Методи ідентифікації людини за ходою за умов різної швидкості ходи

Размещено на http://www.allbest.ru/

Методи ідентифікації людини за ходою за умов різної швидкості ходи

Лобачев Михайло Вікторович кандидат технічних наук, професор, директор Інституту штучного інтелекту та робототехніки, Національний університет «Одеська Політехніка», м. Одеса,

Пуріш Сергій Володимирович аспірант кафедри штучного інтелекту та аналізу даних, Національний університет «Одеська Політехніка», м. Одеса,

Анотація

У цьому дослідженні розглянуто проблему ідентифікації людини за допомогою розпізнавання ходи в системах біометричної ідентифікації. Було представлено основні критерії біометричних характеристик людини, а також проведено обговорення основних біометричних ознак і способів їх використання в системах біометричної ідентифікації. Також було проведено дослідження ідеї використання ходи як біометричного ідентифікатора. Були висвітлені переваги цього методу, в тому числі той факт, що він не потребує попереднього введення персональної біометричної інформації або спеціального обладнання. Було проведено аналіз наукової літератури, яка стосується теми розпізнавання ходи. В ході дослідження були виявлені найбільш значущі проблеми і труднощі, з якими стикаються дослідники в цій області, а також найбільш помітні тенденції в області розпізнавання ходи людини в системах біометричної ідентифікації.

Для вирішення проблеми ідентифікації людини за ходою за умов різної швидкості ходи, був запропонований відповідний метод, який дозволяє з високою точністю проводити ідентифікацію людини з різною швидкістю ходи. Особливістю роботи даного методу полягає у витягненні та подальшому використанні статичної інформації стосовно ходи людини та ігноруванні динамічної складової, яка має тенденцію до зміни зі збільшенням або зменшенням швидкості ходи.

Для вимірювання подібності вхідного зразка та зразків з бази даних, були запропоновані три метрики схожості, які базуються на обчисленні подібності статичної складової ходи, яка не змінюється із швидкістю.

Для перевірки ефективності роботи методу були проведені експериментальні дослідження на наборах CASIA C та OU-ISIR A. Отримані результати свідчать про високу ефективність роботи запропонованого методу в умовах зміни швидкості руху. Також, запропонований метод добре працює в умовах зміни освітлення та зміни одягу людини. Ефективність методу зумовлена тим, що в ньому використовуються просторові зображення, які менш схильні до впливу варіацій швидкості.

Ключові слова: розпізнавання ходи, класифікація, системи відеоспос- тереження, зображення енергії ходи, біометрична ідентифікація.

Lobachev Mykhaylo Viktorovych Ph.D., Professor, Head of Institute of artificial intelligence and robotics, Odesa Polytechnic National University, Odesa

Purish Sergiy Volodymyrovych PhD Student of Artificial Intelligence and Data Analysis Department, Odesa Polytechnic National University, Odesa,

METHODS OF HUMAN IDENTIFICATION BY GAIT AT DIFFERENT WALKING SPEEDS розпізнавання ходи біометричний ідентифікація

Abstract. The issue of human identification via gait recognition in biometric identification systems is examined in this study. The primary criteria for human biometric characteristics were outlined, along with discussions on the principal biometric features and their applications in biometric identification systems. Additionally, the concept of employing locomotion as a biometric identifier was investigated. The merits of this approach were underscored, such as its elimination of the need for initial provision of personal biometric data or specialized apparatus. A comprehensive examination of scholarly literature pertaining to the subject of gait recognition was undertaken. The research identified the foremost challenges and obstacles encountered by scholars in this domain, alongside the most noteworthy developments in the realm of biometric identification systems for human gait recognition.

In order to address the challenge of distinguishing individuals based on their gait across varying gait velocities, a suitable approach was suggested that enables the accurate identification of individuals with distinct gait speeds. One notable characteristic of this approach is its reliance on static data regarding an individual's gait for extraction and subsequent analysis, while disregarding the dynamic component that is susceptible to variation in response to gait pace changes.

In order to assess the similarity between the input sample and the samples in the database, three similarity metrics were suggested. These metrics rely on the computation of the similarity of the stationary component of motion, which remains constant regardless of velocity.

On the CASIA C and OU-ISIR A sets, experimental investigations were carried out to validate the efficacy of the method. The outcomes obtained demonstrate that the proposed method operates with remarkable efficacy under conditions of varying speed. Additionally, the proposed method functions effectively under varying illumination conditions and human attire changes. The method's efficacy can be attributed to its utilization of spatial images, which are comparatively less susceptible to fluctuations in pace.

Keywords: gait recognition, classification, video surveillance systems, gait energy image, biometric identification.

Постановка проблеми

Прагнення до безпеки вважається однією з найбільш фундаментальних і важливих людських потреб, як показало дослідження, проведене Абрахамом Маслоу [1]. Люди прагнуть захистити себе, своє житло від проникнення сторонніх осіб, а своє майно - від крадіжки.

Розвиток сучасних систем відеоспостереження зробив можливим фіксувати все, що відбувається в певному місці, а потім аналізувати дані, зібрані із записів. За допомогою відеозаписів можна відстежувати пересування людей, виявляти незаконне проникнення на приватну територію, ідентифікувати злочинців, які потрапили в об'єктив камери, а також контролювати доступ до місць з обмеженим доступом.

Останнім часом особливої актуальності набуває питання ідентифікації особи, яка потрапила на відеозапис. Ідентифікувати особу, зображену на відео, можна за допомогою низки різних факторів, найточнішим з яких є ознаки обличчя [2].

Сучасний розвиток ідентифікації людини дозволяє машині виносити судження тільки в режимі спільної роботи, коли обличчя людини порівнюється з високоякісним фотографією в паспорті. У реальному світі обличчя людини може бути затушоване або важко розгледіти через такі фактори, як погана видимість, недостатнє освітлення, наявність уніформи, масок, косметики та інших подібних предметів. Це особливо актуально, коли особа скоює злочини. У цьому випадку для ідентифікації необхідна інша характеристика, і однією з таких характеристик може бути хода [3].

Згідно з біометричними та фізіологічними дослідженнями, манера ходи людини є індивідуальною і не може бути підроблена, що робить ходу унікальним ідентифікатором, який можна порівняти з відбитками пальців або райдужною оболонкою очей. Крім того, на відміну від цих «класичних» методів ідентифікації, ходу можна спостерігати на великій відстані, вона не вимагає ідеальної роздільної здатності відео і, найголовніше, не потребує безпосередньої взаємодії з людиною, тобто людина може не знати, що її знімають і аналізують. Таким чином, в деяких випадках хода слугує єдиною можливою ознакою для ідентифікації людини в даних відеоспостереження [4].

Проблема розпізнавання ходи є дуже специфічною через наявність багатьох факторів, які змінюють ходу візуально (різне взуття; предмети, що переносяться; одяг, що приховує частини тіла або сковує рухи) або впливають на внутрішнє представлення моделі ходи (ракурс, різні налаштування камери). У зв'язку з цим якість і надійність ідентифікації за ходою значно нижча, ніж за обличчям, і, незважаючи на успіхи сучасних методів комп'ютерного зору, ця проблема ще не вирішена. Багато методів застосовні виключно до умов, присутніх в базах даних, на яких вони навчені, що обмежує їх використання в реальному житті [5].

Одним з факторів, які впливають на успішну ідентифікацію людини за ходою, є швидкість руху людини. Коли людина змінює швидкість ходьби, змінюються динамічні характеристики, такі як кути суглобів та довжина кроку, тоді як статичні характеристики, такі як площа голови та тулуба, залишаються незмінними. Таким чином, методи ідентифікації людини за ходою, стійкі до зміни швидкості руху повинні використовувати переважно просторові дані для вилучення дискримінативних ознак ходи

Аналіз останніх досліджень і публікацій

Створення дескрипторів вручну та їх автоматизоване навчання - це два способи, які зараз доступні для збору характеристик ходи з вихідних даних. Це схоже на більшість труднощів комп'ютерного зору, з якими стикаються в даний час [6].

Перший підхід є більш традиційним і часто базується на обчисленні різних характеристик силуетних бінарних масок або на аналізі розташування суглобів, їхніх відносних відстаней і швидкостей, а також інших кінетичних факторів [7]. Обидва ці підходи вважаються більш традиційними.

У більшості випадків навчання ознак здійснюється за допомогою штучних нейронних мереж, які набули великої популярності в останні роки завдяки своїй чудовій продуктивності в широкому спектрі завдань комп'ютерного зору [8]. До таких задач відносяться класифікація відео та зображень, сегментація зображень, ідентифікація об'єктів, візуальне відстеження та багато інших. Нейронні мережі використовуються для навчання ознак, і ці ознаки часто мають більший ступінь абстракції, що є важливим для якісного розпізнавання. Досягти максимально можливого рівня якості розпізнавання можна шляхом поєднання цих двох процедур ідентифікації [9].

Спочатку вручну розраховуються фундаментальні аспекти ходи. Згодом ці фундаментальні аспекти обробляються за допомогою нейронної мережі, щоб виділити більш абстрактні властивості [10]. Незважаючи на те, що глибокі методи були успішними, існують неглибокі методи, які перевершили нейронні мережі за певними показниками. В результаті, обидва глобальні підходи заслуговують на увагу [11].

Мета статті - розробка та дослідження методу ідентифікації людини за ходою, який є стійким до зміни швидкості руху особи.

Виклад основного матеріалу

Загальна схема роботи запропонованого методу наведена на рисунку 1.

На початку всі зразки GEI з бази даних та вхідний GEI перетворюються на просторові зображення (ПЗ). Нехай Р; = р±, Р2> ¦¦¦ >Р_т представляють екземпляри вхідного GEI, a g_t = д₁,д₂, -- ,Q_n представляють екземпляри GEI з бази даних. В запропонованому методі, під час порівняння вхідного зразка із кожним зразком з бази даних, для кожного є р вилучається множина із трьох ознак. В результаті, ознаки виділяються з комбінацій кожного вхідного зразка з усіма зразками галереї. Це призводить до створення списку схожості для кожного вхідного зразка, який відображає схожість або несхожість вхідного зразка з кожним зразком галереї. Далі відбувається процес класифікації та прийняття рішення, що визначає належність вхідного зразка до певного екземпляру з бази даних.

Рис.1 Загальна схема роботи запропонованого методу

Отримання просторового зображення. Gait Energy Image містить як статичну, так і динамічну інформацію. Тому багато дослідників віддають перевагу зображення силуету ходи замість GEI для вилучення ознак, оскільки динамічна інформація присутня в GEI, може призвести до помилкової класифікації. Недоліком використання всіх силуетних зображень є те, що вони збільшують обчислювальні витрати системи.

Щоб подолати цей недолік, з GEI витягується лише статична інформація, з якої потім витягуються ознаки. Для цього виділяється контур GEI, що складається з точної просторової інформації. Для генерації контуру для зображення GEI використовується алгоритм Marching Squares [12] з значенням isovalue, яке дорівнює 0.6, а для визначення точного положення контуру застосовується лінійна інтерполяція (значення 0.6 вибрано після експериментів з багатьма шаблонами GEI).

Наступним кроком є сортування геометрії контуру на окремі відсортовані контури. В результаті буде отриманий список координат С(х,у). Ці координати використовуються для отримання просторового зображення SI(x,y). На деяких зображеннях в динамічних областях також виявляються деякі інші дрібні контури, але їх можна відкинути.

Витягнення ознак. При спробі визначити, чи належать два зображення одній особі, зазвичай шукають схожість між двома зображеннями і відкидають будь-які оманливі відмінності. Таким чином, щоб знайти загальну близькість двох зображень, було зроблено спробу знайти найбільш схожі фрагменти зображень. Для визначення схожості або відмінності між вхідним зразком p_s

та зразком із бази даних g_s, були обрані наступні три ознаки.

Метрика схожості інтенсивності. Ця метрика надає кількісну оцінку схожості між двома областями зображення. Нехай р(х_с,у_с) та д(х_с,у_с) позначають пікселі вхідного зразка p_s та зразка із бази g_s розміром т X п з інтенсивностями р_с та д_с відповідно, де с = 1,2,...,І. Тоді метрика схожості інтенсивності обчислюється наступним чином:

Зразок із бази даних з меншим значенням M_is розглядається як кандидат Для p_s.

Метрика схожості контурів. Мета обчислення даної метрики полягає в тому, щоб знайти міру подібності між контурами вхідного зразка p_s та зразка із бази даних g_s.

Нехай С_рта C_G є контурами зразків p_s та g_s відповідно. На першому кроці необхідно за допомогою рівняння евклідової відстані знайти пари координат С_р та Сд, які перетинаються (тобто відстань між відповідними координатами дорівнює 0). На наступному кроці необхідно відкинути координати, що не перетинаються, так як саме координати, що перетинаються, дають уявлення про подібність між p_s та g_s. Послідовні координати, що перетинаються, утворюють Сегмент Перетинання (СП).

Нехай х[і] - кількість СП, отриманих для p_s та g_s. Простий підрахунок кількості координат, що перетинаються у якості метрики схожості може призвести до неправильної класифікації. Замість цього, значення координат х та у перетворюється в одне значення за допомогою отримання арктангенсу для заданих координат. Таким чином, значення х та у перетворюються в одне значення, діапазон якого знаходиться між -- п та п, і, таким чином, враховується інформація про положення координат.

На основі численних емпіричних досліджень було визначено, що коли Ps ^та 9s належать одній особі, довжина п СП буде більшою. Послідовно віднімаючи п від довжини кожного СП, можна отримати вектор, який буде складатися з від'ємних значень. Для отримання єдиного додатного значення, обчислюється середнє квадратичне значення S_c.

Оскільки значення п є великим, різниця між п та кожним елементом довжини СП буде також великим. Виходячи з цього, середнє квадратичне значення буде також великим. Таким чином, зразок g_s, для якого буде отримано найбільше значення метрики схожості контурів, буде вважатися кандидатом для p_s.

Метрика просторової несхожості. Метою використання даної метрики є знаходження міри відмінності між вхідним зразком p_s та зразком із бази g_s. Нехай SI_p та SI_g представляють просторові зображення p_s та g_s відповідно.

Спочатку необхідно за допомогою евклідової метрики виявити пари координат SI_p та SI_g, які не перетинаються (відстань між відповідними координатами не дорівнює 0). Далі необхідно відкинути координати, що перетинаються, тому що для оцінки просторової несхожості використовуються координати, що не перетинаються.

Нехай зображення містить тільки ті координати, що не перетинаються та відповідні їм значення інтенсивності N_c. Для кожного N_c розміром М X N, генерується вектор e_v, де V = 1,2,..., М шляхом обчислення відносної ентропії кожного рядка. Кожен елемент вектору e_v задається формулою:

де Ру - кількість разів, коли значення пікселя г зустрічається у А'-му рядку зображення N_c, ar/ff - вірогідність того, що значення пікселя г зустрічається у к-му рядку зображення N_c.

Вірогідність qf. обчислюється за допомогою наступної формули:

де Т - загальна кількість елементів в рядку. Метрика просторової несхожості отримується шляхом додавання всіх елементів, присутніх у векторі e_v. Вона задається за допомогою формули:

Ця ентропія забезпечує послідовне вимірювання інформативності pf. по відношенню до іншої функції густини ймовірності qЈ, яка розглядається як апроксимація р^ь. Відносна ентропія використовується для кількісної оцінки інформативності пікселів, присутніх у кожному рядку N_c.

Менша ентропія означає, що N_c містить менше інформації, що, в свою чергу, вказує на те, що відмінність між p_s і g_s також є меншою. Таким чином, g_s з найнижчим значенням M_sd розглядається як кандидат на роль p_s.

Вимірювання схожості. Результатом вилучення ознак є три списки для вхідного зразка p_s, які називаються списками вимірювання схожості (L_Mis ,

L_Mcs та L_Msd, що містять метрики для p_s та кожного екземпляру з бази.

Класифікація. Припустимо, що д¹ -- {д¹, д²,... ,д^п] - вектор значень, отриманий шляхом сортування списків L_M-_s таза зростанням, а

h^l -- {h¹, h², hⁿ] є відповідними елементами з бази. Таким чином, можна сказати, що д¹ є найменшим значенням, a h¹ представляє відповідний зразок з бази даних. Тоді зразок h¹ можна вважати кандидатом для p_s, так як менші значення M_is та M_sd означають, що g_s більш схожий на p_s.

Припустимо, що д¹ = {д¹, д²,... ,д^п] - вектор значень, отриманий шляхом сортування списку L_Mcs за спаданням, a h^l -- {/і¹,/і², hⁿ] є відповідними елементами з бази. Таким чином, можна сказати, що д¹ є найбільшим значенням, a h¹ представляє відповідний зразок з бази даних. Тоді зразок h¹ можна вважати кандидатом для p_s, так як більше значення M_cs означає, що g_s більш схожий на р_Ј.

Модуль прийняття рішення. Остаточний результат отримується з відсортованих списків вимірювань схожості в модулі прийняття рішення. Прийняття рішення відбувається шляхом обчислення коефіцієнта впевненості Aj для кожного з кандидатів. Кандидат з максимальною сумарною величиною

,4 - є кваліфікованим для остаточного результату.

Коефіцієнт впевненості кандидата Aj в кожному списку отримується на

основі його метричного значення та шляхом об'єднання з метричним значенням наступного за рейтингом кандидата з того ж списку.

Діапазон значень, отриманих за трьома метриками, відрізняється. Тому перед прийняттям рішення, всі значення метрик, що присутні у трьох окремих списках, нормалізуються між 0 та 1.

Нехай h^a та h^b - кандидати зі списку h^l, такі що h^a Ф h^b. Якщо h^a є першим найкращим, a h^b є наступним найкращим значенням зі списку, то для списків L_M{s та , значення А^ обчислюється за наступною формулою:

Для списку L_Mcs, значення Aj- обчислюється за наступною формулою:

Так як в списках L_M._ та L_Msd, елементи розташовані у зростаючому порядку, більше значення g^b -- д^а та менше значення д^а свідчать про більшу впевненість у кандидаті h^a. Якщо кандидат h^a присутній у більш ніж одному списку, значення Aj додаються. Нарешті, в якості остаточного результату обирається кандидат з найвищим Aj.

Експериментальне дослідження методу. Для демонстрації ефективності запропонованого методу були використані два загальнодоступні набори даних ходи: набір даних CASIA C та набір даних OU-ISIR A.

Дослідження на наборі даних CASIA C. Даний набір даних складається з чотирьох циклів ходи для fn і двох циклів ходи для fs і fq.

З чотирьох послідовностей нормальної ходи для навчання використовуються дві послідовності нормальної ходи, а для тестування - по дві послідовності з кожної швидкості ходи.

В результаті набір ознак для бази складається з fn, а набори вхідних ознак включають fn, fs і fq. Порівняння ефективності запропонованого методу на наборі даних ходи CASIA C з кількома сучасними методами наведено в таблиці 1. Видно, що запропонований метод працює краще і досягає високого значення CCR у великій кількості випадків.

Таблиця 1

Точність запропонованого методу на наборі даних ходи CASIA C та порівняння з іншими існуючими методами

Дослідження на наборі даних OU-ISIR A. Дані бази складаються з шести циклів ходьби, а вхідні дані - з трьох циклів ходьби. Це зроблено для отримання різниці швидкостей від 2 до 7 км/год для всіх комбінацій послідовностей бази та вхідних даних. Значення точності, отримані за допомогою запропонованого методу на наборі даних OU-ISIR A, показано в таблиці 2.

Таблиця 2

Точність запропонованого методу для різних швидкостей ходьби на наборі даних ходи OU-ISIR A

Висновки

Ефективність запропонованого методу на наборах даних CASIA C та OU-ISIR A порівнювалися з двома методами, що базуються на нейронних мережах, таких як багатошаровий персептрон (multilayer perceptron) та GEINet. З результатів видно, що запропонований метод працює краще, ніж порівнювані методи на основі нейронних мереж.Причиною цього може бути те, що інші підходи не особливо призначені для роботи з ефектом варіації швидкості. Таким чином, для вилучення особливостей ходи в інших методах використовується весь шаблон ходи. Ці шаблони містять варіації швидкості, і вони можуть призвести до неправильної класифікації, коли одна і та ж людина ходить з різною швидкістю. На противагу цьому, в запропонованому методі використовуються просторові зображення, які менш схильні до впливу варіацій швидкості, спочатку формуються просторові зображення, а потім виділяються запропоновані ознаки.

Література:

1. H. Tezcan Uysal, Sibel Aydemir, Emine Genc. Maslow's hierarchy of needs in 21st century: the examination of vocational differences. - Available from: https://bit.ly/3MuipDj. [Accessed September 2023].

2. Lobachev, M. V. & Purish, S. V. “Machine learning models and methods for human gait recognition”. Herald of Advanced Information Technology. 2023; 6 (3): 264-277. DOI: https://doi.org/10.15276/hait.06.2023.18.

3. Singh, J. P., Jain, S. & Arora, S. “A survey of behavioral biometric gait recognition: current success and future perspectives”. Archives of Computational Methods in Engineering. 2021; 28 (1): 107-148.

4. K. Bashir, T. Xiang & S. Gong “Gait recognition without subject cooperation” - Available from: https://www.sciencedirect.com/science/article/abs/pii/S0167865510001844. [Accessed September 2023].

5. Purish, S. V. & Lobachev, M. V. “Gait recognition methods in the task of biometric human identification”. Herald of Advanced Information Technology. 2023; 6 (1): 13-25. DOI: https://doi.org/10.15276/hait.06.2023.!.

6. Ross, A. & Chowdhury, A. “Deducing health cues from biometric data”. Computer Vision and Image Understanding. 2022; 221 (1): 1-10, https://www.scopus.com/authid/detail.uri? authorId=7402568052. DOI: https://doi.org/10.1016/j.cviu.2022.103438.

7. Hofmann, M. & Rigoll, G. “Improved Gait Recognition using Gradient Histogram Energy Image”. International Conference on Image Processing. 2013; 1 (1): 205-225, https://www.scopus.com/authid/detail.uri?authorId=7403255325. DOI: https://doi.org/10.1109/ ICIP.2012.6467128.

8. Wang, L., Tan, T., Ning, H. & Hu, W. “Silhouette analysis-based gait recognition for human identification”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003; 25 (12): 1505-1518, https://www.scopus.com/authid/detail.uri?authorId=57075010000. DOI: https://doi.org/ 10.1109/TPAMI.2003.1251144.

9. Sokolova, A. “Pose-based deep gait recognition”. IETBiometrics. 2019; 8 (2): 134-143, https://www.scopus.com/authid/detail.uri?authorId=57206721413. DOI: https://doi.org/10.1049/ iet-bmt.2018.5046

10. Xu, C. “Cross-view gait recognition using pairwise spatial transformer networks”. IEEE Transac-tions on Circuits and Systems for Video Technology. 2020; 31 (1): 260-274, https://www.scopus.com/authid/detail.uri?authorId=57193737516. DOI: https://doi.org/10.1109/ TCSVT. 2020.2975671.

11. Kusakunniran, W. “Recognizing Gaits on Spatio-Temporal Feature Domain”. IEEE Transactions on Information Forensics and Security. 2014; 9 (9): 1416-1423, https://www.scopus.com/ authid/detail.uri?authorId=35226378800. DOI: https://doi.org/10.1109/TIFS.2014.2336379.

12. Yu, S., Tan, D. & Tan, T. “A Framework for Evaluating the Effect of View Angle, Clothing and Carrying Condition on Gait Recognition”. 18th International Conference on Pattern Recognition (ICPR'06). 2006; 1 (1): 1220-1242, https://www.scopus.com/authid/detail.uri? authorId=57200981888. DOI: https://doi.org/10.1109/ICPR.2006.67.

References:

1. H. Tezcan Uysal, Sibel Aydemir, Emine Genc. Maslow's hierarchy of needs in 21st century: the examination of vocational differences. - Available from: https://bit.ly/3MuipDj. [Accessed September 2023].

2. Lobachev, M. V. & Purish, S. V. “Machine learning models and methods for human gait recognition”. Herald of Advanced Information Technology. 2023; 6 (3): 264-277. DOI: https://doi .org/10.15276/hait.06.2023.18.

3. Singh, J. P., Jain, S. & Arora, S. “A survey of behavioral biometric gait recognition: current success and future perspectives”. Archives of Computational Methods in Engineering. 2021; 28 (1): 107-148.

4. K. Bashir, T. Xiang & S. Gong “Gait recognition without subject cooperation” - Available from: https://www.sciencedirect.com/science/article/abs/pii/S0167865510001844. [Accessed September 2023].

5. Purish, S. V. & Lobachev, M. V. “Gait recognition methods in the task of biometric human identification”. Herald of Advanced Information Technology. 2023; 6 (1): 13-25. DOI: https://doi.org/10.15276/hait.06.2023.!.

6. Ross, A. & Chowdhury, A. “Deducing health cues from biometric data”. Computer Vision and Image Understanding. 2022; 221 (1): 1-10, https://www.scopus.com/authid/detail.uri? authorId=7402568052. DOI: https://doi.org/10.1016/j.cviu.2022.103438.

7. Hofmann, M. & Rigoll, G. “Improved Gait Recognition using Gradient Histogram Energy Image”. International Conference on Image Processing. 2013; 1 (1): 205-225, https://www.scopus.com/ authid/detail.uri?authorId=7403255325. DOI: https://doi.org/10.1109/ICIP.2012.6467128.

8. Wang, L., Tan, T., Ning, H. & Hu, W. “Silhouette analysis-based gait recognition for human identification”. IF.F.F. Transactions on Pattern Analysis and Machine Intelligence. 2003; 25 (12): 1505-1518, https://www.scopus.com/authid/detail.uri?authorId=57075010000. DOI: https://doi.org/ 10.1109/TPAMI.2003.1251144.

9.Sokolova, A. “Pose-based deep gait recognition”. IETBiometrics. 2019; 8 (2): 134-143, https://www.scopus.com/authid/detail.uri?authorId=57206721413. DOI: https://doi.org/10.1049/ iet-bmt.2018.5046

10.Xu, C. “Cross-view gait recognition using pairwise spatial transformer networks”. IEEE Transac-tions on Circuits and Systems for Video Technology. 2020; 31 (1): 260-274, https://www.scopus.com/authid/detail.uri?authorId=57193737516. DOI: https://doi.org/10.1109/ TCSVT. 2020.2975671.

11 .Kusakunniran, W. “Recognizing Gaits on Spatio-Temporal Feature Domain”. IEEE Transactions on Information Forensics and Security. 2014; 9 (9): 1416-1423, https://www.scopus.com/ authid/detail.uri?authorId=35226378800. DOI: https://doi.org/10.1109/TIFS.2014.2336379.

12.Yu, S., Tan, D. & Tan, T. “A Framework for Evaluating the Effect of View Angle, Clothing and Carrying Condition on Gait Recognition”. 18th International Conference on Pattern Recognition (ICPR'06). 2006; 1 (1): 1220-1242, https://www.scopus.com/authid/detail.uri?authorId= 57200981888. DOI: https://doi.org/10.1109/ICPR.2006.67.

Размещено на Allbest.ru