF），gamma参数和cost参数通过交叉验证进行优化 [^14]。多类SVM使用已检测到的未知身份人体的HSS进行训练（机器人自动选择观测数据作为训练数据）。该SVM每个类别的训练数据都保证包含一个新人物，但不保证该人物在所有观测中都可被观测到，也不要求该人物保持特定或受限的姿态。识别模块（通过多类SVM）会输出一个概率向量，表示观测到的HSS属于每个已知类别（人物）的概率。最终，系统输出该向量中对应最大高置信度（ $P > 0.8$）概率类别的识别标签。
### IV. 实验结果
本节展示了我们基于HSS的人脸识别系统的实证评估结果。共有24名男性和1名女性参与者，年龄在22-45岁之间，均为悉尼科技大学自主系统中心（CAS）的博士生和科研人员。除询问参与者是否认为他们
---
Fig. 6. The experiment setting
会在实验的5天里每天都出现在CAS。在25名参与者中，有2名（均为男性）被排除在结果之外，因为他们只参与了5天实验中的1天。
实验按如下流程开展：我们的HSS人员识别系统配置为在RobotAssist平台上使用Microsoft Kinect传感器运行 [^15]。实验在CAS开展，机器人在整个实验过程中保持静止。随后我们告知参与者走到“在此站立”线前（该线距离传感器1.8米），暂停5秒后再走开。我们告知参与者机器人将尝试识别他们，未给出进一步指示。CAS不要求统一着装，也没有对参与者的着装提出要求或加以限制。实验场景、RobotAssist平台以及站在“在此站立”线处的参与者可参见图6。
针对每位参与者的数据采集覆盖了他们进入场景前、走向机器人过程中、停在线处时、离开机器人过程中以及离开场景后的一段时间。参与者一直以为仅在他们站在线处时才会采集数据。第0天在该线处为每位参与者采集了训练数据。测试数据在后续连续4天进行采集。数据根据参与者有空的时间在全天不同时段采集；23名参与者中有18名在全部4个测试日都参与了实验。
### A. 基于HSS的人员识别
为了评估我们基于HSS的人员识别系统的整体性能，我们将5天实验期间采集的数据分为三类：第1-4天站在线处的数据、第0-4天走向线的数据、以及第0-4天离开线的数据。第0天参与者站在线处的数据被用作SVM的训练数据。SVM训练数据的交叉验证得到了93.54%的准确率。我们提及交叉验证准确率是因为它被认为是“最佳情况”性能的指标。图7展示了得到的混淆矩阵。从明显的对角线（表明我们系统识别出的标签与真实标签匹配）可以看出，站在线处静止不动的识别结果是不错的。具体而言，5天的平均准确率为78.15%，最高准确率为100%（对应类别1、5、7、11、12、14、16、21和22），最低准确率为0%（对应类别6）。经检查
Fig. 7. The confusion matrices for the classifications of Walking Towards (WT), Standing Still (SS) and Walking Away (WA). The row number is the true label and the columns indicate the identified label; the pixels intensity represent the percentage of classifications (black = 100% and white = 0%). A solid black row indicates that no data was available for this participant.
我们发现，参与者6的大部分训练数据中，他都存在俯身、四处张望且大幅抬臂的动作（参与者20也存在该情况，但程度较轻）。至于WT和WA的结果，平均准确率分别为52.11%和36.04%，最高准确率均为100%（对应多个类别），最低准确率均为0%（对应多个类别）。
这些结果尤为值得关注，因为它们清楚表明，即使参与者不知道自己正在被扫描、处于运动状态，甚至面部完全背对传感器，识别准确率仍远高于随机猜测（1/23）。这一结果的意义在于，参与者确实处于真实原位场景，没有刻意摆姿势。在此必须再次强调，这些结果来自单次观测（帧率30Hz），未进行任何传感器数据处理或降噪。如果采用连续扫描概率方法，最终结果可以得到显著提升。但由于本文研究重点是评估HSS（我们的研究贡献）的实用性，因此并未探索这些改进方向。
### B. 整体外观变化下的鲁棒性
如前所述，本实验连续开展了5天（训练在第0天进行）。本实验的设计目的是采集参与者整体外观发生典型变化后的数据。图8展示了实验每一天WT、SS和WA的平均（按类别平均）准确率。从图8可以看出，对于WT、SS和WA三种方法，第0天和第1天的平均准确率相对稳定，第2、3、4天的平均准确率也相对稳定，但两个区间之间存在明显的阶跃变化。这可能是天气因素导致着装发生整体变化造成的：第0天和第1天平均气温为$14.5^{\circ}$C，天气晴朗，而第2、3、4天为$12.1^{\circ}$C，天气多云。这一点将在未来工作中进一步探索。无论如何，该结果表明，当参与者整体外观发生变化后，我们基于HSS的人物识别系统仍能得到远优于随机猜测（1/23）的结果。
### C. HSS适应姿态变化能力的进一步探索
为了进一步探索HSS适应姿态变化的能力，额外的数据被
---
Fig. 8. The mean accuracies for SS, WT and WA for the experiment
Fig. 9. HSS ability to accommodate head and shoulder pose variations. The line marks the space for which data exists. The underlying colour indicates the classification success (white = 100% and black = 0%)
采集自22号参与者，该数据采集于第11天。选择22号参与者是因为实验准备启动时他正好有空。我们要求该参与者站在RobotAssist平台前，在舒适范围内缓慢转动头部和/或肩部，之后转身背对机器人重复该过程。随后使用第0天的训练数据，通过我们的系统处理本次实验采集的数据。
本次实验的结果如图9所示，我们通过查看传感器视角拍摄的视频手动估算了参与者的头部和肩部角度。从图中可以看出，无论头部角度如何，肩部角度在-60°到+60°之间时分类通常都能成功。特别值得注意的是，当肩部角度在-140°到+160°之间时，分类也通常能成功，这一点格外值得关注，因为此时参与者已经背对传感器。实验的主要局限性出现在被测者肩部角度处于-140°到-60°以及+60°到+160°区间的情况。尽管这些结果有限（仅作为参考），但它们清楚表明，当人物相对于传感器发生头部、肩部和/或身体旋转时，HSS具备出色的适应能力。
### 五、结论与未来工作
本文提出了一种利用不同个体间头部、颈部和肩部的尺寸与形状差异，实现鲁棒原位人物识别的方法。本文介绍了HSS的构建方法：HSS是一种对尺度和视角具有鲁棒性的特征向量，能够封装这些人际差异。此外，本文还详细介绍了一种以HSS为基础的Support-Vector Machine人物识别方法。
一项实证研究表明：我们在办公环境中采集了25名参与者为期5天的原位数据，开展了基于HSS的人员识别实验，得到5天的平均准确率为78.15%，其中9名参与者的峰值准确率达到100%。研究进一步表明，在多种复杂场景下，我们的方法都取得了远优于随机猜测的结果，这些场景包括：参与者未察觉正在被扫描、处于运动状态、面部完全背对传感器，以及整体外观存在变化。最后，结果显示HSS对人员相对于传感器的头部、肩部和/或身体旋转具备相当出色的适配能力——即使人员完全背对机器人也能正常工作。具体来说，无论头部角度如何，当肩部角度处于-60°至+60°区间（0°定义为面向机器人）时，分类通常都能成功；而当肩部角度处于-140°至+160°区间（即参与者完全背对机器人）时，分类同样可以成功。
尽管本文呈现的研究结果前景可观，仍有若干局限有待未来工作解决。例如，我们计划开展更全面的研究，进一步探索整体外观、姿态变化以及参与者运动对HSS稳定性的影响。此外，我们还计划在未来工作中将该系统的性能与熟练人类观察者的表现进行对比。
### 六、致谢
本研究得到悉尼科技大学自主系统中心与RobotAssist的支持。
## 参考文献
[^1]: M. A. Goodrich and A. C. Schultz, “Human-robot interaction: a survey,” Found. Trends Hum.-Comput. Interact., vol. 1, pp. 203–275, January 2007.
[^2]: M. Woods, “Caring for older australians: Overview, final inquiry report,” Productivity Commission, Australian Government, Tech. Rep. 53, 2011.
[^3]: N. Kirchner, A. Alempijevic, and G. Dissanayake, “Nonverbal robot group interaction using an imitated gaze cue,” in HRI '11: ACM/IEEE Int. Conf. on Human robot interaction, Switzerland, 2011, pp. 1–8.
[^4]: M. Kaitz, “Recognition of familiar individuals by touch,” Physiology and Behavior, vol. 52, no. 3, pp. 565 – 567, 1992.
[^5]: C. Sanderson, Biometric Person Recognition Face, Speech and Fusion. VDM Verlag, 2008.
[^6]: J. Wright, A. Yang, A. Ganesh, S. Sastry, and Y. Ma, “Robust face recognition via sparse representation,” Pattern Analysis and Machine Intelligence, IEEE Trans. on, vol. 31, no. 2, pp. 210–227, Feb. 2009.
[^7]: M. Irfanoglu, B. Gokberk, and L. Akarun, "3D shape-based face recognition using automatically registered facial surfaces," in Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on, vol. 4. IEEE, 2004, pp. 183–186.
[^8]: L. Wang, T. Tan, H. Ning, and W. Hu, “Silhouette analysis-based gait recognition for human identification,” Pattern Analysis and Machine Intelligence, IEEE Trans. on, vol. 25, no. 12, pp. 1505–1518, 2003.
[^9]: D. Voth, “You can tell me by the way i walk,” Intelligent Systems, IEEE, vol. 18, no. 1, pp. 4 – 5, Jan 2003.
[^10]: L. Spinello and R. Siegwart, “A layered approach to people detection in 3d range data,” Learning, vol. 55, no. 2007, pp. 1625–1630, 2010.
[^11]: L. Spinello and K. O. Arras, “People detection in rgb-d data.” in Proc. of the Int. Conf. on Intelligent Robots and Systems (IROS), 2011.
[^12]: G. C. et al., “1988 anthropometric survey of U.S. Army personnel: Methods and summary statistics,” United States Army Natick, Research, Development and Engineering Center, Tech. Rep., 1989.
[^13]: D. Hordern and N. Kirchner, “Robust and Efficient People Detection with 3-D Range Data using Shape Matching,” in Proc. of the 2010 Aust. Conf. on Robotics and Automation, 2010, pp. 1–8.
[^14]: C.-C. Chang and C.-J. Lin, "LIBSVM: A library for support vector machines," ACM Transactions on Intelligent Systems and Technology, vol. 2, pp. 27:1–27:27, 2011.
[^15]: N. Kirchner and et al., “Robotassist - a platform for human robot interaction research,” in Proc. of the 2010 Aust. Conf. on Robotics and Automation, 2010, pp. 1–8.