{
  "paper_id": "065808cdf179ee56c545a412046d0890",
  "paper_title": "Person Identification Using Top-View Image with Depth Information",
  "paper_authors": [
    "Daichi Kouno",
    "Kazutaka Shimada",
    "Tsutomu Endo"
  ],
  "publication_date": "2013-04",
  "publication_venue": "International Journal of Software Innovation (IJSI)",
  "abstract": "In this paper, the authors describe a novel image-based person identification task. Traditional face-based person identification methods have a low tolerance for occluded situation, such as overlapping of people in an image. The authors focus on an image from an overhead camera. The authors utilize depth information for the identification task. By using depth information, the authors can capture the precise person's area and rich information for the identification task as compared with popular RGB cameras. The authors apply four features extracted from images based on depth information to the identification method; (1) estimated body height, (2) estimated body dimensions, (3) estimated body size and (4) depth histogram. In the experiment, the authors evaluated two situations; (a) standing in front of a door and (b) touching a doorknob. The identification accuracy rates are 94.4% and 91.4% on the two situations. The authors obtained the high accuracy by the proposed method.",
  "keywords": [
    "Computer Vision",
    "Depth Information",
    "Identification Tasks",
    "Person Identification",
    "Top-View Images"
  ],
  "paper_institutions": [
    "Department of Artificial Intelligence, Kyushu Institute of Technology, Iizuka, Fukuoka, Japan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:52.616549Z",
  "template_tag": "deep_read",
  "summary": "# Person Identification Using Top-View Image with Depth Information\n\n\n**作者 / Authors:** Daichi Kouno, Kazutaka Shimada, Tsutomu Endo\n\n\n**单位 / Institutions:** Department of Artificial Intelligence, Kyushu Institute of Technology, Iizuka, Fukuoka, Japan\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2013-04\n\n\n\n**期刊/会议 / Publication Venue:** International Journal of Software Innovation (IJSI)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n# 模块A：阅读对齐与输入校验\n\n## 分类理由\n\n- 本文提出了一种基于顶视图深度图像的人物身份识别方法，核心贡献为新算法（特征提取 + AdaBoost分类器）和实验验证，属于“方法”类论文。\n\n## 1. 论文元数据\n\n- **标题**: Person Identification Using Top-View Image with Depth Information\n- **作者**:\n  - Daichi Kouno（所属：九州工业大学人工智能系，日本福冈饭塚）\n  - Kazutaka Shimada（同单位）\n  - Tsutomu Endo（同单位）\n- **发表渠道**: 期刊（据DOI推断为International Journal of Software Innovation, IJSI），DOI: 10.4018/ijsi.2013040106，出版时间约为2013年4月。\n\n## 2. 研究定位\n\n- **研究领域**: 计算机视觉，生物特征识别，深度图像处理\n- **具体任务**: 使用顶置摄像头（俯视）结合深度信息进行人物身份识别，解决传统人脸识别因遮挡导致的低鲁棒性问题。\n- **目标用户/应用场景**: 适用于自动门、电梯前、门把手触摸等场景，可应用于智能监控、安防、人机交互等，尤其适合隐私要求较高或人脸遮挡的环境。\n\n## 3. 输入材料清单\n\n- **PDF**: 是（已有文章文本，但缺少原始图像文件）\n- **附录/补充材料**: 无明确附录，但包含图1-10和表1-4（均以占位符形式出现，实际图像缺失）\n- **代码链接**: 未提供\n- **数据集链接**: 未提供（实验数据为内部采集，未公开）\n\n## 4. 缺失材料与风险\n\n- **缺失项**:\n  - 全部图像（图1-10）的原始文件；\n  - 数据集（160张站立图像和105张触摸图像的具体数据）；\n  - 代码（AdaBoost + C4.5实现）；\n  - 实验参数和预处理细节的完整描述。\n- **可能影响**: 无法复现实验，无法直接验证方法的有效性；图像缺失导致无法直观理解方法细节；代码和数据集缺失限制了后续改进和对比。\n\n## 5. 阅读路线（3-6步）\n\n- **步骤1**: 快速浏览标题、摘要、关键词、结论，把握核心贡献和主要结果（准确率94.4%和91.4%）。\n- **步骤2**: 阅读引言和相关工作，理解问题背景、已有方法的不足以及本文的创新点（使用顶视图+深度信息）。\n- **步骤3**: 精读方法部分，重点是特征提取（身高、尺寸、大小、深度直方图）和AdaBoost分类器，理解各部分原理。\n- **步骤4**: 仔细分析实验部分，对比表1-4的准确率和混淆矩阵，关注特征组合的效果和失败案例。\n- **步骤5**: 阅读讨论和结论，理解方法局限（位置敏感性、服装变化等）和未来工作，结合自己的思考提出改进方向。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## 模块B：第一遍概览\n\n### 1. 论文类型和类别\n\n- **类型**：方法论文（method paper）——提出新的算法（特征提取 + AdaBoost分类）并给出实验验证。\n- **子类别**：计算机视觉 / 生物特征识别 / 深度图像处理 / 顶视图人物识别。\n- **研究范式**：实证评估（数据集来自内部采集，不公开），无理论证明。\n\n### 2. 背景与研究定位\n\n- **问题**：传统基于人脸/指纹/虹膜等识别方法在遮挡场景（如拥挤）下鲁棒性差，且涉及隐私问题。\n- **解决方案思路**：采用顶置摄像头（overhead camera）避开遮挡，并引入深度信息（Kinect）提高特征可靠性。\n- **应用场景**：自动门、电梯前、门把手触摸等静止场景，面向监控、安防、人机交互。\n- **与前人工作对比**：相关研究多用于计数/跟踪（Snidaro 2005, Uchida 2009, Onishi 2010），少数用于识别但未用深度或未用顶视图（Fukuzoe 2008, Nakatani 2011）。本文首次将深度信息用于顶视图人物识别，并提取四个特征。\n\n### 3. 直觉正确性检查（关键假设及其合理性）\n\n- **假设1：顶视图能解决遮挡问题**——合理，因为俯视时人形重叠少，但多人场景仍有部分遮挡，论文未讨论多人情况。\n- **假设2：深度信息能提供比RGB更精确的人体区域和特征**——合理，深度对光照不敏感，且可直接测距。\n- **假设3：身高、尺寸、大小、深度直方图足以区分个体**——部分合理，但身高特征受位置影响（论文自述），且这些特征对服装变化敏感，区分能力有限。\n- **假设4：AdaBoost+C4.5能有效组合特征**——合理，属于经典分类器，但未与其他分类器对比。\n- **总体**：假设在受控场景（单人、静止）下多数成立，但在真实复杂环境中鲁棒性存疑。\n\n### 4. 核心贡献（3-5条）\n\n- **贡献1**：提出一种新的顶视图人物识别任务，利用深度信息避免遮挡和隐私问题。\n- **贡献2**：设计了四个基于深度信息的特征：身体高度、身体尺寸（宽高）、身体大小（x/y轴宽度）、深度直方图。\n- **贡献3**：采用AdaBoost（弱分类器为C4.5）进行集成分类，在两种场景（站立、触摸）下分别达到94.4%和91.4%的准确率。\n- **贡献4**：分析了各特征对位置和服装变化的敏感性，提出归一化可提升身高特征（52.5%→74.4%）。\n- **贡献5**：为后续顶视图深度识别提供了基线方法和分析见解。\n\n### 5. 清晰度评估（结构、图表、公式、可读性）\n\n- **结构**：标准IMRaD结构（引言、相关工作、方法、实验、结论），章节划分清晰，但方法部分逻辑略有跳跃（如“身体尺寸”定义含混）。\n- **图表**：共10幅图、4个表，但均为占位符（原始图像缺失），无法直观看到效果。表格数据完整，混淆矩阵清晰。\n- **公式**：仅1个准确率公式，简单明了。\n- **可读性**：整体语言通俗，术语解释充分，但部分地方存在拼写错误（如“parson”），且未说明特征值具体计算方式（如维度如何计算像素和）。\n- **总体**：适合快速阅读，但复现细节不足。\n\n### 6. 继续或停止建议\n\n- **建议**：继续阅读（进入第二遍/第三遍）。\n- **理由**：论文提出新任务和特征组合，方法虽然简单但有启发性，且实验分析指出关键问题（位置敏感性），对后续研究有参考价值。但需注意数据集小、未提供代码，读者应批判性看待结论的普适性。\n\n### 7. 结构大纲图（Markmap）\n\n```markmap\n# Person Identification Using Top-View Image with Depth Information\n## Introduction\n- 问题：遮挡和隐私\n- 解决方案：顶视图+深度\n- 场景：门和门把手\n## Related Work\n- 顶视图应用（计数/跟踪）\n- 识别方法（体态、RGB）\n## Proposed Method\n- 三个部分\n- 特征提取（4个特征）\n- AdaBoost分类器\n## Experiment\n- 设置（数据集、交叉验证）\n- 站立场景结果\n- 触摸场景结果\n- 特征讨论\n## Discussion\n- 位置归一化\n- 服装敏感性\n- 扩展场景\n## Conclusion\n- 总结与未来工作\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在解决在遮挡或隐私受限场景下，利用顶视图（俯视）深度图像对静止人物进行身份识别的问题。\n\n### 2. 痛点或不足\n\n- 传统基于人脸的身份识别方法在遮挡情形（如人群重叠）下鲁棒性差，无法可靠获取人脸图像。\n- 使用普通RGB顶视图摄像头时，信息量不足，导致特征提取（如身体尺寸）出现误检测，影响识别精度。\n- 在自动门、电梯前、门把手触摸等场景中，需要一种不依赖人脸、且能适应摄像头安装位置限制的识别方案。\n- 现有顶视图研究多集中于人数统计与跟踪，缺乏对具体个体身份识别的方法。\n\n### 3. 形式化目标或优化目标\n\n论文未给出显式的数学优化目标，但可概括为：给定顶视图深度图像，设计特征提取与分类器，以最小化识别错误率。具体而言，提取四个特征（估计身高、身体尺寸、身体大小、深度直方图），并通过AdaBoost（以C4.5为弱分类器）构建强分类器，实现人物身份分类。\n\n### 4. 成功标准（指标或期望属性）\n\n- 识别准确率（accuracy rate）：正确识别图像数占总图像数的百分比。\n- 站立情境下的目标准确率达到94.4%，触摸情境下达到91.4%。\n- 期望属性包括：对遮挡鲁棒、保护隐私（不采集人脸）、摄像头安装位置灵活。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## 模块C2：相关工作的关键分析\n\n### 1. 最强基线与方法对比轴\n\n- **最强基线**：基于RGB顶视图图像的方法（如Nakatani等人，2011年），该方法仅使用简单RGB图像，常因身体尺寸特征提取时发生误检。对比轴为（a）图像模态（RGB vs. RGB-D）与（b）特征提取准确性与鲁棒性。\n- 另一个间接基线为基于人体形状的识别方法（Fukuzoe等人，2008年），但该方法不使用顶视相机，存在遮挡问题。对比轴为相机视角与遮挡鲁棒性。\n\n### 2. 最接近的方法与关键差异\n\n- **最接近方法**：Nakatani等人（2011年）使用顶视头部图像进行人物识别，但仅用RGB图像。关键差异：本文引入深度信息（Kinect），能更精确地提取人物区域，并新增深度直方图特征；同时利用了四个特征（身高、尺寸、体型、深度直方图）结合AdaBoost分类器，显著提升了准确率。\n- 另一接近方法为Iwashita和Stoica（2009年）的顶视步态识别，基于阴影分析。关键差异：本文不使用步态，而是利用静态身体特征，且专注于门前的站立和触摸场景。\n\n### 3. 正交方向\n\n- 多个顶视相机的人流跟踪与计数（Snidaro et al., 2005；Uchida et al., 2009；Onishi & Yoda, 2010；Yuan et al., 2011）：这些工作重点在计数与跟踪，而不在身份识别，与本文的任务目标正交。\n- 服装信息作为上下文的人物识别（Gallagher & Chen, 2009；Yamaguchi et al., 2011）：本文讨论其作为未来工作，但未在方法中利用服装信息，属于正交方向。\n\n### 4. 本文定位的一句话总结\n\n- 本文提出了一种利用顶视深度图像进行人物身份识别的方法，通过四类特征与AdaBoost分类器，解决了遮挡与隐私问题，并验证了深度信息相比RGB在顶视人物识别中的显著优势。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n# 模块C3：论文如何解决问题？\n\n## 1. 核心机制概述\n\n本文提出了一种基于顶视图（Top-View）深度图像的人物身份识别方法。核心机制如下：\n\n- **输入**：从顶置摄像头（Microsoft Kinect）获取的深度图像（$640\\times480$像素），深度值范围0-255。\n- **处理流程**：三步流水线——（1）基于深度阈值的背景减除法提取人的区域；（2）从区域中提取四种特征：估计身高、身体尺寸（像素和）、身体大小（x/y最大宽度）、深度直方图；（3）使用AdaBoost（弱分类器为C4.5决策树）构建强分类器进行身份识别。\n- **输出**：图像所属人物身份标签。\n\n## 2. 逐步分解\n\n### 步骤1：人的区域提取（Person's Area Extraction）\n\n- 利用深度信息进行背景减除。由于Kinect拍摄顶视图时，地面与人体头部存在显著深度差，通过设定深度阈值即可分割出人体区域（图4）。\n- 解决了传统RGB背景减除对光照变化的敏感问题。\n\n### 步骤2：特征提取（Feature Extraction）\n\n论文从提取的人体区域计算四种特征：\n\n1. **估计身高（Body Height）**：图像中离相机最近像素的深度值，近似反映身高。\n2. **身体尺寸（Body Dimensions）**：人体区域像素总数之和，反映整体体积。\n3. **身体大小（Body Size）**：人体区域在x轴和y轴上的最大宽度，即肩宽和头宽。\n4. **深度直方图（Depth Histogram）**：对整幅图像（包含地面区域）的深度值生成直方图，隐含头到肩等相对距离信息。\n\n### 步骤3：分类器构建（Classifier for Identification）\n\n- 使用AdaBoost算法，弱分类器为C4.5（Weka中的J48）决策树。\n- 将四种特征（或其组合）作为输入，通过留一法交叉验证评估。\n\n## 3. 关键公式与模块角色\n\n- **准确率公式**（实验部分）：\n\n$$\\text{Accuracy} = \\frac{\\#\\text{of images identified correctly}}{\\#\\text{of images}} \\times 100\\%$$\n\n- **各模块角色**：\n  - **深度图像获取**：提供稳定的人体分割和特征依据。\n  - **人体区域提取**：通过阈值分割，为后续特征计算提供精确掩码。\n  - **特征计算**：身高、尺寸、大小、深度直方图分别刻画不同身体属性，互补组合提升识别效果。\n  - **AdaBoost + C4.5**：将多特征融合为强分类器，实现多类识别。\n\n## 4. 流程图示\n\n```mermaid\nflowchart TD\n    A[\"顶置Kinect采集深度图像\"] --> B[\"深度阈值分割人体区域\"]\n    B --> C[\"特征提取\"]\n    C --> C1[\"估计身高\"]\n    C --> C2[\"身体尺寸（像素和）\"]\n    C --> C3[\"身体大小（x/y最大宽度）\"]\n    C --> C4[\"深度直方图\"]\n    C1 & C2 & C3 & C4 --> D[\"AdaBoost（弱分类器：C4.5）\"]\n    D --> E[\"输出人物身份\"]\n```\n\n（注：流程图依据论文图3和大纲绘制，引自论文“PROPOSED METHOD”小节。）\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表（名称、规模、场景）\n\n- **站立场景数据集（Standing Situation）**：\n  - 被试人数：8人（在论文中标记为Sub1至Sub8，按身高从矮到高排列）。\n  - 每人样本数：20张图像。\n  - 总样本数：160张图像。\n  - 场景：站在门前（如自动门或电梯前）。\n- **触摸场景数据集（Touching Situation）**：\n  - 被试人数：7人（Sub1至Sub7，同样按身高排序）。\n  - 每人样本数：15张图像。\n  - 总样本数：105张图像。\n  - 场景：触摸门把手以开门。\n- **图像分辨率**：所有图像尺寸为640×480像素。\n- **数据获取设备**：Microsoft Kinect 深度相机（通过深度信息捕捉）。\n- **数据性质**：顶视图（俯视）图像，包含深度信息；论文未提供公开数据集或下载链接。\n\n### 2. 预处理与划分/覆盖设置\n\n- **预处理**：\n  - 使用深度信息进行人的区域提取（基于背景减除的变体，通过深度阈值区分人与地板区域，如“Person's Area Extraction”部分所述）。\n  - 从提取的人体区域及原始深度图中计算四个特征：估计身高、身体尺寸、身体大小（肩宽和头宽）以及深度直方图（深度范围0-255）。\n  - 未提及归一化、去噪或数据增强等额外预处理；但实验后对身高特征尝试了归一化处理（基于位置的归一化），将身高特征单独准确率从52.5%提升至74.4%。\n- **划分/覆盖设置**：\n  - 评估方法：留一交叉验证（LOO-CV），等价于k折交叉验证，其中k等于测试样本数量（站立场景k=160，触摸场景k=105）。\n  - 覆盖：所有样本都被轮流作为测试集，其余作为训练集；每个被试的样本在训练和测试中均出现，但未明确说明是否保持每个被试的均衡划分（由于LOO-CV，每个样本只测试一次，但训练集中包含其他样本，包括同一被试的其他样本，因此存在数据泄漏风险，但论文作者采用了LOO-CV，未消歧）。\n  - 未提供官方训练/验证/测试集划分，仅通过LOO-CV报告总体准确率。\n\n### 3. 训练/推理/评估环境（当适用时）\n\n- **分类器**：AdaBoost（强分类器），弱学习器采用C4.5决策树（Weka中的J48）实现。\n- **软件**：开源软件Weka（Waikato Environment for Knowledge Analysis），网址：<http://www.cs.waikato.ac.nz/ml/weka/>。\n- **硬件**：未明确说明（推测为普通PC，使用Kinect传感器采集数据）。\n- **训练与推理流程**：\n  - 特征提取后，将特征向量输入AdaBoost分类器进行训练和预测。\n  - 未报告具体训练轮数、树深度等超参数。\n- **评估指标**：准确率（accuracy），公式为正确识别图像数/总图像数×100。\n- **对比实验**：比较了所有特征组合（见表1和表3），并给出最佳特征组合的混淆矩阵（表2和表4）。\n\n### 4. 这些选择为什么重要以及它们所验证的内容\n\n- **数据集选择的重要性**：\n  - 顶视图深度图像避免了传统人脸识别的遮挡问题，同时降低隐私风险；使用Kinect可方便获取深度信息，便于提取准确的人体区域和深度直方图。\n  - 两个场景（站立和触摸）模拟了实际应用（自动门、电梯前、开门等），验证了方法在不同姿态下的适用性。\n  - 数据集规模较小（8人和7人），这是论文承认的局限（结论部分提到“测试数据集太小，需要用更大规模数据验证”），但足以初步验证特征的有效性。\n- **预处理和划分的意义**：\n  - 基于深度阈值的背景分割对光照变化鲁棒，解决了传统背景减除的弱点。\n  - LOO-CV充分利用了小数据集，使评估结果相对稳定，但在小样本下容易过拟合，结果可能高估泛化能力。\n  - 归一化实验凸显了位置变化对特征的影响，为后续改进指明了方向。\n- **环境与评估设置的意义**：\n  - 使用Weka和C4.5作为弱学习器，使实验易于复现（但未提供具体参数配置）。\n  - 全面比较特征组合，系统性地分析了各特征及组合的贡献，证明“身高+深度直方图”组合最优（站立94.4%，触摸91.4%）。\n  - 混淆矩阵显示错误主要发生在身高接近的被试之间，说明特征的鉴别瓶颈，后续需引入与身体无关的特征（如服装）。\n- **总体验证内容**：\n  - 验证了顶视图+深度信息用于人物识别的可行性，并展示了高准确率。\n  - 验证了深度直方图是最有效的单一特征（站立90.6%，触摸89.5%），结合绝对身高（距离）可进一步提升。\n  - 指出位置敏感性问题，并通过归一化实验证明其重要性（身高单独准确率从52.5%提升到74.4%）。\n  - 触摸场景中身高特征表现良好（88.6%），因为位置相对稳定；但尺寸特征因人物方向倾斜而大幅下降（47.6%），说明姿态影响。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n# 模块C5：指标与结果\n\n## 1. 评价指标\n\n- 采用**准确率（Accuracy）**作为唯一评价指标，计算公式为：\n  $$ \\frac{\\#of~images~identified~correctly}{\\#of~images}\\times100 \\% $$\n  （见“实验”章节-“设置”部分，表1-4均以此为基础）。\n- 实验采用**留一交叉验证（leave-one-out cross-validation）**，即每次取一张图像作为测试样本，其余作为训练数据，遍历所有图像，等价于k折交叉验证且k等于测试集大小（见“实验”章节-“设置”部分）。\n\n## 2. 主要结果\n\n### 站立场景（Standing Situation）\n\n- 数据集：8个测试者，每人20张图像，共160张。\n- 最佳特征组合：**height+dHist（身高+深度直方图）**，准确率**94.4%**（表1）。\n- 相同准确率（94.4%）的组合还包括：height+size+dHist 和 all（全部特征）。\n- 单特征表现：\n  - depth histogram（深度直方图）最好，**90.6%**；\n  - size（体型）次之，**73.8%**；\n  - height（身高）**52.5%**；\n  - dimensions（体尺寸）最差，**40.6%**。\n- 身高特征的问题：由于人体在图像中的位置变化导致Kinect输出的距离值不稳定，经归一化处理后身高单特征准确率从52.5%提升至**74.4%**（见“站立场景结果”段落及图9、图10）。\n- 混淆矩阵（表2）显示，错误多发生在身高相近的个体之间（如Sub5和Sub7）。\n\n### 触摸场景（Touching Situation）\n\n- 数据集：7个测试者，每人15张图像，共105张。\n- 最佳特征组合：同样为**height+dHist**，准确率**91.4%**（表3）。\n- 单特征表现：\n  - height（身高）大幅改善，**88.6%**（因触摸时位置相对固定）；\n  - dHist（深度直方图）**89.5%**；\n  - dimensions（体尺寸）**48.6%**；\n  - size（体型）**47.6%**（因斜向前倾导致尺寸估计不准）。\n- 混淆矩阵（表4）显示错误同样集中在身高接近的个体（如Sub3和Sub4）。\n\n## 3. 与基线或先前工作的比较\n\n- 本文方法与**Nakatani et al. (2011)**（使用顶视RGB图像）相比，引入深度信息解决了体尺寸误检问题（见“相关工作”和“讨论”）。\n- 与**Fukuzoe et al. (2008)**（基于身体形状但不使用顶视相机）相比，本文通过顶视相机解决了遮挡问题。\n- 文中未提供与这些方法的直接数值对比，但指出深度信息能更精确地获取人体区域，从而提高识别稳定性（见“相关工作”部分）。\n- 与传统人脸识别（如EigenFace等）对比，本文方法在遮挡和隐私场景下更具鲁棒性（见引言）。\n\n## 4. 消融、敏感性分析\n\n- **特征组合消融**：表1和表3分别展示了站立和触摸场景下不同特征组合的准确率。结果一致表明，**融合多个特征通常优于单一特征**，其中height+dHist是效果最佳的组合，且在两种场景下均达到最高准确率。\n- **单特征敏感性**：\n  - 深度直方图（dHist）作为单特征表现最优，因为它包含了头部到肩部、地面等相对距离信息，但受位置变化影响；\n  - 身高特征对位置敏感，但归一化后显著提升（站立场景52.5%→74.4%）；\n  - 体型（size）和体尺寸（dimensions）对服装变化敏感（见“讨论”部分）。\n- **跨场景差异**：\n  - 站立场景中位置不固定，身高特征受影响大；触摸场景中位置相对固定，身高特征大幅提升（88.6%），但体型特征因姿态倾斜而下降（47.6%）。\n  - 两种场景的最佳组合均为height+dHist，表明深度直方图与身高（绝对距离）互补性强。\n- **局限性**：数据集规模较小（站立8人160张，触摸7人105张），未验证大样本下的泛化性（见“结论”部分）。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## 模块C6：未来可探索方向\n\n### 理论方向\n\n- **特征归一化理论**：针对身体高度、身体尺寸、深度直方图等特征对人物位置敏感的缺陷，建立系统性的位置归一化理论框架（见实验部分对高度特征归一化的讨论，表1及图9、图10）。\n- **多特征融合理论**：探索超越简单特征组合（如高度+深度直方图）的融合机制，研究特征间互补性以及如何利用深度学习或度量学习自动学习最优特征表示（见实验结果表1和表3）。\n- **上下文信息建模**：将服装信息作为上下文特征纳入识别模型，借鉴Gallagher & Chen (2009)和Yamaguchi et al. (2011)的思路，构建鲁棒的上下文感知识别理论（见Discussion部分）。\n\n### 工程方向\n\n- **实时系统部署**：将方法扩展到移动或行走中的目标，解决动态场景下的人体区域提取和特征稳定性问题（见Conclusion中的未来工作）。\n- **多摄像头协同**：将方法应用于非重叠摄像头的行人再识别（person re-identification）任务，需设计跨摄像头的特征对齐和匹配机制（见Discussion中关于re-identification的讨论）。\n- **位置归一化工程实现**：开发自动、鲁棒的深度值归一化模块，尤其针对深度直方图特征的多值归一化，使其对不同位置和姿态更稳定（见Discussion中关于归一化的复杂性问题）。\n\n### 数据/评估方向\n\n- **大规模数据集验证**：在更多受试者和更多图像的数据集上进行实验，以验证方法的泛化性，消除当前小样本（8人160张、7人105张）带来的偏差（见Conclusion中关于数据集过小的自述）。\n- **跨场景泛化评估**：评估方法在不同光照、不同地板材质、不同安装高度等环境下的性能，尤其关注背景减除或深度阈值对场景变化的敏感性（见Proposed Method中关于背景减除的讨论）。\n- **与现有方法对比**：与人脸识别、步态识别等传统方法在同等条件下进行基准对比，并报告混淆矩阵和失败案例的详细分析，以定位方法优劣（见实验部分表2、表4）。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n# 模块C7：真实世界应用中的表现\n\n## 部署约束\n\n- **设备依赖**：本方法依赖微软Kinect采集深度信息（见“PROPOSED METHOD”首段），需要固定安装顶置摄像头，且要求相机能清晰捕捉到人的顶部和地面区域（见“Person's Area Extraction”）。\n- **场景限制**：系统仅适用于“人在门前站立”或“触摸门把手”两类静止场景（见“INTRODUCTION”与“CONCLUSION”）。若目标处于移动状态，方法不适用（文中明确提到需扩展到行走或移动人员作为未来工作，见“Discussion”）。\n- **高度与位置约束**：特征“身高”基于相机到头顶的距离，受人在图像中的站立位置影响（见“Results for Standing Situation”与图9）。部署时需要固定人员的活动区域，或引入归一化处理（文中通过归一化将单特征准确率从52.5%提升至74.4%）。\n- **环境光照与遮挡**：采用深度阈值进行背景分割，可缓解普通RGB相机的光照变化问题，但对深度传感器的测量噪声或反光表面可能敏感（见“Person's Area Extraction”）。\n- **隐私合规**：顶置相机不拍摄人脸，降低隐私风险，但在实际部署中仍需遵守相关隐私法规，确保数据存储与处理合规（见“INTRODUCTION”中谈到的隐私优势）。\n\n## 计算/延迟影响\n\n- **特征提取成本**：需要实时提取四个特征（身高、体型尺寸、体宽/头宽、深度直方图），其中深度直方图基于整幅图像计算，计算量相对较大（见“Feature Extraction”）。但文中未报告具体耗时，仅指出Kinect能“faster and accurately”获取人物区域和深度直方图（见“Proposed Method”首段）。\n- **分类器开销**：采用AdaBoost（弱分类器为C4.5决策树），训练阶段需离线进行；推理阶段为多棵决策树的加权投票，计算量中等，在普通PC上可满足实时性需求（文中未给出明确推理延迟数据）。\n- **预处理与归一化**：若启用归一化（如针对身高特征），需额外计算人物位置并进行距离校正，引入轻微额外延迟，但对精度提升显著（见“Results for Standing Situation”后半段）。\n- **系统整体流程**：从深度图像中提取人物区域→提取特征→输入分类器，整个流水线在Kinect硬件支持下可达到近似实时（论文未给出帧率，但根据方法复杂度推断可在嵌入式或普通PC上运行）。\n\n## 鲁棒性/安全性问题\n\n- **位置敏感**：身高、体型尺寸等特征受站立位置影响，若人物位置漂移，准确率明显下降（单特征身高仅52.5%）。归一化可缓解，但深度直方图特征对位置同样敏感且归一化更复杂（见“Discussion”）。\n- **服装变化影响**：身体尺寸和体型特征对服装变化敏感，换衣后准确率可能下降（见“Discussion”与“CONCLUSION”）。作者建议将服装信息作为上下文特征引入，但尚未实现。\n- **人物外观相似性**：混淆矩阵显示，身高接近的人之间易发生误识别（如站立场景中Sub5与Sub7），说明方法对体型相近的人群区分能力有限（见表2、表4）。\n- **触摸姿态影响**：在触摸门把手时，人物身体倾斜，导致“body size”特征失效（准确率从73.8%降至47.6%，见表1与表3），说明姿态变化影响特征稳定性（见“Results for Touching Situation”）。\n- **安全风险**：作为身份识别系统，若误识别率较高（约6-9%），在门禁、安防等场景中可能导致授权人员被拒或未授权人员被放行。文中未涉及对抗攻击或欺骗手段（如伪装身高、体型），也未讨论对识别结果的置信度评估。实际部署时应增加远程验证或二次确认机制。\n- **数据规模不足**：实验仅涉及8人和7人，小样本下高准确率可能过拟合，泛化能力存疑（见“CONCLUSION”中作者自述“test data set was too small”）。\n\n## 可维护性\n\n- **模型再训练**：AdaBoost模型需要针对新用户重新训练（采用留一法验证，但实际部署时需定期收集数据更新模型，以适配新人员或环境变化）。\n- **硬件维护**：Kinect作为传感器，需定期校准深度参数，并注意设备老化、温度漂移等因素对深度测量精度的影响。\n- **软件与依赖**：实现依赖开源软件Weka（含J48/C4.5），需维护Weka版本兼容性；算法本身简单，易于用其他语言重写，但若需深度归一化需要额外开发。\n- **系统更新**：扩展场景（如移动中的人）或增加新特征（如服装上下文）需要重新设计特征提取和训练流程，属于中等复杂度改动。\n- **数据管理**：需存储历史图像（深度图）用于持续训练，涉及数据隐私和安全存储，需制定数据保留和删除策略。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n### 简洁总结（模块C8）\n\n#### 1. 总结段落（6-8句）\n\n本文提出了一种利用顶视摄像头与深度信息进行人物身份识别的新方法。传统基于人脸的方法在遮挡场景下鲁棒性差，而顶视视角可有效避免遮挡问题并降低隐私风险。作者采用微软Kinect获取深度图像，通过背景减除与深度阈值提取人物区域，并提取四个特征：估计身高、身体维度、身体尺寸和深度直方图。分类器采用AdaBoost算法（弱分类器为C4.5决策树）。实验在两种场景下进行：站立（8人，160张图）和触摸门把手（7人，105张图），最佳特征组合均为“身高+深度直方图”，准确率分别达到94.4%和91.4%。深度直方图作为单一特征表现最佳（站立90.6%，触摸89.5%），而身高特征受位置影响较大，通过归一化可显著提升（站立单一特征从52.5%提升至74.4%）。主要局限包括数据集规模小、对服装变化敏感、位置变化导致特征不稳定，未来工作包括归一化、引入服装等上下文特征以及扩展至移动人员场景。\n\n#### 2. 五个关键要点\n\n- **顶视摄像头+深度信息**：解决了传统人脸识别的遮挡问题，降低了隐私顾虑（引言部分，图1-2）。\n- **特征提取**：包括估计身高、身体维度、身体尺寸、深度直方图；深度直方图包含相对距离信息，单特征准确率最高（方法部分，图3-6）。\n- **最佳分类结果**：站立和触摸场景中“身高+深度直方图”组合准确率分别为94.4%和91.4%（实验部分，表1与表3）。\n- **位置敏感性与归一化**：身高特征受人物位置影响，归一化后单特征准确率从52.5%升至74.4%（实验部分，图9-10）。\n- **未来改进方向**：处理服装变化（作为上下文特征）、扩大数据集、针对移动人员的扩展、应用于人员重识别（讨论部分）。\n\n#### 3. 核心公式或机制\n\n本方法的核心机制是基于AdaBoost的强分类器构建，其输出为多个弱分类器的加权组合：\n\n$$ H(x) = \\text{sign}\\left( \\sum_{t=1}^{T} \\alpha_t h_t(x) \\right) $$\n\n其中，\\( h_t(x) \\) 为第 \\( t \\) 个弱分类器（C4.5决策树），\\( \\alpha_t \\) 为对应权重，由训练误差计算而得。实验采用留一法交叉验证，准确率计算公式为：\n\n$$ \\text{Accuracy} = \\frac{\\#\\text{ of images identified correctly}}{\\#\\text{ of images}} \\times 100\\% $$\n\n（见实验设置部分）\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 模块D：第二遍阅读理解\n\n### 1. 结构树\n\n论文结构如下：\n\n- **摘要**：概述任务（俯视图像+深度信息的人物识别）、方法（四种特征+AdaBoost）及结果（站立94.4%、触摸91.4%）。\n- **引言**：问题背景（人脸识别遮挡、隐私）、俯视相机的优势、深度信息引入动机、两种应用场景（门前站立、触摸门把手）。\n- **相关工作**：区分于计数/跟踪类研究（Snidaro、Uchida、Onishi、Yuan）及基于体型的识别（Fukuzoe、Nakatani），突出利用深度信息的创新。\n- **方法**：\n  - 人物区域提取（基于深度阈值背景分割）\n  - 特征提取（身高、体型尺寸、身体大小、深度直方图）\n  - 分类器（AdaBoost + C4.5决策树）\n- **实验**：\n  - 设置（数据集、交叉验证、评估标准）\n  - 站立情形结果（表1、表2、归一化改进）\n  - 触摸情形结果（表3、表4）\n  - 讨论（特征敏感性、位置依赖性、服装变化、未来工作）\n- **结论**：总结贡献、局限（数据集小、位置/服装敏感）与未来方向。\n\n### 2. 方法或系统分解\n\n- **输入**：从俯视Kinect深度摄像机捕获的深度图像（640×480像素）。\n- **输出**：人物身份标签（例如Sub1-Sub8）。\n- **模块**：\n  1. **人物区域提取**（Person's Area Extraction）：利用深度阈值分离前景（人）与背景（地面），避免光照影响。\n  2. **特征提取**（Feature Extraction）：\n     - 身高（Body Height）：最近像素的深度值，反映到摄像机距离。\n     - 身体尺寸（Body Dimensions）：人物区域的像素总数（作为粗粒度尺寸）。\n     - 身体大小（Body Size）：x、y方向的最大宽度（肩宽、头宽）。\n     - 深度直方图（Depth Histogram）：整个图像（含地面）的深度值直方图，隐含头肩距离等。\n  3. **分类器**（Classifier）：采用AdaBoost集成C4.5决策树（Weka中的J48）作为弱分类器，最终输出身份预测。\n- **训练/推理流程**：\n  - 训练：对每一幅训练图像提取四类特征，利用AdaBoost构建强分类器。\n  - 推理：对测试图像提取相同特征，输入强分类器得到身份标签。\n\n### 3. 重要图表解释\n\n- **表1（站立情形特征组合准确率）**：展示不同特征组合下的识别准确率。单特征中“深度直方图”最高（90.6%），组合“身高+深度直方图”达到最佳94.4%（与“身高+大小+深度直方图”和“全部特征”相同）。这表明深度直方图是核心特征，且与身高组合效果最优。表中“身高”单特征仅52.5%，归因于位置变化导致距离值不稳定；归一化后提升至74.4%。该表直接支撑了“特征组合有效”的结论。\n- **表2（站立情形最佳特征集混淆矩阵）**：展示“身高+深度直方图”对8名受试者的混淆矩阵。对角线为正确数（每人大约20个样本），非对角线错误集中在身高相近的个体（如Sub5与Sub7之间2次误识别、Sub7与Sub3之间1次）。该矩阵表明错误模式与身高聚类有关，为未来引入非身体特征提供了依据。\n\n### 4. 实验或评估细节\n\n- **数据集**：\n  - 站立情形：8人 × 20张 = 160张图像。\n  - 触摸情形：7人 × 15张 = 105张图像。\n  - 图像尺寸：640×480。\n- **评估协议**：Leave-one-out交叉验证（等价于k折交叉验证，k=样本数）。\n- **指标**：准确率 = 正确识别图像数 / 总图像数 × 100%。\n- **比较对象**：不涉及外部方法，仅比较特征组合（单特征与组合特征）。\n- **消融实验**：通过对比各单特征和组合特征，分析每个特征贡献。站立情形：深度直方图单特征90.6%，身高52.5%，身体尺寸40.6%，身体大小73.8%；触摸情形：身高88.6%，深度直方图89.5%，身体尺寸48.6%，身体大小47.6%。\n- **公平性与局限**：数据集规模小（8人/7人），未报告方差；未进行跨场景泛化测试；对位置和服装变化敏感；站立情形下身体身高因位置波动大，触摸情形下身体大小因姿态倾斜不准确。\n\n### 5. 图表（论文原型适配）\n\n```mermaid\nflowchart TB\n    A[输入深度图像] --> B[人物区域提取]\n    B --> C1[身高特征]\n    B --> C2[身体尺寸特征]\n    B --> C3[身体大小特征]\n    A --> C4[深度直方图特征]\n    C1 & C2 & C3 & C4 --> D[AdaBoost（弱分类器C4.5）]\n    D --> E[身份标签]\n```\n\n该流程图概述了方法的关键流程：从深度图像出发，分两路提取特征（人物区域特征（身高、尺寸、大小）和全局深度直方图），融合后送入AdaBoost分类器输出身份。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深度评审\n\n### 1. 可重建性（伪代码/重建说明）\n\n整体流程可重建如下（基于论文描述）：\n\n```text\n输入：顶视深度图像序列（来自Microsoft Kinect，尺寸640×480）\n输出：人员身份标签\n\n步骤1：人物区域提取\n  对每帧深度图像，根据深度值设定阈值（人物与地板深度差异显著），\n  提取人物区域（二值掩码）。\n\n步骤2：特征提取\n  对每帧图像提取四个特征：\n  a) 身体高度特征：取人物区域内距离相机最近的像素的深度值（未归一化）。\n  b) 身体尺寸特征：计算人物区域内像素总数（论文中表述为“sum of pixels”）。\n  c) 身体大小特征：取人物区域在x轴和y轴上的最大跨度（即宽度和高度，基于边际分布）。\n  d) 深度直方图特征：对原始深度图像（包含地板区域）生成深度直方图（0-255范围）。\n\n步骤3：分类器构建\n  使用AdaBoost算法（在Weka中实现，基础弱分类器为C4.5决策树，即J48），\n  输入为四个特征（或其中若干组合），进行训练。\n\n步骤4：身份预测\n  对新图像重复步骤1-2，用训练好的AdaBoost分类器进行预测。\n\n训练/评估：使用留一法交叉验证，准确率计算公式为正确识别图像数/总图像数×100。\n```\n\n重建说明：\n\n- 论文提供了足够的算法框架和参数（如深度阈值基于“显著距离差”但未给出具体数值），因此可重建主要流程，但需要自行确定阈值、直方图bin数量（论文未说明，可能为256）等细节。\n- 特征定义部分存在歧义：“body dimensions”和“body size”定义相似（一个为像素和，一个为x和y最大跨度），实际上容易混淆，但可实现。\n- AdaBoost和C4.5通过Weka直接调用，可复现。距离归一化过程（改进版）在论文中仅简单描述，未给出具体公式，无法精确复现。\n\n### 2. 假设（3-6条）\n\n- **顶视摄像头位置固定，且人物位于图像中央附近**：方法依赖深度阈值提取人物区域，若摄像头角度改变或人物偏离中心，距离特征将失真。\n- **人物与背景（地板）深度差异显著**：提取人物区域时假设人物与地板深度差足够大，使固定阈值有效；在复杂背景或高物体存在时可能失效。\n- **人物在图像中为单一独立个体，无遮挡**：虽然顶视解决了一般遮挡问题，但多人同时出现在画面或人物与物体重叠时，深度阈值提取可能失败。\n- **人体特征（身高、尺寸、大小）在个体间有区分度**：实验中的误判主要发生在身高相近者之间，说明特征区分度有限；假设这些特征对身份识别有效。\n- **深度信息可靠且噪声可控**：Kinect的深度输出可能受光照、表面材质影响，论文未讨论此噪声，隐含假设深度数据准确。\n- **测试场景静止或动作受限**：实验场景中人物为站立或触碰门把手，运动幅度小；假设在行走或复杂动作下特征仍稳定，但论文承认需扩展。\n\n### 3. 失败模式或盲点（2-4条）\n\n- **位置敏感性**：身体高度特征直接基于Kinect距离值，人物位置变化会导致距离值改变，即使同一人身高相同也可能产生不同特征，导致误判（论文中身高单特征准确率仅52.5%，经归一化后升至74.4%）。深度直方图同样受位置影响，使所有基于距离的特征位置敏感。\n- **服装变化影响**：身体尺寸和身体大小特征对服装变化敏感，当人物更换衣物时，像素和及体宽可能改变，导致准确率下降（论文讨论中已指出）。\n- **样本量小且场景局限**：实验仅8人（站立）和7人（触摸），共265张图像，且环境为固定门场景，缺乏多样性；数据规模小导致结果过拟合，无法泛化到更广泛人群或场景。\n- **未考虑动态场景**：方法只处理静止或短时触碰，未考虑行人连续运动、画面中多人交叉等实际监控场景，盲点在于无法处理实时跟踪和多目标情况。\n\n### 4. 优点与缺点\n\n**优点**：\n\n- 创新性：使用顶视深度图像进行人物身份识别，有效解决传统人脸识别中的遮挡和隐私问题。\n- 特征简单有效：四个特征（身高、尺寸、大小、深度直方图）计算简便，无需复杂模型，且组合后达到较高准确率（94.4%和91.4%）。\n- 实验设计清晰：对比了特征组合，使用留一法交叉验证，并提供了混淆矩阵分析误判原因。\n- 讨论了改进措施：通过位置归一化显著提升身高特征性能（52.5%→74.4%），展示了潜在的优化方向。\n\n**缺点**：\n\n- 特征定义模糊：部分特征（如“body dimensions”和“body size”）描述不清晰，容易混淆，且未给出具体计算方法细节（如阈值、直方图bin数）。\n- 位置敏感性问题未完全解决：归一化仅应用于身高特征，深度直方图仍受位置影响，方法鲁棒性有限。\n- 实验规模小且场景单一，缺乏与现有方法的对比实验，无法证明相对优势。\n- 讨论部分承认服装变化的弱点，但未提出具体解决方案，仅作为未来工作。\n- 整体方法依赖于Kinect硬件的距离输出，实际部署受限于传感器成本和环境条件。\n\n### 5. 下一步研究方向（2-4条）\n\n- **深度直方图的归一化**：探索对该特征进行位置归一化的方法，如基于人物位置进行深度转换，以降低位置敏感性，提升准确率和稳定性。\n- **引入上下文特征**：如利用服装颜色或纹理信息作为辅助特征，结合论文中提及的Gallagher和Yamaguchi的工作，提高遮挡或相近体型下的识别能力。\n- **扩展到动态场景和多人情况**：将方法应用于行走中的人物，结合运动特征或目标跟踪，实现实时重识别；同时考虑多人同时出现的分离问题。\n- **大规模评估**：扩大测试集（更多人数、不同环境、多视角），使用更严格的交叉验证和统计显著性检验，验证方法泛化能力，并与相关方法（如Nakatani等人）进行定量对比。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n# 模块F：术语表和概念依赖图\n\n## 术语表\n\n### 1. Top-View Image（顶视图图像）\n\n- **定义**：从正上方（垂直向下）拍摄的图像，通常由安装在天花板或高处的摄像头获取，画面主要显示人物的头顶和肩膀区域。\n- **直觉**：像从头顶往下看，只能看到头部和肩部，看不到脸，但能避免遮挡并保护隐私。\n- **在论文中的作用**：核心输入模态，用于解决传统人脸识别中遮挡和隐私问题，是本文方法的基础。\n- **预备知识**：摄像头安装、透视投影。\n\n### 2. Depth Information（深度信息）\n\n- **定义**：描述场景中物体与相机之间距离的信息，通常由深度传感器（如Kinect）获取，每个像素值代表该点到相机的距离。\n- **直觉**：相当于给图像加上第三个维度，能区分远近物体，而不只是颜色纹理。\n- **在论文中的作用**：用于提取人物区域（通过距离阈值）、估算身高、生成深度直方图等，是特征提取的关键。\n- **预备知识**：深度传感器原理、深度图像格式。\n\n### 3. Microsoft Kinect（微软Kinect）\n\n- **定义**：一种体感周边设备，包含RGB摄像头和深度传感器，能实时获取场景的彩色图像和深度图像。\n- **直觉**：游戏用的摄像头，但能直接输出深度，比普通RGB相机更方便。\n- **在论文中的作用**：作为捕获深度信息的硬件设备，文中强调其高效性和准确性。\n- **预备知识**：深度传感技术（结构光或飞行时间法）。\n\n### 4. Person's Area Extraction（人物区域提取）\n\n- **定义**：从图像中分割出属于人物的像素区域的过程。\n- **直觉**：把人物从背景中抠出来，只保留人形区域。\n- **在论文中的作用**：预处理步骤，为后续特征提取（如身高、体型、大小）提供输入。\n- **预备知识**：图像分割、背景减除。\n\n### 5. Background Subtraction（背景减除）\n\n- **定义**：一种常用运动目标检测方法，通过比较当前帧与背景模型来分离前景物体。\n- **直觉**：假设背景静止，前景变化，用像素差识别出移动物体。\n- **在论文中的作用**：传统方法对光照敏感，本文改用深度阈值来提取人物区域，避开此问题。\n- **预备知识**：图像差分、背景建模。\n\n### 6. Body Height Feature（身高特征）\n\n- **定义**：利用相机到头顶最近像素的距离作为特征，估算人的身高。\n- **直觉**：越高的人头顶离相机越近，所以距离值能反映身高差异。\n- **在论文中的作用**：四个特征之一，单独作为特征时准确率较低（52.5%），但与其他特征结合有效。\n- **预备知识**：深度图像中的距离概念。\n\n### 7. Body Dimensions Feature（体型特征）\n\n- **定义**：通过计算人物区域内像素的总和来表示人物体型。\n- **直觉**：人越胖越高大，覆盖像素越多，总和更大。\n- **在论文中的作用**：四个特征之一，单独使用准确率最低（40.6%），对位置敏感。\n- **预备知识**：像素计数、区域面积。\n\n### 8. Body Size Feature（身体大小特征）\n\n- **定义**：包括肩部宽度和头部宽度的特征，通过计算人物区域的x轴和y轴最大跨度得到。\n- **直觉**：人的骨架宽度和头部大小有差异，用边缘范围衡量。\n- **在论文中的作用**：四个特征之一，单独使用准确率73.8%，相对稳健。\n- **预备知识**：边界框、极值计算。\n\n### 9. Depth Histogram（深度直方图）\n\n- **定义**：对图像（包括地板区域）的深度值（0-255）进行统计得到的直方图，反映不同距离的像素分布。\n- **直觉**：像身高分布图，包含头部、肩部、地板等距离信息。\n- **在论文中的作用**：四个特征中最有效的单独特征（准确率90.6%），与其他特征结合提升至94.4%。\n- **预备知识**：直方图、统计分布。\n\n### 10. AdaBoost（自适应增强）\n\n- **定义**：一种集成学习方法，通过组合多个弱学习器，加权投票形成强分类器。\n- **直觉**：三个臭皮匠顶个诸葛亮，反复训练，让后续弱学习器更关注出错样本。\n- **在论文中的作用**：用于人物身份分类，结合四个特征训练识别模型。\n- **预备知识**：机器学习基础、集成学习。\n\n### 11. Weak Classifier（弱分类器）\n\n- **定义**：准确率仅略优于随机猜测的分类器，AdaBoost中的基本单元。\n- **直觉**：一个不太准的模型，但组合起来能变准。\n- **在论文中的作用**：使用C4.5决策树（J48）作为弱分类器，构建AdaBoost。\n- **预备知识**：分类器概念。\n\n### 12. C4.5 Algorithm（C4.5算法）\n\n- **定义**：一种经典的决策树算法，基于信息增益率选择划分属性，支持剪枝。\n- **直觉**：用树状规则逐步分类，每次选最能区分数据的属性。\n- **在论文中的作用**：作为AdaBoost中的弱分类器，在Weka中对应J48。\n- **预备知识**：决策树、信息熵。\n\n### 13. Weka（怀卡托智能分析环境）\n\n- **定义**：一个开源的机器学习工具包，集成了多种算法，可用于数据挖掘实验。\n- **直觉**：研究者的工具箱，直接调用现成算法。\n- **在论文中的作用**：实现AdaBoost和C4.5（J48）的软件平台。\n- **预备知识**：机器学习工具使用。\n\n### 14. Leave-One-Out Cross-Validation（留一交叉验证）\n\n- **定义**：交叉验证的一种特殊形式，每次留一个样本作为测试集，其余作为训练集，重复多次直到所有样本均被测试一次。\n- **直觉**：把每个样本都单独当做测试一次，充分利用数据。\n- **在论文中的作用**：评估方法性能，相当于k折交叉验证k等于样本数。\n- **预备知识**：交叉验证、评估方法。\n\n### 15. Confusion Matrix（混淆矩阵）\n\n- **定义**：用于展示分类结果与实际类别的对应关系，行表示真实类，列表示预测类，对角线为正确分类数。\n- **直觉**：一张表看清谁被错认成谁。\n- **在论文中的作用**：表2和表4展示最佳特征集下的误识别分布，发现身高相近者易混淆。\n- **预备知识**：分类评估指标。\n\n### 16. Normalization（归一化）\n\n- **定义**：对数据进行缩放或变换，消除位置等干扰因素，使特征具有一致性。\n- **直觉**：把不同条件下的测量值统一到同一标准下。\n- **在论文中的作用**：针对身高特征，用人物位置信息修正深度值，使准确率从52.5%提升至74.4%。\n- **预备知识**：数据预处理、度量变换。\n\n### 17. Privacy Issue（隐私问题）\n\n- **定义**：在生物特征识别中，采集人脸等敏感信息引起的隐私担忧。\n- **直觉**：不想让人看到脸，顶视图不拍脸所以隐私好。\n- **在论文中的作用**：利用顶视图避免拍摄人脸，减少隐私问题。\n- **预备知识**：伦理与隐私保护。\n\n### 18. Occlusion（遮挡）\n\n- **定义**：目标被其他物体或人部分或完全遮挡的情况。\n- **直觉**：人多挡了脸就看不清，顶视图从上方看不容易被挡。\n- **在论文中的作用**：本文要解决的核心问题之一，顶视图有效缓解。\n- **预备知识**：计算机视觉中的遮挡问题。\n\n### 19. Gait Recognition（步态识别）\n\n- **定义**：通过人的走路姿态来识别身份的生物特征方法。\n- **直觉**：每个人走路的姿势有细微差别，像签名一样。\n- **在论文中的作用**：相关工作，与本文方法对比，指出步态识别使用顶视图阴影等。\n- **预备知识**：生物特征识别。\n\n### 20. Clothing Information（服装信息）\n\n- **定义**：人的穿着颜色、款式等外观信息，可作为识别上下文。\n- **直觉**：衣服颜色和样式也能区分人，但换衣服就失效。\n- **在论文中的作用**：讨论中提出服装信息可作为上下文特征，但本文未使用，是未来工作。\n- **预备知识**：外观模型、上下文感知。\n\n### 21. Context Feature（上下文特征）\n\n- **定义**：除了目标本身以外的环境或附加信息，用于辅助识别。\n- **直觉**：比如人在门边的位置、周围物体，可能提示身份。\n- **在论文中的作用**：文末提出将服装、位置等作为上下文特征以提升准确率。\n- **预备知识**：上下文建模。\n\n### 22. Re-identification（重识别）\n\n- **定义**：在多个不重叠摄像头拍摄的图像中，识别同一人物的问题。\n- **直觉**：在不同地方拍到同一个人，要认出来。\n- **在论文中的作用**：作为未来应用方向，本文方法可扩展到重识别。\n- **预备知识**：多摄像头跟踪。\n\n### 23. Threshold Value（阈值）\n\n- **定义**：用于分割或分类的边界值，大于或小于该值像素被归入不同类。\n- **直觉**：划一条线，两边分开。\n- **在论文中的作用**：利用深度值差异，设定阈值分离人物和地板。\n- **预备知识**：图像分割基础。\n\n### 24. Marginal Distribution（边缘分布）\n\n- **定义**：在多维分布中，投影到某一维度上的分布。\n- **直觉**：把二维图像往x轴和y轴投影，看每行每列的像素之和。\n- **在论文中的作用**：计算人体大小特征时，使用人物区域的x和y轴边缘分布的最大值。\n- **预备知识**：概率论、图像投影。\n\n### 25. Leave-One-Out与k-fold交叉验证的关系\n\n- **定义**：留一交叉验证是k-fold的特殊情况，k等于样本数量。\n- **直觉**：把每个样本都单独测试，相当于最大的折数。\n- **在论文中的作用**：文中明确指出这个关系，用于说明评估方法。\n- **预备知识**：交叉验证。\n\n### 26. Dynamic Range（动态范围）\n\n- **定义**：深度信息取值范围（0-255），对应不同距离的量化。\n- **直觉**：深度图用8位量化，255个灰度级代表距离。\n- **在论文中的作用**：深度直方图基于此范围生成。\n- **预备知识**：图像量化。\n\n### 27. Kinect Outputs（Kinect输出）\n\n- **定义**：Kinect相机输出的深度值，受人物位置影响。\n- **直觉**：站在不同位置，头顶离相机距离不同，导致同一人的输出值变化。\n- **在论文中的作用**：讨论中分析位置变化对身高特征的影响，并归一化补偿。\n- **预备知识**：深度传感器标定。\n\n### 28. Confusion（混淆）\n\n- **定义**：在两个类别之间错误分类的情况。\n- **直觉**：把A认成B，就是混淆。\n- **在论文中的作用**：发现身高接近的个体间容易混淆，是改进方向。\n- **预备知识**：分类错误分析。\n\n### 29. Accuracy Rate（准确率）\n\n- **定义**：正确识别的图像数占总图像数的百分比。\n- **直觉**：所有测试里猜对的比例。\n- **在论文中的作用**：评估指标，用于比较不同特征组合。\n- **预备知识**：分类性能度量。\n\n### 30. Feature Combination（特征组合）\n\n- **定义**：将多个特征拼接或融合，作为分类器的输入。\n- **直觉**：多角度信息结合，比单一特征更全面。\n- **在论文中的作用**：实验比较了单个特征和组合特征的效果，最好的组合是身高+深度直方图。\n- **预备知识**：特征工程。\n\n## 概念依赖图\n\n以下是概念间的依赖关系，箭头表示“依赖”或“需要”。\n\n- 顶视图图像 → 深度信息（顶视图获取深度）\n- 深度信息 → 人物区域提取（用深度阈值分割）\n- 深度信息 → 身高特征（距离最近点）\n- 深度信息 → 深度直方图\n- 人物区域提取 → 体型特征（区域像素和）\n- 人物区域提取 → 身体大小特征（边缘分布）\n- 身高特征、体型特征、身体大小特征、深度直方图 → 特征集\n- 特征集 → AdaBoost（作为弱分类器输入）\n- C4.5（J48） → AdaBoost（作为弱学习器）\n- Weka → AdaBoost实现\n- AdaBoost → 分类结果\n- 评估：留一交叉验证 → 准确率\n- 归一化 → 身高特征（修正位置影响）\n- 困惑：混淆矩阵 → 分析误识别\n- 上下文特征（服装、位置） → 未来改进方向\n- 重识别 → 扩展应用\n\n依赖链：顶视图+深度信息 → 提取特征 → 分类器（AdaBoost+C4.5） → 识别结果。\n\n核心依赖：深度信息是特征提取的基础，AdaBoost分类器依赖提取到的特征，评估依赖交叉验证。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## 模块G：验证、冲突与引用核查\n\n### 1. 关键事实声明（每条至少两个来源）\n\n- **声明1：提出一种基于顶视图深度图像的人物身份识别方法，利用Kinect获取深度信息，提取四种特征（身高、体型尺寸、身体大小、深度直方图），并用AdaBoost（C4.5弱分类器）进行分类。**\n  - 来源1：论文“摘要”部分明确描述“The authors apply four features extracted from images based on depth information to the identification method; (1) estimated body height, (2) estimated body dimensions, (3) estimated body size and (4) depth histogram”，并使用“AdaBoost algorithm”。\n  - 来源2：论文“引言”和“提出的方法”部分详细说明了特征提取和分类器使用（“In this paper, we introduce depth information … Our method extracts four features … We apply the four features into the AdaBoost algorithm.”）。\n- **声明2：在站立场景中，最佳特征组合为“身高+深度直方图”，准确率达94.4%。**\n  - 来源1：论文“实验结果——站立场景”中表1显示“height+dHist”准确率为94.4%，且为表中最高值之一。\n  - 来源2：论文“讨论”部分提及“The method with two features, 'body height' and 'depth histogram', generated the best performance (94.4%) in the standing situation.”。\n- **声明3：在触摸门把手场景中，最佳特征组合同为“身高+深度直方图”，准确率达91.4%。**\n  - 来源1：论文“实验结果——触摸场景”中表3明确“height+dHist”为91.4%，为最高之一。\n  - 来源2：论文“讨论”部分重申“The method with two features, 'body height' and 'depth histogram', generated the best performance (91.4%).”。\n- **声明4：对身高特征进行归一化后，作为单一特征的准确率从52.5%提升至74.4%。**\n  - 来源1：论文站立场景实验中提到“By the normalization process, the body height feature might generate higher accuracy … the accuracy by the body height dramatically increased to 74.4%.”。\n  - 来源2：论文结论部分再次提及“Applying a normalization process to the height feature led to the improvement of the accuracy (52.5% to 74.4% as a single feature).”。\n\n### 2. 冲突或不确定性说明\n\n- **冲突/不一致点：**\n  - 论文中表1和表3的结果显示，在站立场景中“height+dHist”和“height+size+dHist”及“all”均达到94.4%，但在文中表述为“最佳性能”时仅强调“height+dHist”，存在轻微模糊。触摸场景中，表3还有“dimensions+size+dHist”和“height+size+dHist”也达到91.4%，与“height+dHist”并列最高，但论文讨论时只提“height+dHist”。这种表述上的简化可能造成混淆，但在结果表中已明确。\n  - 论文声称“深度直方图”作为单一特征在站立场景准确率为90.6%，在触摸场景为89.5%，但未提供单独使用“dHist”的详细混淆矩阵，仅给出组合后的。内在一致性可以接受。\n  - 论文提到“站立场景下，位置变化导致身高特征错误”，但随后归一化实验是在站立场景中进行的，未在触摸场景中重复归一化，但触摸场景中身高特征较好，这隐含了位置稳定性差异，但未提供归一化在触摸场景的量化结果。\n- **不确定性：**\n  - 论文未说明数据集是否公开，也未提供代码，因此无法外部复现。作者所属机构（九州工业大学）在文中明确，但未提供联系邮箱或项目主页。\n  - DOI为10.4018/ijsi.2013040106，推测为IGI Global出版社的《International Journal of Software Innovation》，但期刊卷期号未在文中给出，无法精确核对发表期号。\n\n### 3. 参考文献列表（按论文引用顺序整理，包含完整信息）\n\n1. Farenzena, M., Bazzani, L., Perina, A., Murino, V., & Cristani, M. (2010). Person reidentification by symmetry-driven accumulation of local features. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 2360-2367).\n2. Freund, Y., & Schapier, R. E. (1996). Experiments with a new boosting algorithm. In Proceedings of ICML (pp. 148–156).\n3. Fukuzoe, T., Itou, M., Mito, D., & Watanabe, M. (2008). A person identification method unifying image features of body shape and daily habit based on probabilistic recognition framework. IEICE Transactions on Information and Systems, D 91(5), 1369-1379.\n4. Gallagher, A. C., & Chen, T. (2009). Using context to recognize people in consumer images. IPSJ Transactions on Computer Vision and Applications, 1, 115–126. doi:10.2197/ipsjtcva.1.115.\n5. Gray, D., & Tao, H. (2008). Viewpoint invariant pedestrian recognition with an ensemble of localized features. In Proceedings of European Conference on Computer Vision (ECCV) (pp. 262-275).\n6. Hossain, M. A., Makihara, Y., Wang, J., & Yagi, Y. (2010). Clothing-invariant gait identification using part-based clothing categorization and adaptive weight control. Pattern Recognition, 43(6), 2281–2291. doi:10.1016/j.patcog.2009.12.020.\n7. Iwashita, Y., & Stoica, A. (2009). Gait recognition using shadow analysis. In Proceedings of Symposium on Bio-inspired, Learning, and Intelligent Systems for Security 2009 (pp. 26-31).\n8. Jain, A., Lin, H., & Bolle, R. (1997). On-line fingerprint verification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(4), 302–314. doi:10.1109/34.587996.\n9. Kale, A., Sundaresan, A., Rajagopalan, A. N., Cuntoor, N. P., Roy-Chowdhury, A. K., Kruger, V., & Chellappa, R. (2004). Identification of humans using gait. IEEE Transactions on Image Processing, 13(9), 1163–1173. doi:10.1109/TIP.2004.832865 PMID:15449579.\n10. Kanade, T. (1973). Picture processing by computer complex and recognition of human face. Technical report, Kyoto University. Dept. of Information Science.\n11. Nakatani, R., Kouno, D., Shimada, K., & Endo, T. (2011). A person identification method using a top-view head image from an overhead camera. In Proceedings of 2nd International Workshop on Advanced Computational Intelligence and Intelligent Informatics (IWACIII2011) (pp. SS4-1).\n12. Onishi, M., & Yoda, I. (2010). Visualization of customer flow in an office complex over a long period. In Proceedings of International Conference on Pattern Recognition (ICPR) (pp. 1747-1750).\n13. Quinlan, J. R. (1993). C4.5 programs for machine learning. Morgan Kaufmann Publishers.\n14. Snidaro, L., Micheloni, C., & Chiavedale, C. (2005). Video security for ambient intelligence. IEEE Transactions on Systems, Man, and Cybernetics. Part A, Systems and Humans, 35(1), 133–144. doi:10.1109/TSMCA.2004.838478.\n15. Turk, M., & Pentland, A. P. (1991). Eigenfaces for recognition. Journal of Cognitive Neuroscience, 3(1), 71–86. doi:10.1162/jocn.1991.3.1.71 PMID:23964806.\n16. Uchida, H., Inoda, R., Tsuji, T., & Abe, S. (2009). Counting people and recognizing wheelchairs at elevator lobby by real-time image processing. IEEJ Transactions on Industrial Applications, 129(6), 578–584. doi:10.1541/ieejias.129.578.\n17. Watanabe, S., & Pakvasa, N. (1973). Subspace method in pattern recognition. In Proceedings of 1st International Journal Conference on Pattern Recognition (pp. 2-32).\n18. Wildes, R. P. (1997). Iris recognition: An emerging biometric technology. Proceedings of the IEEE, 85, 1348–1363. doi:10.1109/5.628669.\n19. Yamaguchi, J., Shimada, K., Enokida, S., Ejima, T., & Endo, T. (2011). Personal identification using facial feature and context. Journal of Japan Society for Fuzzy Theory and Intelligent Informatics, 23(2), 13–21. doi:10.3156/jsoft.23.137.\n20. Yuan, X., Wei, X.-Y., & Song, Y.-D. (2011). Pedestrian detection for counting applications using a top-view camera. IEICE Transactions on Information and Systems, 94(6), 1269–1277. doi:10.1587/transinf.E94.D.1269.\n21. Zhao, W., Chellappa, R., Phillips, P. J., & Ronsenfeld, A. (2003). Face recognition: A literature survey. ACM Computing Surveys, 35(4), 399–458. doi:10.1145/954339.954342.\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n# 模块H：图表提取\n\n## 1. 图表全索引\n\n### 图\n\n| 编号 | 标题 | 类型 | 位置 | 支持的声明 | 评分（1-5） |\n|------|------|------|------|-----------|------------|\n| 图1 | 遮挡问题及解决方案 | 示意图 | 引言，第2页 | 顶置摄像头能解决遮挡问题，且减少隐私问题 | 4 |\n| 图2 | 任务设置（门前的站立与触碰） | 环境/设置图 | 引言，第2页 | 展示应用场景（站在门前、触摸门把手），支持两种实验场景的设定 | 5 |\n| 图3 | 方法概述 | 流程图 | 方法部分，第4页 | 展示方法三个组成部分：人物区域提取、特征提取和分类器 | 5 |\n| 图4 | 人物区域提取示例 | 结果示例图 | 方法部分，第5页 | 展示基于深度信息提取的人物区域效果 | 4 |\n| 图5 | 身体尺寸特征示例 | 示意图/示例图 | 方法部分，第5页 | 说明身体尺寸特征（x轴和y轴宽度）的提取方式 | 4 |\n| 图6 | 深度直方图示例 | 直方图/示例图 | 方法部分，第5页 | 展示深度直方图特征，该特征包含头部与肩部相对距离信息 | 4 |\n| 图7 | AdaBoost算法示意图 | 算法流程图 | 方法部分，第6页 | 说明使用AdaBoost作为分类器，以及C4.5作为弱分类器 | 5 |\n| 图8 | 站立情景下的俯视图像（8个测试对象） | 数据示例图 | 实验部分，设置，第7页 | 说明人工难以区分这些俯视图，突显方法的必要性 | 5 |\n| 图9 | Kinect输出差异示例（同一人不同位置距离不同） | 示意图 | 实验部分，站立情景结果，第8页 | 解释身高特征（基于Kinect距离）对位置敏感，导致单特征准确率低（52.5%） | 5 |\n| 图10 | 归一化过程示例 | 流程图/示意图 | 实验部分，站立情景结果，第9页 | 展示归一化处理，可提高身高特征的准确率（从52.5%提升到74.4%） | 5 |\n\n### 表\n\n| 编号 | 标题 | 类型 | 位置 | 支持的声明 | 评分（1-5） |\n|------|------|------|------|-----------|------------|\n| 表1 | 站立情景下的实验结果（特征组合） | 结果表 | 实验部分，站立情景，第7页 | 最佳特征组合为height+dHist，准确率94.4%；单特征dHist最高（90.6%），身高特征单用仅为52.5% | 5 |\n| 表2 | 最佳特征集（height+dHist）的混淆矩阵（站立情景） | 混淆矩阵 | 实验部分，站立情景，第8页 | 错误主要发生在身高相近的个体之间（如Sub5和Sub7），说明需要非身体特征 | 5 |\n| 表3 | 触碰情景下的实验结果（特征组合） | 结果表 | 实验部分，触碰情景，第10页 | 最佳特征组合为height+dHist，准确率91.4%；身高特征单用大幅提升（88.6%），但尺寸特征急剧下降（47.6%） | 5 |\n| 表4 | 最佳特征集（height+dHist）的混淆矩阵（触碰情景） | 混淆矩阵 | 实验部分，触碰情景，第11页 | 错误主要发生在身高相近的个体（如Sub3和Sub4），与站立情景一致 | 5 |\n\n## 2. 优先深度阅读（按优先级排序）\n\n1. **图2（任务设置）**：理解装置布局（顶部相机、门、情景），是所有实验前提。\n2. **图3（方法概述）**：整体流程，将区域提取、特征提取、分类器连接起来。\n3. **表1（站立结果）**：对比各特征组合，核心结论（height+dHist最优）。\n4. **表2（站立混淆矩阵）**：识别身份混淆模式（身高接近者混淆），指出改进方向。\n5. **图9与图10（位置敏感性与归一化）**：解释身高特征低效的原因及归一化改进效果（52.5%→74.4%）。\n\n## 3. 图表关系或实验设置图\n\n### 实验设置关系图（文字描述）\n\n```text\n顶置摄像（Kinect）\n       |\n       v\n人物区域提取（阈值分割，基于深度）  ← 图4\n       |\n       v\n特征提取：\n  - 身高（距离最近像素）  ← 图9（位置敏感性）\n  - 维度（像素和）\n  - 尺寸（x,y最大值）  ← 图5\n  - 深度直方图（0-255）  ← 图6\n       |\n       v\nAdaBoost分类器（C4.5弱分类器）  ← 图7\n       |\n       v\n识别结果（准确率、混淆矩阵）  ← 表1-4\n\n场景：站立（门前方）  → 图8示例图像\n场景：触碰（门把手）  → 图2（右侧）\n```\n\n### 关键方法-结果关联\n\n- 身高特征对位置敏感 → 图9展示差异 → 归一化（图10）提高准确率（单特征52.5%→74.4%）\n- 深度直方图含相对距离信息 → 作为单特征最高（站立90.6%，触碰89.5%）\n- 站立场景下位置变化大 → 身高单特征低（52.5%）\n- 触碰场景下位置相对固定 → 身高单特征高（88.6%）\n\n## 4. 图表到结论的映射\n\n| 论文结论 | 支撑图表 | 说明 |\n|---------|---------|------|\n| 顶置摄像头可解决遮挡并减少隐私问题 | 图1, 图2 | 图1直观对比遮挡，图2显示摄像头位置不拍摄面部 |\n| 方法由三部分组成：区域提取、特征提取、分类器 | 图3 | 图3给出整体流程，各模块位置明确 |\n| 深度信息可精确提取人物区域 | 图4 | 图4展示提取结果 |\n| 深度直方图特征是最有效的单一特征 | 表1, 表3 | 站立情景90.6%，触碰情景89.5%，均高于其他单特征 |\n| 最佳组合为height+dHist（站立94.4%，触碰91.4%） | 表1, 表3 | 表格列出各组合准确率，该组合达到最高（或并列最高） |\n| 混淆主要发生在身高相近者之间 | 表2, 表4 | 表2中Sub5/Sub7混淆，表4中Sub3/Sub4混淆 |\n| 身高特征受位置影响大，归一化可提升 | 图9, 图10, 表1 | 图9显示距离差异，图10展示归一化过程，文中说明单特征从52.5%提升到74.4% |\n| 触碰场景下位置较固定，身高特征表现好 | 表3 | 单特征身高88.6%，对比站立的52.5% |\n| 尺寸特征在触碰场景下失效（方向改变） | 表3 | 尺寸单特征仅47.6%，大幅下降 |\n| 方法受服装变化影响（尺寸和维度特征） | 表1, 表3（间接） | 文中讨论部分指出，但表格中未直接体现；来自经验分析 |\n| 数据集较小，需大样本验证 | 表1-4（数据量） | 站立160张/8人，触碰105张/7人，表中总数可计算确认 |"
}