步态识别论文

合集下载

基于步态特征的身份识别算法研究

ｔａｓｏｍｏｅｔａｔａｔｓａｉｌｃａａｔｒｓｉｓａｄｒｑｎｙｃａａｔｒｓｉｓＦｎｌｙ，ｓｐｒｅｔｒｍａｈｉｅｗａｒｎｆｒｔｘｒｃｇｉｐｔａｈｒｃｅｔｃｎｆｅｕｅｃｈｒｃｅｔｃ．ｉａｌｉｉｕｐｏｔｖｃｏｃｎｓ
ＫＹＷＯＲ：ｕｎｉｅｔｉａｏ；ｕｐｒｖｃｒａｈｎ（Ｖ；ｅｔｒｓｎＦｕｅａｓｒＥＤＳＨｍａｎｆｔｎＳｐｏｅｔｃｉＳＭ）Ｆａｅｆｉ；ｏｒｒｒｆｍｄｉｃｉｔｏｍｅｕｕｏｉｔｎｏ
２Ｏ世纪９０年代，人们对步态的身份识别算法开始进行
进行预处理提取运动目标，然后对运动目标进行切割提取步
式中，（，）ａｘＹ表示当前图像在像素（Ｙ处的亮度值，（Ｙ ห้องสมุดไป่ตู้ ，）６，）表示背景图像在像素（Ｙ处的亮度值。，）然后通过式（）间接背景减除后的二值化图像进行３对
由于步态空间和频率特征均可以有效步态特征，如果能
・
等
（）２
【 ≤ ａｂ ≤１０（Ｙ，（Ｙ￣２５０，）， ≤口，）ｂ，）５＜

步态识别技术研究综述

步态识别是一种通过分析人体行走时的步态特征来进行个体识别的技术。随着生物特征识别技术的发展，步态识别作为一种方便、无接触的识

别方式，逐渐受到了广泛的关注和研究。本文将综述步态识别的研究现状，包括步态特征的提取方法、分类器的选择以及步态识别的应用领域。

首先，在步态识别中，步态特征的提取是非常关键的一步。主要的步

态特征提取方法包括基于运动轮廓的方法、基于动作周期的方法以及基于

运动能量的方法。基于运动轮廓的方法主要是通过提取行人在行走过程中

的轮廓来获得步态特征，如轮廓角度、曲率等。基于动作周期的方法则利

用每个步态周期中的特征来进行识别，例如步长、步宽和步频等。而基于

运动能量的方法则是通过分析人体行走时的能量变化来提取步态特征，如

加速度、功率谱等。这些方法的综合运用可以提高步态识别的准确率和鲁

棒性。

其次，步态识别需要选择合适的分类器来进行模型训练和识别。常用

的分类器包括支持向量机（SVM）、人工神经网络（ANN）和k最近邻算法（kNN）。支持向量机是一种常见的分类方法，它可以有效地处理非线性

分类问题，并且在样本量较小的情况下仍能取得较好的效果。人工神经网

络模拟了人脑神经元的工作原理，可以通过反向传播算法进行模型训练和

识别。而k最近邻算法是一种基于样本距离的分类方法，它根据最近的k

个邻居来决定目标的分类。根据实际应用需求和数据集特点，可以选择合

适的分类器进行步态识别的建模和识别。

最后，步态识别具有广泛的应用领域。步态识别可以用于个体识别、

行为分析、疾病诊断等方面。在个体识别方面，步态识别可以用于安防领域，例如门禁系统和人脸识别的组合使用，可以提高认证的准确性和安全

步态识别方法分析与研究

１．引盲
ｍ
．
生物特征识别是传统的模式识别，它是利用人的生理或
行为特征进行人的身份识别。脸像、纹、指虹膜等第一代生物特征。常需要近距离的或者接触性的感知。在远距离情况通但下，样的生物特征将不可能被使用。而人的步态是可见的，这且它可在被观察者没有察觉的情况下，从任意角度进行非接触性的感知和度量。所以，视觉监控的角度看，态是远距从步离情况下最有潜力的生物特征。利用视觉监控技术可以实现远距离情况下的检测、类和识别。态识别是生物特征识别分步技术的一个新兴子领域，随着对监控技术的需求，来越引起越人们对步态识别的研究兴趣。
觉研究领域形成一个关注点。本文结合我们对步态识别的研究，各种步态识别方法的特点进行了分析，助于研对有究者对步态识别这一新的研究领域有一个总体认识和了解。

步态识别技术个人总结范文

步态识别技术是计算机视觉领域的一项重要技术，可以通过分析人的步行特征和步态模式来区分身份、检测疾病和实现其他应用。在过去的几年中，我对步态识别技术进行了一些探究和实践，以下是我个人对这项技术的总结和体会。

起首，步态识别技术有着广泛的应用前景。通过分析一个人的步行模式，可以识别出这个人的身份，或者验证其是否为合法用户。这种技术在安全领域具有很大的潜力，可以应用于门禁系统、金融来往验证等领域。此外，步态识别技术还可以用于疾病检测，例如能够提前发现和猜测一些神经系统疾病，对于早期干预和治疗具有重要意义。

其次，步态识别技术具有一定的挑战性。步态中包含的信息分外丰富，能够反映出个体的特征和习惯。然而，步态的识别受到环境、姿势和视角等多种因素的影响，因此对于步态特征的准确提取和建模是一个相对复杂的任务。同时，步态数据的采集和处理也需要耗费大量的时间和精力。因此，在步态识别技术的探究和应用中，需要充分思量这些挑战，不息进行算法优化和技术创新。

然后，步态识别技术的探究还存在一些亟待解决的问题。目前，步态识别技术大多是基于特征提取和分类的机器进修方法，然而这种方法依旧存在一些问题，例如需要大量的样本数据和复

杂的模型训练过程。将来的探究需要探究更加高效的算法和模型，进一步提高步态识别的准确性和实时性。此外，还可以结合其他传感器，如加速度计和陀螺仪，来帮助步态识别，提高整体性能。

最后，步态识别技术还需要关注隐私和安全问题。由于步态识别技术直接得到个体的生物特征信息，因此对于数据的隐私和安全保卫至关重要。探究者和从业者需要制定相关的法律、规范和技术措施，确保步态识别技术在应用中不会侵略个人隐私和安全。

步态识别论文

课程论文

步态识别

学号：

班级：通信122

姓名：楚舒琦

摘要 (3)

一、背景介绍 (4)

二、相关研究 (4)

三、主题（算法） (5)

基于线图模型的动态特征提取 (6)

基于整体的静态特征提取 (8)

识别 (9)

四、实验 (9)

五、结果讨论 (12)

六、总结 (12)

七、应用前景 (12)

八、技术难点及解决途径 (14)

技术难点 (14)

解决途径 (15)

九、参考文献 (16)

摘要

步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。

关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正

一、背景介绍

步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。

基于深度学习的步态识别方法研究

摘要：近年来，步态识别在人类行为分析、生物特征认证等领域得到了广泛应用。本文基于深度学习，综述了步态识别方法的研究进展，重点分析了基于深度学习的步态识别方法、网络架构以及数据集的选择和预处理等关键问题，并探讨了步态识别面临的挑战及未来的发展方向。

一、引言

步态是指人体行走时身体的运动方式，它具有个体差异性、时空相关性和非侵入性等特点，被广泛应用于人体识别、活动分析、人身份认证等领域。步态识别技术的研究一直受到学者们的关注。随着深度学习技术的迅猛发展，基于深度学习的步态识别方法逐渐成为研究的热点。

二、基于深度学习的步态识别方法

1. 数据集的选择和预处理

步态识别需要大量的训练数据来进行模型训练。数据集的选择和预处理是步态识别中的重要问题。常用的数据集有CASIA-B

和OU-ISIR。在数据预处理方面，常用的方法包括数据归一化、数据增强、数据平衡等。

2. 单帧步态识别方法

单帧步态识别方法是基于单张图像进行识别的。常用的方法包括传统的人工特征提取方法和基于深度学习的方法。人工特征提取方法在特征选择、特征提取和分类器设计等方面存在一定的局限性。而基于深度学习的方法，如卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等，能够自

动提取图像中的特征，具有更强的表达能力，取得了不错的识

别效果。

3. 动态步态识别方法

动态步态识别方法是基于时间序列数据进行识别的。这类方法可以充分利用步态序列的时空相关性，提高识别准确率。常用的方法包括基于深度学习的循环神经网络（RNN）和长短时记忆网络（LSTM）。这些方法能够自动学习序列数据中的时序信息，具有较好的鲁棒性和泛化能力。

步态识别技术方法研究

［】晓雯．基于步态的人体身份检测与识别．计算机工程与应２
用，２０，４（；８－３０４０５２８．）
【】韩鸿哲，王志良．基于线性判别分析和支持向量机的步态３识别［Ｊ］．模式识别与人工智能，２０；２０１４０５６ —６．
【】Ｍ．ｖｒｇａｎＺｓｅｍｎＩｅｔｙｇｉｄｖｕｌｎ４ＥｅｎｈｍａｄＡ．ｉｒａ．ｎｉｉｎｉｉａｉｉｓｄｆｎｄｓ
典型的步态识别系统通常分为五部分：视频获取、步态检测、步态特征提取、分类器、步态数据库。首先借助视频传感器
采集所需视频数据，通过步态检测模块检测出视频数据中的
行人，并将人体轮廓特征分割出来，再通过识别模块与数据库中的特征进行比较，最终判断出行人身份。具体流程如图１
２．贝叶斯分类器．２３
外，步态识别技术还在其他相关的领域中具着广泛的应用前景和实用价值，例如，医学、运动分析学、虚拟现实等。
４结语
目前步态识别的相关研究和设想仍处于理论探索阶段，
随着相关需求领域的不断增加及科学技术的不断发展，各种在步态识别领域中面临的问题和挑战都将被逐步解决。

人体步态识别技术的研究

第一章识别技术概述

人体步态识别技术是指根据人体步态变化的特征对行走物体进

行识别的技术。这种技术在计算机视觉、生物识别和医学工程等

领域得到广泛应用。人体步态识别技术可以用于身份认证、医疗

监测、安防监控和体育运动等方面。

传统的人体步态识别技术使用的是计算机视觉和模式识别算法，识别精度较低。现在，随着深度学习技术的发展，人体步态识别

的准确率已经可以达到很高的水平。

第二章识别技术分类

人体步态识别技术可分为基于所测量的特征与基于肌电学特征

的识别技术。

基于所测量的特征的识别技术是指通过对人体行走过程中所产

生的加速度、角速度等参数进行测量，并将测量结果作为识别特

征进行行走物体识别。

基于肌电学特征的识别技术是指通过测量人体髋、膝、踝等部

位的肌电信号，并将这些信号作为识别特征进行行走物体识别。

第三章识别技术原理

基于所测量的特征的识别技术的原理是，通过行走物体在行进

过程中产生的加速度和角速度进行量化测量，并采用支持向量机、决策树等机器学习方法进行分类识别。这些测量结果可以用于识

别行进路线、距离、速度等信息。

基于肌电学特征的识别技术的原理是，通过测量人体各个关节

的肌肉电位变化，并将这些变化作为识别特征进行行走物体识别。这些测量结果可以用于识别行走者的身份、行走状态、运动前后

的变化等信息。

第四章应用场景

1. 身份验证：人体步态识别技术可以用于身份认证，可以取代

传统的密码、密码锁等安全验证方式。通过持续测量行走者的步

态变化，可以验证行走者的身份，确保安全性。

2. 医疗监测：人体步态识别技术可以用于医疗监测。通过测量

步态识别现状及发展趋势

Current situation and development trend of gait

recognition

作者：朱应钊[1];李嫚[1]

作者机构： [1]中国电信股份有限公司研究院,广东广州510630

出版物刊名：电信科学

页码： 130-138页

年卷期： 2020年第8期

主题词：步态识别;生物特征识别;前沿技术;模式识别;图像处理

摘要：步态识别是生物特征识别领域的一种前沿技术,鉴于远距离识别、非受控识别及难伪装性等优势,它具备推动模式识别、图像处理、诊断治疗、康复矫形等学科发展进步的巨大潜能。首先介绍了步态识别的关键技术、研究现状及常用数据集,然后分析了其应用前景,最后对步态识别的发展趋势做出判断。

步态识别关键技术研究

卢官明;衣美佳

【摘要】高新技术的高速发展，使得越来越多的人对生物识别技术予以关注。步

态识别技术是一种新颖的生物特征识别技术，它通过人体行走姿态进行身份识别与认证，在安全监控和国防军事等领域的应用潜力也获得越来越多的关注。文中首先分析了步态识别的研究意义和背景，以及步态识别系统的原理，再从主要评价指标、运动目标提取、步态特征提取、分类判决等几个主要方面介绍步态识别的技术现状，并分析了步态识别现存的困难和未来的发展方向。%With the rapid development of advanced technology,biometrics recognition is paid more and more attention. Gait recognition is a novel biometrics recognition technology,which can recognize and identify a person by walking style.

And it is catching more and more attention in the field of security monitoring and national defense and military. Firstly,the meaning and background of gait recognition are analyzed,followed by the basic theory

步态识别技术在身份认证中的应用分析

随着科技的不断发展和普及，各种新技术也层出不穷，为人们的生活带来了诸多便利。其中，步态识别技术就是一项近年来备受关注的新兴技术，它能够通过分析个人行走时的步态信息，来对个人身份进行识别和认证。本文将对步态识别技术在身份认证中的应用进行分析，探讨其优点、缺点以及未来的发展前景。

一、步态识别技术的基本原理

步态识别技术是一种基于人体生物特征的身份认证技术，其识别原理是通过分析个体行走时的步态信息，包括步幅、步频、步态节奏等特征，来建立起一个个人行走步态数据库，并与输入的实时步态信息进行比对，从而识别和认证个人身份。

步态识别技术的基本流程包括数据采集、特征提取、建模和识别四个步骤。其中，数据采集是指通过特定的传感设备获取个体行走时的步态信息；特征提取是指从采集的数据中筛选出有用的特征信息，比如步幅、步频、步态节奏等；建模是指利用已有的步态信息建立起识别模型，并存储在识别系统中；识别是指将输入的实时步态信息与模型进行比对，从而识别和认证个人身份。

二、步态识别技术在身份认证中的优点

相对于传统的身份认证技术，步态识别技术具有以下几个优点：

1.非接触性：步态识别技术可以在不接触人体的情况下进行身

份认证，无需使用像指纹识别、虹膜识别等传统技术所需的接触

式传感器，避免了传统技术中因为使用接触式传感器而带来的卫

生和侵犯个人隐私等问题。

2.准确性高：步态识别技术可以对个人行走时的步态特征进行

高精度识别，识别准确率可以达到99%以上，且识别速度极快，

能够实时认证个人身份，极大提升了身份认证的效率和准确性。

步态识别综述_田光见

x = 1 1 ∑I ( x ,y ) x y = ∑I ( x ,y ) y Nx ,y Nx ,y
x , y
在上面的文献当中视频序列中的运动人体的提取 , 由于研究的重点在于步态的识别和特征表达上面而且实验是在一定的假设条件下进行的 , 大部分采用了背景减除的方法。我们为了一般化 , 在这里不局限于背景减除方法的运动分割 , 而是对整个运动分割方法进行概述。 3. 1 运动分割运动分割的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、特征提取、特征表达与最后的识别等后期处理是非常重要的 , 因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而 , 由于背景图像的动态变化 , 如天气、光照、影子及混乱干扰等的影响 , 使得运动分割成为一项相当困难的工作。运动分割可以分为在静止和运动背景下运动目标的检测和提取。现有的运动分割算法大体可分为如下三类 : ( 1) 帧间差分。差分法 [ 6 ～ 9 ] 是最为常用的运动目标检测和分割方法之一。此方法的特点是速度快 , 适用于实时性要求较高的应用环境 ; 不足在于算法对环境噪声较为敏感 , 并且基于差分法的运动目标分割精度没有保证。 ( 2) 背景估计图像与当前图象帧差。除差分法外 , 背景估计 [ 10 ～ 12 ] 是解决静止或缓变背景下运动目标检测和分割的另一条思路。这类方法的优点在于对复杂背景情况效果较好 , 它一般能够提供最完全的特征数据 , 但对于动态场景的变化 , 如光照和外来无关事件的干扰等特别敏感。 ( 3) 基于运动场估计的方法 [ 6] 。此类方法通过视频序列的时空相关性分析估计运动场 , 建立相邻帧对应关系 , 进而利用目标与背景表观运动模式不同进行运动目标的检测与分割。视频序列运动场估计方法主要有光流法 ( O p t i c a l F l o wE q u a t i o n , O F E ) 、块匹配 ( B l o c kMa t c hA l g o r i t h m , B M A) 以及基于贝叶斯最大后验概率 ( Ma x i m u m AP o s t e r i o r i P r o b a b i l i t y , M A P ) 模型的统计方法。与差分法相比 , 运动场分析能够较好地处理背景运动的情况 , 适用范围更广 ; 但计算的时空复杂度均远高于前者。 3. 2 目标分类在步态识别中 , 运动目标分类的目的是为了从分割出的运动区域中将对应与人的运动区域提取出来。在真实的环境当中利用运动分割所分割出来的运动物体可能包含人、汽车、摇动的树枝等。为了后续的处理 , 必须进行运动目标的正确分类。我们在这里简单地进行叙述 , 给出两种常用的方法。 ( 1) 基于形状信息的分类。文献 [ 15] 就是采用运动区域的分散度、面积、宽高比等作为特征 , 利用三层神经网络方法将运动目标划分为人、人群、车和背景干扰。

面向公共安全的步态识别技术研究

随着社会的不断发展与进步，公共安全问题已经成为人们生活中的一个重要议题。在公共场所，恶意行为与犯罪事件时有发生，给人们的生命财产安全带来了巨大威胁。因此，研究面向公共安全的步态识别技术成为了当下的紧迫任务。

步态识别技术是通过对人的步行过程进行分析与识别，从而实现对个体的识别与辨别。相比传统的人脸识别、指纹识别等技术，步态识别技术具有独特的优势，它不仅仅能够提供静态图像或特定角度的信息，还能够综合考虑人体的动态特征，从而提高个体识别的准确性与鲁棒性。

首先，步态作为一种个体特征，具有高度的独特性与人体生理特征。每个人的步态都是独一无二的，就像指纹一样。这种独特性使得步态识别技术在辨认个体身份时具有明显的优势。而且，步态识别技术不受衣着、头发、面部表情等因素的干扰，具有良好的鲁棒性。

其次，步态识别技术在公共安全领域具有广泛的应用前景。利用步态识别技术，可以对公共场所的人群进行实时监控与筛查，及时发现异常行为与可疑人员。例如，当一个人在公共交通工具或建筑物内出现异常行为，步态识别技术可以在瞬间对其进行辨识，从而及时采取应对措施，保护他人的生命财产安全。

在步态识别技术的研究中，需要综合运用计算机视觉、模式识别与机器学习等交叉学科理论和技术。首先，通过使用高性能的图像采集设备，可以获取到足够清晰的步态图像，为后续的识别算法提供良好的输入数据。然后，利用计算机视觉的

相关算法对步态图像进行处理，提取出人体的运动特征，例如人的行进速度、步幅、步距等。接下来，通过机器学习的方法，可以对步态特征进行建模与分类，从而实现对个体的识别。最后，利用模式识别的方法，对步态识别系统进行优化与评估，提高其准确性与鲁棒性。

【论文】人类步态的支持向量机识别

摘要

步态作为一种适用于非接触式远距离身份识别的生物特征近年来倍受关注。步态识别主要由三部分构成：步态序列图像预处理、特征提取和分类识别。

步态特征可根据是否对人体结构进行建模分为两类：基于模型的特征和非基于模型的特征。提出了三种步态特征提取方法，分别是人体结构模型、肢体角度模型和人体轮廓模型。其中，前两种是基于模型的特征，后一种是非基于模型的特征。使用VC++6.0作为开发工具，编写了步态特征生成程序。

常用的步态识别算法有动态时间规整、隐马尔可夫模型和神经网络等，这些方法主要适用于大样本的情形，现实中的样本数目往往有限，为解决小样本问题，采用了支持向量机来进行步态识别。支持向量机与传统方法相比，具有泛化能力强、能保证全局最优等优点。

选用CASIA数据库，利用支持向量机软件LIBSVM对提取的步态特征进行了训练与识别，并对不同的核函数的识别效果进行了比较。实验结果表明，基于支持向量机的步态识别算法能够有效地对步态进行分类，具有良好的识别性能，不同核函数对分类结果影响不大。

关键字：生物特征，步态识别，特征提取，支持向量机

Abstract

Gait has recently drawn greater attention as a long-distance non-contact biometric identification.Generally, gait recognition consists of three parts: preprocessing of gait sequences, feature extraction and classification.

基于机器学习的人体步态识别技术研究

一、引言

人体步态是人类独特的身体特征之一，也是识别个体身份的关键指标。传统的人体步态识别方法主要是利用人类视觉进行识别，但随着机器学习技术的发展与应用，基于机器学习的人体步态识别技术得到了广泛应用。本文将探讨基于机器学习的人体步态识别技术的研究。

二、人体步态识别的重要性

人体步态是每个人独一无二的生物特征。基于人体步态识别技术，可以进行身份认证、犯罪侦查、人员监控等方面的应用。在安全保障、犯罪侦查、医疗健康等领域都有着广泛的应用前景。

三、机器学习在人体步态识别中的应用

传统的人体步态识别方法主要基于人类视觉进行识别，但随着机器学习技术的发展，越来越多的研究者开始将机器学习技术应用于人体步态识别中。机器学习在人体步态识别中的应用主要分为两类：监督学习和无监督学习。

1. 监督学习

基于监督学习的人体步态识别技术需要大量的标注数据作为训练样本，一般可分为两种方式进行。

（1）基于图像的监督学习

将依次获取的人体图像序列作为输入，使用图像处理技术对图像进行预处理，如时域差值、局部区域分割等，然后利用特征提取方法从中提取出人体步态特征，利用监督学习算法进行训练，如支持向量机、神经网络等。通过利用样本训练出的分类器，对新的人体步态图像进行分类，即可进行人体步态识别。

（2）基于传感器的监督学习

传感器是获取人体运动信息的主要手段之一，如加速度计、陀螺仪等，传感器

检测的数据被称为生物特征信息。基于传感器的监督学习方法通过收集人体运动相关的参数，比如步幅、步速等，作为输入特征。然后结合人体步态序列的切割方式，使用机器学习算法进行分类，实现人体步态的识别。

步态识别问题的特点及研究现状

[ 25 ]
。从计算的角度来看, 从低质量和没有
别的研究还比较少 , 目前只是对红外图像序列进行运动分析。为了充分发掘步态数据里的身份信息, T ana w ongsuw an 等研究者将用于运动捕捉的电磁传感器穿着在试验者不同的身体部位 , 将关节角度的轨迹投影到步行平面以恢复臀部和膝盖部的角度 ( 认为这些角度数据相对于直接从视频图像序列
Abstrac t A s a ne w technology o f b iom etr ics, ga it recognition has its predo m inance a m ong other b io m e tric techno log ies wh ile in co m pute r v ision research fie ld it is a hard prob lem. T hose two charac teristics a re analyzed a t first . Then , the gait recognition proble m is expounded in four aspec ts wh ich are essentia lly invo lved in designing a pa ttern recogn ition syste m: the cho ice of sensors , preprocessing techn ique , data representation scheme , and dec ision m ak ing m ode.l T he emphases are in the sec tion concern ing ga it data representation, in w hich approaches to the gait recogn ition prob lem from the po int of v iew o f co m puter v ision a re broadly classified as be ing either mode l based or ho listic . Eve ry c lass is illustrated in deta i, l and the m erits and de fects o f each ex a m ple are po inted out . The infor m a tion o f structure component and the infor m ation o f the m otion dyna m ics o f the body extracted in those approaches a re a lso expla ined. T hird ly , the pe rfor m ance eva luation standard and ava ilab le database are discussed . A t last , a fe w w eaknesses in the ga it recognition research field are proposed, and future areas o f research are a lso put fo r w ard. K eywords ga it recogn ition, bio m etrics , com puter v ision, spatio temporal pattern representation, infor m ation, body dyna m ics infor m ation structure co m ponent