{
  "paper_id": "0d25bff40752d40cca97b2dab77c3757",
  "paper_title": "Silhouette Analysis-Based Gait Recognition for Human Identification",
  "paper_authors": [
    "Liang Wang",
    "Tieniu Tan",
    "Huazhong Ning",
    "Weiming Hu"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Pattern Analysis and Machine Intelligence",
  "abstract": "Human identification at a distance has recently gained growing interest from computer vision researchers. Gait recognition aims essentially to address this problem by identifying people based on the way they walk. In this paper, a simple but efficient gait recognition algorithm using spatial-temporal silhouette analysis is proposed. For each image sequence, a background subtraction algorithm and a simple correspondence procedure are first used to segment and track the moving silhouettes of a walking figure. Then, eigenspace transformation based on Principal Component Analysis (PCA) is applied to time-varying distance signals derived from a sequence of silhouette images to reduce the dimensionality of the input feature space. Supervised pattern classification techniques are finally performed in the lower-dimensional eigenspace for recognition. This method implicitly captures the structural and transitional characteristics of gait. Extensive experimental results on outdoor image sequences demonstrate that the proposed algorithm has an encouraging recognition performance with relatively low computational cost.",
  "keywords": [
    "Human motion analysis",
    "biometrics",
    "gait recognition",
    "principal component analysis"
  ],
  "paper_institutions": [
    "National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:57.084478Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对远距离条件下的人体身份识别问题，提出了一种基于时空轮廓分析的步态识别算法。步态作为一种非接触式、可在远距离感知的生物特征，日益受到计算机视觉研究者的关注。算法首先通过背景减除和简单对应方法从图像序列中分割并跟踪行走人物的运动轮廓；随后将二维轮廓转换为以质心为基准的一维距离信号，利用主成分分析（PCA）在时间变化信号上构建本征空间，以降低特征维度；最后在低维本征空间中采用非参数模式分类技术（如最近邻分类器及其改进形式）完成身份识别。该方法隐式地捕捉了步态的结构外观与动态过渡特性。在户外图像序列上的大量实验表明，算法具有较高的识别性能，同时计算成本较低。此外，论文还探讨了基于步态周期分析和物理特征（如步长、步频、身高、体型）的验证方法，并在自建NLPR数据库（3个视角、20人、240段序列）和USF大型公开数据集上进行了对比实验，结果显示算法在识别率和计算效率上均有良好表现。该方法的核心机制是通过轮廓到一维距离信号的转换和PCA降维，用低维流形轨迹表示步态变化，并用投影质心间的归一化欧氏距离衡量相似性。\n\n### 关键要点\n- 步态识别旨在通过一个人行走的方式在远距离识别其身份，相比指纹、虹膜等传统生物特征，具有非接触性和远距感知的优势。\n- 算法流程分为三部分：人体检测与跟踪、特征提取、训练与分类，其中人体检测采用基于LMedS的背景建模和背景差分，并用形态学操作和连通区域分析去除噪声。\n- 将每个2D轮廓通过轮廓展开转换为以质心为参考的一维距离信号，并经过L1范数归一化和重采样（固定长度360）以消除尺度影响。\n- 利用主成分分析（PCA）对时间变化的一维距离信号进行降维，保留前15个主要特征向量（对应95%的累计方差）构建本征空间，使每个轮廓投影为一个15维点。\n- 步态周期分析采用轮廓包围盒的宽高比信号，通过去均值、平滑、自相关和导数寻找峰值来确定周期，适用于侧视和正视等多种视角。\n- 相似性度量包括空间-时间相关（STC）和归一化欧氏距离（NED），其中NED基于投影质心计算，并能使用类示素质心（ENN）提高性能。\n- 在NLPR数据库（20人，3视角，每视角4序列）上，侧视、斜视、正视的识别率（Rank=1，ENN+NED）分别为75%、81.25%、93.75%，正视表现最佳。\n- 验证模式下，等错误率（EER）在正视、斜视、侧视分别约为9%、13%、20%，表明正面视角验证性能最优。\n- 当识别置信度高时，额外利用步频、步长、身高和胸宽/身高比等物理特征进行二次验证，可将侧视识别率从75%提升至82.5%。\n- 与近期算法（Eigengait、Collins 2002、Lee 2002、Phillips 2002）相比，本方法在识别率上优于多数方法，且计算成本最低（每序列约2分钟）。\n- 在USF数据库的7个挑战实验中，方法在视角变化下表现稳健，但受表面类型影响较大，与基准算法（Phillips等）结果相当，而计算效率显著更高。\n- 方法的主要局限包括对分割噪声敏感、依赖线性行走路径、视角依赖性较强，以及衣服变化对轮廓的影响；未来工作方向包括更大规模数据库、多视角建模和动态特征融合。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}