# 基于面部和身体信息的家用服务机器人的人员识别 Shaghayegh Gharghabi 机器人研究中心 阿米尔卡比尔科技大学（德黑兰理工大学） 德黑兰，伊朗 摘要：在人机交互（HRI）领域，在不同姿势下进行非侵入式人员识别是一项至关重要的任务。 以前的人员识别工作大多基于面部信息。 在这些方法中，如果人的面部对机器人不可见，机器人会要求该人站在适合机器人的位置，并面向机器人进行面部识别。 然而，在正常的交互中，机器人应该能够在没有用户配合的情况下识别人员，以实现与用户的实时可接受的交互。 在本文中，我们使用基于贝叶斯决策理论的数学框架，结合面部和人体信息来解决此问题。 这种结合可用于识别人员姿势不受限制的场景，这使得难以通过应用常见的面部识别算法来识别人员。 我们在各种姿势（如坐姿和圆形行走）下，对五人组进行了人员识别测试。 该方法应用于配备Kinect传感器的家用服务机器人。 结果表明，仅使用面部信息，平均准确率为40.48%；仅使用身体信息，准确率为67.23%；结合面部和身体信息，准确率为80.23%。 Reza Safabakhsh 计算机工程系 关键词：人员识别；服务机器人；人机交互；Kinect；面部识别。 阿米尔卡比尔科技大学（德黑兰理工大学） ## I. 引言 近年来，已经开发出许多在室内环境中运行的服务机器人，例如医院、博物馆、办公楼和超市 [^1]。 在家用环境中，个人服务机器人，即家用机器人，将很快成为现代生活的重要组成部分 [^2]。 德黑兰，伊朗 家用机器人旨在执行诸如送货、娱乐、清洁、洗衣、监控和熨烫等任务 [^3]。 在该领域的一个重要挑战是机器人与人的自然和无约束交互。 适当的人机交互的基础是机器人能够检测和识别其周围的人员。 在家用环境中，人员可能处于各种不同的情况和环境中。 在这种情况下，一种鲁棒且非侵入式的人员识别方法是人机交互的关键组成部分。 面部是人员识别中最重要的人体特征之一，并且在过去得到了广泛的研究。 一些研究已在文献中得到回顾 [^4] [^5]。 然而，面部容易受到姿势、光照变化和低分辨率的影响。 此外，在某些情况下，人的面部可能被遮挡或不可见。 例如，当人的面部不可见时，无法通过其后部识别和检测人员。 能够区分不同个体的其他线索是人体整体轮廓和骨骼数据，这类数据属于软生物特征[^6]。当其他线索不可用，或不足以在长时间范围内获得准确识别结果时，就可以使用这类软生物特征。近年来，微软Kinect这类低成本深度传感设备已经普及，大多数现代移动机器人都配备了这类设备。随着这类传感器的出现，通过移动相机获取身高、肢体长度这类骨骼数据用于识别成为了可能。基于人体信息的识别存在一些缺陷：它的区分度并不充分，在某些情况下目标人物的身体可能不可见，或是测算得到的骨骼数据并不靠谱。 Robbins等人针对人类开展的研究[^7]表明，当面部不可见时，人们会利用人体信息这类其他信息来识别他人。此外，当人体信息和面部信息同时可用时，个体识别准确率能够得到提升，同时使用两类信息是人群中个体识别的最优条件。和人类类似，我们在机器人的个体识别任务中同时使用人体和面部线索。如前文所述，单独使用人体信息或单独使用面部信息都存在缺陷和局限，而结合面部与人体信息能够克服这些局限。这种组合信息可以作为一种非侵入式生物特征，用于不同姿态下的自动识别。 当人物脸部可见时，它可作为人物识别中极具区分度的线索。但如果出现光照变化和遮挡，识别性能就会下降。另一方面，个体的身体信息受光照变化影响更小，能够在多种不同姿势和场景中提取得到。此外，在部分情况下，骨骼特征的可靠性较低，但已有研究表明，将身体信息与人脸信息结合能够获得更高的识别性能与可靠性。 --- ![Image](images/fb547af76d4e8ef24a6db3b3bf1e616440043695a31812ae647e87b49bc3f92c.jpg)
Fig. 1. Framework of integration of face and body recognition system to improve the accuracy of recognition system
本文报道了一种面向家用机器人、基于个体人脸与身体信息的人物识别系统的研究成果。本工作的主要贡献是通过概率模型融合人脸与身体信息，实现了不同姿势下的实时人物识别。 本文结构安排如下：下一节回顾与本文方法相关的前沿研究；第三节介绍本文提出的人物识别系统；第四节给出实验设置与实验结果；最后，第五节总结全文并提出未来研究方向。 ### II. REALATED WORK 人脸是用于人物识别的一种极具应用前景的生物特征。适用于非约束环境的人脸识别方法的对比研究已在[^8]中呈现。在以往机器人领域的多数人物识别研究中都使用了人脸信息，下文我们将回顾其中部分方法。[^9]中提出了一种基于层次图匹配（HGM）的人脸识别方法，适用于移动机器人。该方法用一组节点和连接边表示人脸的几何结构。匹配过程中，该图会尝试在人脸上完成定位，使自身节点收敛到预定义的特征点上。 在另一项由马乌里西奥·科雷亚等人在 [^10] 处进行的研究中，局部二值模式 (LBP) 特征的直方图已用于在热成像和可见光谱图像中进行人脸识别。该识别使用计算特征空间中的最近邻分类器进行。田等人 [^11] 通过使用云计算来增强机器人的人脸识别方法。 在 [^12] 中，尺度不变特征转换 (SIFT) 特征用于人脸识别。这些特征仅从人脸的选定区域提取，然后仅在相应的区域之间执行匹配过程。在 [^13] 中，作者通过基于特征脸方法的自主人脸识别赋予人形机器人识别人物的能力。 类似于个人的面部信息，身体信息也可能用于识别。由于廉价的 3D 传感器问世的时间还不久，因此只有少数研究关注基于深度信息提取骨架特征的识别。在由梅芬·曹等人在 [^14] 处进行的一项研究中，PCA 用于提取个人的身体特征以进行识别。该方法将 PCA 应用于个人的 19 个链接长度。然后，获取个人的特征向量，并将其用于识别和跟踪该个人，由机器人完成。 在 [^15] 中，提出了一种将整个身体点云转换为基于骨架跟踪信息标准姿势的方法。在该方法中，使用迭代最近点 (ICP) 算法对个人的身体形状进行匹配，以进行重新识别。在 [^16] 中，利用基于骨架和基于表面的特征进行识别。在该方法中，提取来自身体形状的测地距离和人体肢体长度等特征向量。使用最近邻方法对人员进行分类。 在 [^17] 中，提出了一种在 3D 范围数据中使用头部和肩部区域进行人员识别的方法。在该方法中，基于支持向量机 (SVM)，利用头部到肩部特征 (HSS) 作为基础，可以进行就地人员识别。人形机器人通过将面部识别和语音识别方法结合起来进行人员识别 [^18]。这两个方法在评分和决策级别上以相等的权重结合。 --- ### III. 提出的系统概述 提出的识别系统包括两个子系统：主要子系统基于面部信息，次要子系统基于身体信息（图 1）。该系统由三个主要组件组成：1）面部检测和识别，2）从骨架数据中提取特征，以及 3）使用概率方法将骨架和面部的每个模型的识别结果结合起来。 ### A. 面部检测和识别 用于面部检测的是 Viola-Jones 方法 [^19]。该方法是最流行的面部检测范例，它基于级联增强分类器的使用，从而可以对人脸进行鲁棒且高效的检测。通过使用 Viola-Jones 算法，输出将是图像中检测到的面部集合。 我们使用了 Wright 等人提出的用于人脸识别的稀疏表示技术 [^20]。 该方法之所以被选择，是因为在以前的研究中报告了其高性能，并且它也是实时算法。 评估考虑了现实世界的条件，包括面部表情、遮挡和光照变化。 对于每个类别，通过使用该类别的稀疏编码系数来重建输入人脸图像。 在这种方法中，将每个人的训练样本视为一个过度完成的字典。 设 $D = [X_l, \ldots, X_c, \ldots, X_C] \in \mathbb{R}^{d \times N}$ 为原始训练样本的集合，其中 C 是每个人类别的数量，并且 $X_c \in \mathbb{R}^{d \times N_c}$ 是从类别 c 中所有 $N_c$ 向量表示的训练样本的子集。 然后，输入测试人脸被表示为训练样本的线性组合。 与整个训练样本相比，这种组合是稀疏的。 设 $x \in \mathbb{R}^d$ 为一个查询人脸图像，则 x 通过 $l^1$ 范数最小化稀疏编码在 X 上： $$ \hat{a}_{1}=\arg\min\left\|a\right\|_{1},\quad\text{subject to}D a=x. $$ 其中，a 是稀疏系数向量。 对于分类，评估输入测试图像的稀疏编码系数的最小重构误差。 因此，最小重构误差由以下公式计算： $$ \mathbf{e}_{i}=\arg\min_{i}\left\|\boldsymbol{x}-\boldsymbol{X}_{i}\boldsymbol{\delta}_{i}(\hat{\boldsymbol{a}})\right\|_{2}, $$ 其中，$\delta_{i}(.)$ 是一个向量指示函数，它提取与 $i^{th}$ 类对应的元素。 测试图像被分类到具有最小重构误差的训练类别中。 我们的方法基于一个假设，即家用机器人只与在家中的已知人员进行交互。 使用重构误差评估计算测试图像属于每个训练类别的概率。 因此，主生物特征系统输出的格式为 $P(c_i | x), i=1,2,\ldots,n$，其中 $P(c_i | x)$ 是表示测试图像是 $c_i$ 的概率，给定特征向量 x。 该概率基于最大 $e_{\max}$ 和最小 $e_{\min}$ 重构误差从 ![Image](images/a4bd7a26accce5225845ea7c3108f080e0b2dcb28cba81e0072b9d95f0a716a4.jpg)
Fig. 2. Link length between adjacent joints
与每个训练类别进行比较中获得。 基于这些值，计算每个类别的概率如下： $$ P(\mathbf{c}_{i}\mid x)=\frac{e_{\max}+e_{\min}-e_{i}}{n(e_{\max}+e_{\min})-es} $$ 其中，n 是训练类别的数量，es 是测试图像与所有训练类别误差值的总和。 ### B. 从骨骼数据提取特征 在本研究中，使用 OpenNI [^21] 开发的骨骼跟踪器以实时方式获取 15 个不同骨骼关节的 3D 位置坐标。 图 2 显示了从 OpenNI 跟踪器获取的 15 个关节的位置。 该跟踪器基于 3D 数据，并且比基于 2D 的方法具有更高的性能。 在本文中，识别不仅在静止状态下进行，也在人类的移动和坐姿状态下进行。 因此，在所有状态下都会获取 3D 骨骼位置的坐标。 在一个测量中，包括静止状态以及其他状态的骨骼数据，被称为一个样本序列。 在本节中，从 15 个 3D 位置坐标的骨骼关节提取特征。 我们的骨骼特征向量由 14 个元素组成，每个元素由一些相邻关节之间的链接长度和一些关节的距离总和组成。 图 2 显示了相邻关节之间的链接长度，其中计算关节之间的距离使用欧几里得距离。 --- 这些长度用于提取骨骼特征，如图 2 所示。单个特征向量 $V_{i}$ 的定义如下： $$ V_{i}=[\nu_{i1},\nu_{i2},...,,\nu_{i14}], $$ 式中，i代表$i^{th}$个待识别个体。这些特征的计算方式为： $$ \begin{aligned}\nu_{1}&=L_{01}&\nu_{8}&=L_{1213}\\\nu_{2}&=L_{26}&\nu_{9}&=L_{34}+L_{45}\\\nu_{3}&=L_{23}&\nu_{10}&=L_{67}+L_{78}\\\nu_{4}&=L_{12}&\nu_{11}&=L_{1213}+L_{1314}\\\nu_{5}&=L_{16}&\nu_{12}&=L_{910}+L_{1011}\\\nu_{6}&=L_{13}&\nu_{13}&=L_{12}+L_{29}+L_{910}+L_{1011}\\\nu_{7}&=L_{910}&\nu_{14}&=L_{01}+L_{12}+L_{29}+L_{910}+L_{1011}\end{aligned} $$ 静止序列用于计算每个个体的每个特征的平均值和方差。这些值用于计算每个个体的概率。 ### C. 面部和身体识别的组合 基于 [^6] 中提出的组合方法，我们将面部和身体识别系统的结果结合起来。令 $c_1, c_2, \ldots, c_n$ 表示注册在数据集中的 n 个用户，$V = [v_1, v_2, \ldots, v_k]$ 是软生物特征向量。给定主要的生物特征向量 x 和软生物特征向量 V，可以计算用户 $c_i$，即 $P(c_i | x, V)$ 的概率。使用贝叶斯规则，并考虑到 x 和 V 相互独立，概率的计算方法如下： $$ P(c_{i}\mid x,V)=\frac{P(V\mid c_{i})~P(c_{i}\mid x)}{\sum_{i=1}^{n}P(V\mid c_{i})P(c_{i}\mid x)} $$ 如果假设从身体提取的特征是独立的，(6) 可以重写为： $$ P(c_{i}\mid x,V)=\frac{P(v_{1}\mid c_{i})...P(v_{k}\mid c_{i})P(c_{i}\mid x)}{\sum_{i=1}^{n}P(v_{1}\mid c_{i})...P(v_{i}\mid c_{i})...P(c_{i}\mid x)} $$ 其中，$P(v_{j} | c_{i}), j=1,2,...,k$ 表示给定用户 $v_{j}$ 时，特征 $c_{i}$ 的条件概率。通过对骨骼特征采用高斯分布，(7) 中的 $P(v_{j} | c_{i})$ 的计算方法如 (8) 所示。 $$ P(\mathbf{v}_{k}\mid\mathbf{c}_{i})=\frac{1}{\sigma_{i}\sqrt{2\pi}}e^{\frac{-(\mathbf{v}_{k}-\mu_{i})^{2}}{2\sigma_{i}^{2}}} $$ 其中，$\mu_{i}$ 和 $\sigma_{i}$ 是从 $i^{th}$ 类别的训练数据中计算得出的，k 是骨骼特征的数量。(7) 的对数可以表示为： $$ \begin{aligned}\log P(c_{i}\mid x,V)&=\log P(v_{1}\mid c_{i})+....+\log P(v_{k}\mid c_{i})\\&+\log P(c_{i}\mid x)-\log P(\mathrm{v}),\end{aligned} $$ 其中，$P(\mathbf{v}) = \sum_{i=1}^{n} P(v_1 \mid c_i) \ldots P(v_k \mid c_i) P(c_i \mid x)$。 对特征进行等权加权是一个主要的缺点。因此，面部特征在决策中具有与主要生物特征相同的权重。但在实践中，与骨骼特征相比，人脸具有更强的识别能力和性能。考虑一种情况，面部识别是正确的，但用户的特定软生物特征被错误测量。在这种情况下，即使面部识别是正确的，也可能因为等权加权而导致被拒绝。因此，我们需要一个加权方案来组合这些生物特征。使用 (10)，针对用户 $c_{i}$ 的建议加权方案如下： $$ \begin{aligned}\boldsymbol{g}_{i}(\boldsymbol{x},V)&=b_{0}\log P(c_{i}\mid\boldsymbol{x})+b_{1}\log P(\boldsymbol{v}_{1}\mid c_{i})+\ldots+\\&\quad\boldsymbol{b}_{m}\log P(\boldsymbol{v}_{m}\mid c_{i}),\end{aligned} $$ 其中，$\sum_{j=0}^{m} b_j = 1, b_0 \gg b_j, j=1,2,\ldots m$。分配给面部的权重是 $b_0$，而 $b_j'$ 和 $j=1,\ldots,m$ 是分配给从身体提取的特征的权重。 根据此公式，只有当几个软生物特征不匹配时，才会导致后验概率显著降低，并且由面部识别系统正确识别的人可能会因为等权加权而被拒绝。 当一个子组件报告没有数据（面部或任何骨骼特征）可用于进行决策和计算概率时，组合方法将默认使用剩余组件的值。例如，如果机器人摄像头无法看到人物的面部，则单独使用骨骼特征识别的结果。 ![Image](images/0b155b9c4995e84361b34ca60e973eca1fa400d802ccbffe836bb699648fe83b.jpg)
Fig. 3. Sepanta, the service robot of Amirkabir University of Technology. This robot is equipped with a Kinect for providing 3D data.
--- ![Image](images/b3e8b30698bfcfad9756ebf50804f4aaeb5545a699d980242d65b7dcd9fdb919.jpg)
a) Sitting
![Image](images/f927d219ad8eda6fcaecf4179924197c1b9474f047ef6d126361fe9711760d09.jpg)
b) Circular walking
![Image](images/4ea23dd9df9bb1db480dbbace918a82d37c2c02d759b1d8ba8d470486c4426de.jpg)
c) Straight walking
![Image](images/cb5a5d580fa8ed0a3b5da92b5551418c82bb50743fda033e4bd036d2fd68ccc4.jpg) ![Image](images/7210e653052f9a8f03c66c661fc5884e8188390465004ce23a09eb8cf6b75435.jpg)
d) Still
Fig. 4 Sample images of persons in four different poses that were used for training and recognition by Sepanta
### IV. 实验 本节展示了基于身体和面部信息，在不同情况下对人员识别系统的实证评估结果。该实现已封装为开源机器人操作系统 (ROS) [^22] 中的节点，因此可以在配备 Kinect 的任何机器人上使用。在以下部分，首先介绍用于评估该算法的平台，然后给出结果。 ### A. 机器人平台 为了评估所提出的算法，我们使用了一个名为“Sepanta”（图 3）的移动服务机器人。该机器人配备了 Kinect 传感器，该传感器提供 3D 视觉信息，包括以 30Hz 的帧率的 RGB 图像序列，这使得 Sepanta 能够检测和识别人员的面部，以及提供人员关节的 3D 位置的深度信息。 ### B. 实验结果 通常，家庭环境中存在少数人。因此，该方法仅在五人组上进行评估；包括三名成年男性和两名成年女性。在本实验中，我们重点关注在不同姿势下识别人员，以便在每种姿势下，只有部分身体信息或面部信息可用。用于评估的数据是在不同日期收集的。以前的方法通常单独使用面部或身体线索来识别人员。因此，我们将实验分为三类：首先，评估单独的面部系统；其次，单独的身体识别系统；第三，组合系统。 我们考虑了直线行走、圆形行走、坐姿和静止站立这四种不同的姿势序列。静止站立用于训练，其他三种序列用于测试。在坐姿序列中，身体和面部信息都可用，但无法准确确定骨骼信息。此外，用于识别的面部分辨率较低。其次，当人员朝向机器人行走时，面部和身体都可见，但当人员背向行走时，面部不可见，只能获取身体信息。第三，当人员以圆形路径行走时，身体的某些关节不可见，但面部可以从侧面看到。图 4 显示了人员在不同姿势下的示例图像。 在静止姿势下，每位人员在相机前站立 5 秒，并将数据保存到数据集，以便与测试样本进行比较。对于每位人员，$5 \times 30$ 帧数据可用。每 15 帧中，保存一张面部图像，因此每位人员有 10 张面部图像。每个测试样本序列的数据是从人员出现在场景的那一刻开始，持续 20 秒。对于每位人员，计算骨骼特征。然后，对这些特征进行平均，形成一个包含 14 个骨骼特征的向量，并将其保存到数据集。 每个家庭的区分性特征是不同的，例如在一个家庭中，成员的身高可能具有很高的 ---
TABLE I. RECOGNITION RATES OF FACE AND BODY RECOGNITION SYSTEM AND THEIR COMBINATION
Sitting(%)Circular walking(%)Walking straight(%)Average(%)
Face76.8410.1934.4240.48
Body44.9371.6185.1567.23
Face-body81.6972.3386.6980.23
区分能力，但在另一个家庭中，则可能是肩部和躯干之间的长度。因此，根据家庭成员调整每个特征的重要性是必要的。为此，为了获得 $b_{j}'$（如第三部分所述的权重），训练数据被分成两部分，第一部分用于系统训练，第二部分用于获取每个特征的识别率。考虑到这些识别率，确定每个特征的权重。 表 I 显示了人脸系统、身体系统以及它们的组合的识人率。 可以看出，与坐姿状态下的单独人脸系统和身体系统相比，人脸和骨骼系统的组合在性能方面取得了显著的提升。 由于上述系统是独立的，因此同时使用它们可以克服各自的缺点。 在圆形和直线行走过程中，面部部分可见，因此人脸识别率会降低，从而人脸系统无法弥补身体系统产生的错误结果。 通过对所有样本序列的平均值，我们得到人脸识别系统的准确率为 40.48%，身体系统的准确率为 67.23%，而它们的组合的准确率为 80.23%。 结果表明，结合使用人脸和身体系统可以提高性能。 ### V. 结论 本文提出了一种用于在家庭机器人中实时识别人在不同姿势的方法。 使用身体特征，并结合人脸信息来解决识人的问题。 使用贝叶斯决策理论进行人脸和身体生物特征的集成。 结果表明，所提出的方法可以在面部或身体信息不可用的情况下识别人。 此外，我们还证明了结合这些生物特征可以提高建立用户身份的准确性。 该方法应用于服务机器人，使用其 RGBD 传感器（Microsoft Kinect）。 在未来的工作中，我们将研究部分遮挡的身体和更多姿势的识别。 为了提高各种情况下识别的准确性，我们还计划开发一种算法，根据上下文选择特征并调整特征的权重。 ## 参考文献 [^1]: J. Sung, R. E. Grinter, and H. I. Christensen, "Domestic robot ecology," in International Journal of Social Robotics, Vol. 2, No. 4, pp. 417-429, Jul. 2010. [^2]: Breuer, Thomas, Geovanny R. Giorgana Macedo, Ronny Hartanto, Nico Hochgeschwender, Dirk Holz, Frederik Hegger, Zha Jin et al. "Johnny: An autonomous service robot for domestic environments," in Journal of Intelligent & Robotic Systems (JIRS), vol. 66, No. 1-2 pp. 245–272, 2012. [^3]: C. Ray, F. Mondada, and R. Siegwart, "What do people expect from robots?", in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 3816-3821, September 2008. [^4]: J. H. Shah, M. Sharif, M. Raza, and A. Azeem, "A survey: Linear and nonlinear pca based face recognition techniques," in International Arab Journal of Information Technology, Vol. 10, No. 6, pp. 536-545, 2013. [^5]: T. Sinsinwar, and P. K. Dwivedi, "A survey on feature extraction method and dimension reduction techniques in face recognition," in International Journal of Applied Science and Engineering Research, Vol. 3, No. 3, pp. 734-740, 2014. [^6]: A. K. Jain, S. C. Dass, and K. Nandakumar, "Soft biometric traits for personal recognition systems," in Biometric Authentication, pp. 731-738. Springer Berlin Heidelberg, 2004. [^7]: R. A. Robbins, and M. Coltheart, "The effects of inversion and familiarity on face versus body cues to person recognition," in Journal of Experimental Psychology: Human Perception and Performance, Vol. 38, No. 5, pp. 1098-1104, 2012. [^8]: J. Ruiz-del-Solar, R. Verschae, and M. Correa, "Recognition of faces in unconstrained environments: a comparative study," in EURASIP Journal on Advances in Signal Processing, Vol. 2009, pp. 1-19, 2009. [^9]: U. Handmann, S. Hommel, M. Brauckmann, & M. Dose, "Face Detection and Person Identification on Mobile Platforms," in Towards Service Robots for Everyday Environments, pp. 227-234. Springer Berlin Heidelberg, 2012. [^10]: M. Correa, G. Hermosilla, R. Verschae, and J. Ruiz-del-Solar, "Human detection and identification by robots using thermal and visual information in domestic environments," in Journal of Intelligent & Robotic Systems, Vol. 66, No. 1-2, pp. 223-243, 2012. [^11]: S. Tian, D. Saitov, and S. G. Lee, "Cloud Robot with Real-Time Face Recognition Ability," in Advanced Science and Technology Letters, Vol. 51, pp. 77-80, 2014. [^12]: C. Cruz, L. E. Sucar, and E. F. Morales, "Real-time face recognition for human-robot interaction," in 8th IEEE International Conference on Automatic Face & Gesture Recognition, pp. 1-6, September 2008. [^13]: L. Aryananda, "Recognizing and remembering individuals: Online and unsupervised face recognition for humanoid robot," in IEEE/RSJ International Conference on, Intelligent Robots and Systems, vol. 2, pp. 1202-1207, 2002. [^14]: M. Cao, and H. Hashimoto, "Specific person recognition and tracking of mobile robot with Kinect 3D sensor," in 39th IEEE Annual Conference on the Industrial Electronics Society (IECON), pp. 8323-8328, November 2013. [^15]: M. Munaro, A. Basso, A. Fossati, L. Van Gool, and E. Menegatti, "3D reconstruction of freely moving persons for re-identification with a depth sensor," in IEEE International Conference on Robotics and Automation (ICRA), pp. 4512-4519, 2014. [^16]: I. B. Barbosa, M. Cristani, A. Del Bue, L. Bazzani, and V. Murino, "Re-identification with rgb-d sensors," in Computer Vision–ECCV Workshops and Demonstrations, pp. 433-442. Springer Berlin Heidelberg, 2012. [^17]: N. Kirchner, A. Alempijevic, and A. Virgona, "Head-to-shoulder signature for person recognition," in IEEE International Conference on Robotics and Automation (ICRA), pp. 1226-1231, 2012. [^18]: E. Martinson, W. Lawson, and J. G. Trafton, "Person identification through perceptual fusion," in 10th IEEE-RAS International Conference on Humanoid Robots (Humanoids), pp. 358-364, December 2010. [^19]: P. Viola, and M. Jones, "Rapid object detection using a boosted cascade of simple features," in Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Vol.1, pp. I-511, 2001. [^20]: J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, "Robust face recognition via sparse representation," in IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 31, No. 2, pp. 210-227, 2009. [^21]: OpenNI, OpenNI. (Last Accessed: February 2015). [^22]: M. Quigley, K. Conley, B. P. Gerkey, J. Faust, T. Foote, J. Leibs, R. Wheeler, and A. Y. Ng, "Ros: an open-source robot operating system," in ICRA Wshop Open Source Soft., 2009.