Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   3 ,  June   2020 ,  pp. 2 97 8 ~ 298 5   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 3 . pp2978 - 29 85          2978       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Human  ga it   re cognition u sing pre processi ng   and cl assific ation techn iqu es       Sa mer  K ais Jameel,  Jih ad   An w ar   Q ad ir ,  Moh ammed   Hussein  Ah m ed   Depa r tment  o f  C om pute r  Scie n ce,  Univer s i t y   of   R apa rin ,   Ir aq       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J ul  6 ,  2019   Re vised  N ov 26 ,   2019   Accepte d  Dec  10, 201 9     Biom et ric  re cog nit ion  s y stems   have   b ee n   attra ct ed   num ero us  rese arc h ers  since   they   attempt  to  over come  the   proble m s  and  fac tors  wea ke ning  the se   s y stems   includi ng  proble m s  o f  obtaining  images  ind ee d   no t  app ea ring     the   resolut ion  or   the   obje c t  completel y .   In  thi s  work,  the   obje c t   m ovement   rel i anc e  w as  con sidere d  to  d isti n guish  the   hum an  through  his/he r  gai t .   Som e  losing  fea tur es  proba bl y   wea ke n  the   s y stem’s   ca pability   in  r ec ogni zi n g     the   people,   hen c e,   we  propose  using  al l  data  recorded  b y   th e  Kinec t  sensor   wi th  no  emplo y ing  the   feature   ext ra ct ion  m et h ods  base d  on  th e  li teratu r e.    In  the se  studie s ,   coor dina t es  of  20  point s  are   re cor ded  for  e ac h   per son  in   var ious  gend ers  and  age s,   wal king  with  v ari o us  dire c ti ons  a nd  spee ds ,   cre a ti ng  8404  c onstrai nts.  More over ,   p re - proc essing  m et hods  are   utilized  t o   m ea sure  it s  inf l uenc es  on  the   s y stem  eff iciency  through  t esti ng  on  six  t y pes   of  cl assifie rs .   W it hin  the   propos ed  appr oac h ,   a  note worth y   rec o gnit ion  ra te  was obt ai n ed  r eachi ng  91%   with out  ex amining th e  desc r ipt ors .   Ke yw or d s :   Cl assifi cat ion   Gai t   rec ogniti on   Kinect se nsor   Pr e processin g   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Sam er K ai s Ja m eel ,    Dep a rtm ent   of   Com pu te r  Scie nce,   Un i ver s it y o f  Ra par in ,   Ra nia, Ira q .   Em a il :   sa m er.k ai s@uor.ed u.k rd       1.   INTROD U CTION   The  autom at ed  identify ing   sy stem   has  i m pr ov e d  ba rely   in  recent  deca des ,  in  par ti cular  in  excessi ve   safety   areas  e . g.   Air ports   a nd  banks  Bi ome tric   authe ntica ti on   m akes  use   of  orga nic  or   be ha vio ral  t rait s  to   ver ify   th e  i den t ific at ion   of  a  pe rson  [ 1,   2].  I n  the  m idst  of   th e  vio la ti ons  tha t  occur  co ns ta nt ly   in  m os t  par ts  of   the  globe  a  m ulti plied  at te ntion   ha s  bee n  ta ken   to  the  prev e ntio n  of  te rror ist   at ta ck s,  thr oughout  bu il d  so phist ic at ed  a nd   swift  syst e m s  to  identify   the  hum ans.   Ma ny  bio m et ric  te chnolo gies  ha ve  em erg ed  f or  identify in g  an d  ve rifyi ng  pe rsons  th r ough  analy zi ng   face ,  fin gerp rint,  pa l m   pr int,  iris,   gait,  or  a  m ix ture  o f  these trai ts [ 3 - 6].   Bi om e tric s  is  the  autom at ic  us e  of  physi ologica l  or   be hav i or al   trai ts   to  determ ine  or   c onfirm     the  identific at ion   of   a  pe rson ,  the  ph ysi olog ic al   bio m et rics  exam ine s  ph y siolo gical   chara ct erist ic s   li ke,   iris,   faces,  fin gerpr i nts,  DNA,   a nd   hand  geo m et ry;   the  beh a vior al   bio m et rics  e xam ines  beh a vi or al   issues ,  s uc h  as   vo ic e,  sig nature,  an d  gait  [ 1] .  The  sig nific ance  of  c om pu te rized  i den ti ficat ion   of   pe op le   has  acce l erated  thr oughout  the   previ ou s   deca des,  pa rtic ularl y  in  exce ssive   secu rity   ar eas   su c h  as   ai r por ts  an d   banks  [ 5,   7].   Each  c ha racter   has   disti ng uish able   uniq ue  t rait s  ( bio m et ri cs)  that   can   be   us e d  by  id e ntific at ion   syst e m s  to   ver ify   a nd  pic k  ou t   the  pers on ' s  ide ntit y  [ 8].  T o  disti nguish  uniq ue  hum ans  in  the   m ann er   they   s troll  is    a  h orri ble  pro je ct   hu m ans  perform ed  each  da y.  Psycho l og i cal   stud ie s  [ 4 ,  8,   9]   ha ve  s hown   th at   gait  sign at ur es   bought  f ro m   vid eo  ca n  be  use d  as  a  reli able  cue  to  bec om e  awar e  of   i nd i viduals.  T he se  find i ngs  stim ulate d  researc hers  in  com pu te r  im ag inati ve  an d  presci ent  to  ext r act   po te ntial   gait  sign at ures  f ro m   pictures  t o  pic k  ou t  pe ople .  It  is  ch al le ng i ng,  howe ver,  to  lo cat e  idiosyncra ti c  gait  aspects  in  m ark er - le ss   m otion   seq ue nces,   wh e re  the  us e  of   m ark ers  is  pr e ve nted  due  to  the  fact  it  i s  intru sive  a nd  no t  su it able  in  com m on place  gait  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &   C om p  En g     IS S N: 20 88 - 8708       Hum an gait  re cogniti on usi ng  pr e pr oce ssin g and cl as sif ic ation t ech niqu es   ( Samer  K ais  Jameel )   2979   cognizanc e  set ti ng s.  Id eal ly ,  the  f oc us   feat ures  extracte d  from   ph oto s  be  i nv a riant  to  el e m ents  diff e ren t   tha n  gait,  s uch  as   colo r,   te xture,   or  kind  of  cl oth in g  [ 9].  T wo  Com par e d  to  dif fer e nt  bi om e tric   m e tho ds,  gait  consci ousn e ss  offer s  se ver al   un i qu e  c har act erist ic s.  The  m os t  app eal i ng   c har act erist ic   is  it s  un ob t r us i ve ness,  wh ic h  do es   no   longe r  re quire   obser ve d  s ubje ct s’  at te ntio n  and  co operati on.  In  ad diti on,   hum an  gait  can  be   captu red  at   s om e  distance  be sides  requiri ng  physi cal   inf orm at ion   f ro m   su bject s.   T his  f avora ble  cha ra ct erist ic   has  br il li ant  adv a ntage s,  m a inly   wh e n  m a n  or  wo m an  f act s  su ch   as  f ace  i m age  are   confide ntial   [ 5,   8].   More ov e r,   gait  recog niti on   presents  super b  achieva ble  f or  co ns ci ou s nes s  of  lo w - res olu ti on  vi deo s ,  wh e r e   oth e r  bi om et ri cs  te chnolo gie s  m ay   add it iona ll y  be  inv al id b ecau se  of  ins uffici e nt  pix el s   to  identify   the   hu m an  top ic s  [9 ] .   T he   com m on   f ra m ewo r k  of  co m pu te rized  gai t  fo c us   c onsist s  of  c halle nge   detect io n,   sil houette   extracti on,  f unct ion   e xtracti on,  f un ct io n  sel ect ion ,   an d  cl a ssific at ion .   O nc e  tran sfe rr in g  to pics  are   ca pt ur e d,   hu m ans w il l be  d et ect ed  and s epar at e d  f r om  t he  im age b ac kgr ound  [5 ] .   This  pa per   wa s  aim ed  to  dev el op   an  inte gr a te d  and   s ophist ic at ed  syst e m   fo r  rec ognizin g  hu m ans  in  te rm s  of   a  set   of  points   f ound  by  us in g  a   Kinect  se nsor ,   pa rtic ularly   si nce  not  re quiring  a  cam era   di rectl y  fo c us e d  on  the  hu m an  face   or  on  any  hum an  bio m et ric  li ke  oth e r  syst em s  as  a  m ajo r  c hal le ng e  i n  s om e  cases.   The  filt ers  (Re sam ple,  Discreti ze,  and  Sprea d  s ub - sam ple)  wer e u se d  as  a step  pre - proces sing   t o  treat   th e  data   and  to  m ini m ize  long  ti m e  co ur ses   w hile  inc reasin g  syst em   perf or m ance,  wh ic h  is  m easur e d  via  pa ss  t he  data   into  six  ty pes  of   cl assifi ers  ( Sequentia l  Mi nim a l  Op tim izati on ,  Decisı on  Tree,  Naï ve  Ba ye s,  Ra nd om   Tree,  Rule,  an d  Ba ye s  Net).  Th e  influ e nce  of  the  filt ers  on   syst em   eff ic ie ncy  was  te ste d  to  unde rstan d    the app ropr ia te ness of fil te rs f or su c h  cl assi fiers a nd their  posit ive ef fects i n  ide ntifyi ng s yst e m s.       2.   REVIEW  OF   LIT ERATUR E   Diff e re nt  ways  of   rec ognizin g  pe op le   by  their  gaits  are  wide  m entione d  within  the  li te ratur e  f or   sever al   ye a rs.   The  first  a dd  psy cho l og ist s  a dm inist rated  th is  sp ace  i n  1971,  once  J ohans so n  c onnected   li gh t - weig ht  points   to  the   joints   of  people’s   bo dies  duri ng  a  dark   sp ace .  Pa rtic ip ants  wer e  t hen  aske d  to   r un,  r un,  or  ride  a  bicy cl e  [ 10 ,  11] .  The  re su lt s  prom pt  that  ind ivid uals  will   acknow le dg e  on e  a noth er  by  their  in div id ual   walkin g  desig ns.  The  bio m echan ic s  st ud ie s  of   P er ry  et   al .   [12],  Mu rr ay   [ 13 ]   a nd   Winte r  [ 14 ]   sem ic on du ct or   diode  to  t he  i dea  that  gait  m ay   be  a  cha racteri sti c  an d  pro b ably   in di vidual  at trib ute  of   a n  i nd i vid ual.     Gait   recog niti on   m ay   be  a  patte rn   rec ogniti on  draw bac k.   Most  of   t he  pr evail ing   gait  re cogniti on   a ppr oach e s   dep e nd  upon   A N  a naly sis  of  t he  bin a r y  sil houette   of  wal king  pe rsons   f or  id entifi cat ion  [ 15 ,  16] .    Cutt in g,  et   al .   [ 17 ]   st ud ie d  hu m an  per ce pt ion   of  gait  exp l oitat ion   m ov in g  li ght - weigh t   dis play s  ( ML D )     the  sam e   as  th at   e m plo ye d  by  Jo hansso n  a nd   s howe d  hu m an  per s on   id entifi cat ion   res ults  [18]  and   gende r   cl assifi cat ion   r esults  [ 19 ] .  T hey  sho wed  that  hum an  ob ser ve rs  m ay   determ ine  ge nder  with   m or e  or   le s s   seve ntiet h  accuracy  e xp l oitat ion   s olely   the  visu al   c ues  f r om   MLD.  Bo bick  an d  J ohnso n  [ 20]   cal culat e  fou r   distances  of  hu m an  bodies,  pa rtic ularly   the  ga p  betwee n  the   pin nacle  a nd   f oo t,  the  ga p  be tween  the  pinn acl e   and  pel vis,  the   ga p  bet wee n  the  f oo t  a nd  pe lvis,  an d  t herefo re  the   dista nce  betwee n  t he  le ft  foot  an d  ri gh t   foot.  They  us e   the  f our   dista nc es  to  m ake  2  t ea m s  of  sta ti c  body  par am et e rs  a nd  re veal  t hat  the   sec ond  set   of   par am et ers  are  add it io nal  view - in var i ant   com par ison   to  the  pr im ary  set   of   body   par am et ers.   Give n    the  flexi bili ty   of   hu m ans  to  s po t  per s ons  an d  cl assify   ge nder  by  the  j oi nt  ang le s  of   a  wa lking   s ubj e ct ,  Rob e rt   Hu tc hings  Godd a r d  [ 21 ]   devel op e d  a  c onne ct ion ist   f or m ula  f or   gait  re cogniti on  ex pl oi ta ti on   j oi nt  locat ions   ob ta ine d  f ro m   MLD.  H ow e ver,  com pu ti ng  joint  an gles   fr om   vid eo  s equ e nce  rem ain s  a  tough   drawb ac k,  al tho ug h  m any  trie s  are  c reat ed  the re on   [ 2 2 - 24] .  T her e   is  a  var ie ty   of   l ooks  ba sed   m os tl y  on   al go rith m s  fo r   gait  an d  act ivit y  recog niti o n.   Dealer  a nd  Da vis  [ 25]   us e d  s el f - co rr el at io n  of  m ov ing  f or e gro und  obj ect s   to  te ll   apar t  walkin g  hu m ans  f ro m   diff ere nt  m ov in g  ob j ect s  li ke  c ars.   P olana   an d  Nels on  [ 26 ]   detect ed  re gula rity   in  op ti cal   fl ow   a nd  us ed   these  t o  ack nowled ge  act ivit ie s  li ke  fr ogs   jum pin g  a nd  hum an  walkin g.   Ver y  li tt le   an d  Boyd  [27]  us e d  m o m ent  opti on s   a nd  re gula rity   of  f or e gro und  sil houette s   an d  op ti cal   flow  to  spot  wa lkers.  Nixon,  et   al .   [ 28 ]   us e d  pr i nc ipal  pa rt  analy sis  of  pictures   of  a  walki ng  per s on  to   s po t   the  walke r  by  gait.   S hutl er,  et   al .   [29]  us e d  higher - or der   m ome nts  su m m e d  ove r  se qu e nt   pictures  of  a   walkin g  se qu ence  as  op ti ons  within   the  ta sk   of   di sti ng uis hing  pe rsons  by  thei r  gait.  T he  work   delineat ed   durin g  this  pa per   is   cl os el y  associ at ed  with  th at   of   ver y  li tt le   and   B oyd  [30].  H ow e ve r,   rather   t han   ex plo it at ion   m ome nt  descr i ptions  a nd  re gula rity   of  the   w ho le   sil houette   a nd  op ti cal   flo w  of  a  walke r,   we  te nd  to   di vide     the  sil houette s  into  re gions  a nd  ci pher  sta ti sti cs  on   t hese  r eg ion s .  W e  te nd   t o  ad d  m or e  stu dy  the  capa bili ty   of  our o ption s  in  t asks o n  the  f a r si de pers on ide ntific at ion ,  li ke  g e nd e r  cl assifi cat ion .       3.   DA T AS ET   Ther e   are  a  fe w  ga it   sens or s   database s,  a nd  the  data  us e d  in  t his  pa pe r   has  bee n  coll ect ed  us i ng    a  Kinect  se nso rs  de vice.  T he   gait  was  recorde d  f or  a  gr oup  of  volu ntee rs  of  49   perso ns ,  9  of   whom  wer e   wo m en  a nd  th e  rest  wer e   m en.   Each   pe rs on  wa s  te ste d  f or  wal king  five  ti m es  fo r   both   le ft  a nd  rig ht   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   29 7 8   -   298 5   2980   directi ons,  in  fron t  of  the  s ens or   at   a  90 - degree  an gl e,  and   heig ht  of  the  0. 6  m et e rs  from   the  gr ou nd.   The  Kinect   sen so r   prese nts  th e  hum an  sk el et on  see  F ig ur e   1 ,  w hich   pro vi des  value s  of  X,   a nd   Y  c oor din at es   for  20  po i nts  f ro m   head   to  t oe ,  w her e  eac h  per s on  wa s  re gi ste red   be twee n  90  a nd  19 0  r ecords,  w hich  re su lt s   in 84 04 r ec ord s for   al l perso ns.           F igure  1 .  A h um an  sk el et on  by  K inect  se nso r       4.   BACKG ROU ND   4 . 1.     Ba yesia n  network s   Ba ye sia n  netw orks  a re  a  ki nd  of  pr ob a bili sti c  grap hical   m a nn e quin  t hat  use s  Ba ye sia n  i nf e ren ce   f or   chan ce  c om pu ta ti on s .  Ba ye sia n  netw ork s  go al   to  m a nn e quin  c ondi ti on al   de pend ence,  a nd   the refore   causati on,  via  represe nting  conditi on al   de pende nce  by  us in g  e dg e s  in  a  directed  gr a ph.  T hro ugh  the s e   relat ion s hip s ,  on e  ca n  c orre ct ly   hab it   infe ren ce  on  the  r andom   var ia bl es  in  the  gr a ph  th ro ugh  t he  us e  of   factors  [ 3 1 ,  3 2 ] .  Two   it   is  al s o  reg a r ded   as  " belie f  netw ork s"  or   "causal  ne tworks"  are  grap hical   fash i ons  f or   represe nting  m ulti var ia te  ch a nce d ist ri bu ti ons . Eac h varia bl e X i  is rep res e nted  as a  ver te x  in a  directed  acy cl i c   gr a ph ( " da g") ;  t he  pr ob a bili ty  d ist rib ution  ( 1 , 2 , 3 , … ,   )   is represe nted  i n fact or iz e d for m  as f ollow s:     ( 1   , 2 , 3 , … , ) = ∏ ( 1 |   П ) = 1       w he re   П   is  t he  s et   of   ve rtic es  t hat  a re     ' s  pa re nts  i n  the   gra ph.   A   Ba ye sia n  netw ork   is  f ully   sp eci fied  by  the co m bin at io n of :     The gra ph str uc ture, i .e., w ha t directe d arcs   exist i n  t he gra ph.       The pr obabili ty  table   ( 1 |   П )   f or eac h varia ble  .   It  can   be   use d  for  a  huge   ra nge  of  ta sk s   to ge ther  with  pre dicti on ,   a no m al y  detect ion ,   di agnostic s,  a ut om ati c   insig ht,  rea soni ng, tim e series p re dicti on and  decisi on m aking   unde r un ce rtai nty [ 29,   3 1 ,  33 ].     4 . 2.     Decisi on   tree  algorithm  J48   J4 8  cl assi fier  is  an  easy   C4. 5  sel ect ion   tree  for  cl assifi cat ion.  It  create s  a   bin ary  tree.  T he  sel ect ion  tree  strat egy  is  m os t  ben e fici al   in  the  cl assifi cat ion   pr oble m   [3 4 ] .  De ci sion   Tre es  e m bo dy  a  su pe rv ise d  cl assifi cat ion   a ppr oach.  A  de ci sion   tree  is  a   si m ple  structu re  the  place  no n - te rm inal  node s  sign i fy  chec ks   on  on e   or  e xtra  at trib utes  an d  te r m inal  nodes  re plica te   sel ect ion  o utc om es.  The  c on ce pt got h ere   f ro m   the n orm a l   tree  sh a pe  w hich  is  m ade  up  of   a   r oot  an d  node s  (t he  po sit ion s  w her e   pla ces  branc hes  di vid e) ,  br a nch e s  an d  le aves.  In  the   sam e  way,  the  ch oice  tree   c on sist s   of  node s  w hich   sta nd  for  ci rcles ,  t he  br a nc hes  st and  f or  segm ents  con ne ct ing   the  node s.  A  Decisi on   Tree  beg i ns   f ro m   the  ro ot,  strikes  dow nwa rd   an d  norm al l y  are  dr a w n  f ro m   le ft  to  rig ht,  so   it   is  le ss  dif ficult   to  dr a w  it .  T he   node   f ro m   w her e  t he  tree   be gin s  is   re ferre d  to   as  a   root  node .  T he  no de  the n   pl ace  the  chain  ends  is  recog ni zed  as  the  “l eaf”  node .  Fro m   ever y  interi or   node  (i.e.  no  longe r  a  le af)   m ay  add it ion al ly   gro w  out  two  or   m or e  br anc hes   i.e.  a  no de  tha t  is  no w  no t  a  le af  node.  A  node  repres ents  a  s ur e   at trib ute  w hi le   the  br a nc hes  si gn i fy  a  ra nge  of   val ues.   T he se  ra ng es   of  va lues     act   as  pa rtit ion   po i nts  f or  th e  set   of  values   of  the   gi ven  char act e risti c.  Figure  2   desc r ibes  the   str uctur e   of     a  tree  [29,   30] .   J4 8  is  an  e xtension  of  I D3.  The  ad diti on al   featur es  of   J 48  a re  acco unti ng   for  m issi ng   values ,   decisi on trees   pru ning,  c onti nuous  at tribu te   value ra ng es , d erivati on  of   r ules, etc.   [35, 3 6] .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &   C om p  En g     IS S N: 20 88 - 8708       Hum an gait  re cogniti on usi ng  pr e pr oce ssin g and cl as sif ic ation t ech niqu es   ( Samer  K ais  Jameel )   2981       Figure  2.  Str uc ture of  a tree   [ 34 ]       4. 3 .    N aïv e   b ayes   The  Nai ve  Ba ye s  cl assifi er  is  a  si m ple  pr obabili sti c  cl assifi er  base d  on  app ly in g  Ba ye s'   Theo rem   with  str ong  in dep e ndence   as su m ption s,  w hi ch  ass um es  all  of  the   featu r es  are   eq ually   ind e pe ndent.   It  us e s     a  Ba ye sia n  al go rithm   fo r  the   total   pr oba bili ty   pr oced ure,  the  pr i nciple  is  accor ding  to   the  probabil it y  that    the  te xt  belo ng s  to  a  cat egory  of   pr i or   prob a bi li t y,  and   the  te xt  w ou l d  be  as sign e d  to  the  c at egory  of   poste rio r   pro bab il it y.  In  si m ple  te rm s,  a  naive   Ba ye s  cl assifi er  ass um es  that  the  presence   ( or  a bse nce)  of  a   pa r ti cular  featur e  of a  class i s un relat ed t o  the  presenc e  (or  a bs e nce) o f  a ny o t her   feat ur e  [ 3 7 ].     4.4 .    P art   PA RT  is  a  sep arate - an d - co nq uer   r ule  le ar ne r.   T he  al gorith m   pr oduci ng   s et s  of   r ules  cal le d  „decisi on   li sts‟  wh ic h  ar e  pla nn e d  set   of  r ules.  A  ne w  data  is  c ompare d  t o  eac h  r ule  in   the  li st  i n  tu r n,   a nd  t he   it e m   is   assigne d  t he  cl ass  of  t he  first   m a tc hin g  r ul e.  P ART  bu il ds   a  pa rtia l  C4. 5  decisi on  t ree  i n  eac h  it erati on  a nd  m akes th e “ bes t”  leaf into  a  rul e  [ 37 ].     4 .5 .  R andom   trees    Ra ndom   trees  hav e   a dd e d  via   Leo   Brei m an  and  A dele  C utler  [ 38 ] .   T he  r andom   tree  is  a  tree  dr a w n  at   ran dom   fr om   a  set   of   feas ible  trees.  I n  this  co ntext  ‘ ‘at  rando m ’’   abili ty   that  each  tree  in  the  set   of   tim ber  has  a n  e qual   da ng e r  of  bein g  sam pled.   A no ther  way  of  a nnounci ng  this   is  that  t he  dis tribu ti on  of  tre es  is   ‘ ‘ un i form ’’ .  Ra ndom   tim ber   can  be  gen e rat ed  co rr ect ly   an d  the  com bin at ion   of   la r ge  un it s  of   ra ndom   t i m ber   ty pical ly   le ads  to  accurate   m od el s.  The   al go rithm   can  deal  with  each  cl assifi c at ion   an d  re gressi on     issues  [ 39 ,  40 ].     4.6.   S MO alg orithm   The  Se quentia l  Mi ni m al   Op ti m iz at ion   (S MO)  al go rithm   was  pr opos e d  by  John   C .  Plat t  in  1998   a nd   becam e  the  fas te st  qu ad rati c  pro gr am m ing   op ti m iz ation   al gorithm ,  especial ly  fo r  li near   SV M  an d  sp a r se  data  perform ance   [ 41 ] .  SMO  al gorithm   is  der ive d  by  ta king  th e  id ea  of  the   de com po sit ion   m et ho d  t o  it s  extrem e  and   op ti m iz ing   a  m ini m al   su bs et   of   just  two  po ints  at   each   it erati on .  The  powe r  of   this  t echn i qu e  resid es  in   the  fact  that  th e  op ti m iz ation   pro blem   fo r  tw o  data  po i nts  a dm i ts  an  analy ti cal   so luti on ,  el i m inati ng   the   nee d  to use a n  it erati ve qu a drat ic  pr ogram m ing   op t i m iz er as  par t  of the al gorith m  [ 42 ,  35 ].       5.   RESU LT S   A ND  DI SCUS S ION     The  dataset   that  m entıoned   bove  hav e   exam ıned  w it h  six  cl assi fiers,  Seq ue ntial   Mi ni m al   Op ti m iz ation   (S MO ),   Naïv e   Ba ye s,  Decis ıon T ree  (J48 ),  Ra ndom   Tre e,  Rule  (PAR T),   a nd  Ba ye s  Ne,   resp ect ively .  T he  r esults  i nd i cat e  that  by  usi ng   PA RT   cl as sifie r  the   syst em   giv es  the  be st  perf or m ance  wi th  higher   accu rac y  as  s hown  in   T able  1.   Th e   r ules  ca n  be  ge ner at e d  to   re pr esent  a  base   to   cl assify   as  a   ne gative   and   posit ive  cl assifi er,  as  wel l  as  extract  the   ru le s  from   the   non - pru ne d  tr ee.  I ns te ad ,   or der   t he  r ules,  s ub s et   ru le s  are  or dered  (class  orde r ing)  an d  com pu te   the  descr i pt ion   le ng t h  of   each  subset,  w her e  the  cl asse s  that  hav e  sm all  le ng th  giv e n  a  high  pri ori ty .  PAR T  is  easy   to  gen e rated  r ule,   there fore,  th e  syst e m   gen erat e s   430  ru le s  from   the  m entioned  dataset  which  giv e s pow e r  t o  the   syst e m  to  cl assify  n e w  insta nc e s   ra pid ly .    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   29 7 8   -   298 5   2982   The  perfo rm ance s   of  D T  a nd  the  ra ndom   tree  wer e   quit e  good,   DT   has   ba sed  on  in form at ion   the ory ,   therefo re,  with   this  hu ge  num ber  o f  at trib ute s   an d  dif fer e nt  cl ass e s  wit h  va rio us   in sta nce ,  it   is  m or e  co m plex   to  cal culat e  the  gain   perfect ly   in  order   t o  s plit   the  inst anc es.   Com par iso n  with  t he  ot he r  cl assifi ers,   t he   SMO  had  go od  pe rfor m ance ,  wh e r e,  SMO   is  resil ie nt  to  the   ove rf it ti ng   dataset   beca us e  it   depends  on  only   a   sm all  nu m ber   of  points  in  the  dataset .  Wh e reas  the  syst e m   giv es  bad   pe rfo r m ance  wh e n  usi ng   naï ve  Ba y es  and  Ba ye s  net  cl assifi ers,   wh e re   t he   Naï ve  Ba ye s  cl assifi er  is  no t  updatable  because   the  es tim a tor  val ue  chose n  base d  on  a nal yz ing   trai ni ng  set .  Naïve  net  cl assifi er  us i ng  di ff e ren t  ty pe s  of  searc h  al gorithm s  and   qu al it y  m easur es,  so,  with s uc h  a  hu ge d at aset  the  s yst e m  g ives we akn e ss  perfor m ance.     Me an  Absol ute  Erro r  (M AE)  are  cal culat e d  f or  eac h  cl assif ie r  as  s how n  in   T able  1  to  m easur e   ho w   cl os e  pr e dicti on  is   to  even t ual  ou tc om es,  wh ic h  re pres ent  the  aver a ge   of   the  abs ol ute  err ors,  R el at iv e   Ab s olu te   E r ror   (RA E)   is  cal c ulate d  as   well   in  or der  to  m easur e   the   uncer ta inty   com par e  to  act ual  val ue s  an d  cl arify  the  rela ti ve  in  act ual  value  how   m uch   s p ace  dose  error   ta ke  up,  wh ic h  i s   r ep re sented  a s  per c entage.   These  m easur e m ents  ind ic at e  that  the  SMO   cl assifi e r  ha s  the   highest  RAE  that  the  re st  cl assifi ers,   wh ic h   exp la in   ho w  th is  cl assifi er  ch oo s es  on ly   the  sm a ll   sa m ples  of   t he  dataset   to  create   sup port  vecto rs.  T he   RA E   rati o  is al s o hig h becau se it  h a nd le s  the att ri bute s  of  t he data set  ind e pe nd e nt ly .        Table  1.   Me as ur em ent o f  the   perform ance o f  the classi fie rs   Clas sıf ıers   Accurac y  ( %)   Mean Abs o lu te E rr o r   Relativ e Abs o lu te E rr o r  ( %)   Seq u en tial M in i m a l Opti m iz atio n  ( S MO)   7 2 .39   0 .03   9 8 .01   Naïv e Bay es   5 1 .06 5   0 .02   5 0 .61   Decisıo n Tr ee  (J4 8 )   7 5 .27   0 .01   2 7 .73   Ran d o m   Tr ee   7 2 .77   0 .01   2 7 .80   Ru le ( PART )   7 6 .75   0 .01   2 5 .20   Bayes N et   6 8 .15   0 .03   3 4 .20       5 . 1.     Discre tized filter   Fo r  tra nsfo rm i ng   nu m erıcal   values  of   al l  at trıbu te s  into  cat e gorical   counter par t  a  discreti z e  filt er  has   been   us e d,   where,  the  values  hav e  usual ly   discreti zed  in  m od el in g  m et ho d  base d  n  fr e quencies  ta bles ,   wh ic h  m ay   i m pr ov e  t he  perform ance  of  the   syst e m   an d  accu rac y  of  the  predi ct ion   m od el .  T his  filt er  is   a  t oo l  t o  reduce  no n - li ne arit y  and   noise   as  well ,  therefore  it   con s idere d  to  ident ify   the  ou tl ie rs  and   m issi ng   valu e     of   at trib utes.   T he  pe rfor m ance  of   the  syst e m   is  increased  th rou gh   usi ng  th e  discreti ze  filter,   w her e ,  the  value s   of   the  at trib utes  conver te d  f ro m   con ti nu es   to  discrete  va lues,  this  is  cl early   visible  and   dem on strat ed  by     the  a ccu racy  ra ti o  m entioned   in  T a ble  2.  Th e refor e ,  this  filt er  can  be  c onsidere d  as  a  pre - processi ng   sta ge  f or   the  ra w  da ta ,  t his  data  pas se d  to   the  cl assi f ie rs  to  be  te st ed ,  t he  resu lt s  s howe d  this   filt er  is  s uitable   t o  s uc h  data  an d  ca pa ble  to  i ncr ease   the  perform ance  of  the  syst em   that  us in g  S MO,  Naive  Ba ye s,  an d  Naiv e  ne t   cl assifi ers.   on  the  c on t rar y,  t his  filt er  ef fect  ne gativel y  on  th e  syst e m   that  usi ng   decisi on  t ree  an d  ra ndom   tree   cl assifi er,  w he re  it   is  qu it e  diff ic ult  to  those   cl assifi ers  to  disti nguis h  a m on g  cl asses ,  because ,  al l  values   discreti zed  sim ultaneo us ly ,  a nd  the  case s  of  diff e re nt  cl asses  gro up e d  i nto   the   sam e  insta nce,  wh e re  it   usual ly   there  w ou l d be  m ixtur e  of da ta  f r om  sev eral  cl asses in eac h i nterv al .     Fr om   the  T abl e  2 ,   t he  re su lt s   ind ic at e  that  t he  SM O  cl assifi er  ac hieve d  hi gh est   recog niti on   acc ur acy   rate,  this   is du e   to  t he  m echani s m   of   t his  filt er,  w her e   it   m ax i m iz es  the  interde pe nd e nce bet ween  the v a riable s   value  an d  the c la ss labels,  m i nim iz e inf or m at ion  loss,  a nd   r edu ce  the  nu m ber   of  v al ues  a s co ntin uous   va riable   assum es  by  groupin g  them   i nto   a  nu m ber   of   i nterv al s  or  bin s ,  w hich  c orres ponds  to  the   natu re  of   SM O   cl assifi er for de al ing   with  dat a whic h  m ini m iz e the opti m izati on   of all  d at a.       Table  2   Me as urem ent o f  th e  pe rfor m ance of  the cla ssifie rs   us in g discreti z e filt er   Clas sıf ıers   Accurac y  ( %)   Mean Abs o lu te E rr o r   Relativ e Abs o lu te E rr o r  ( %)   Seq u en tial M in i m a l Opti m iz atio n  ( S MO)   9 1 .43   0 .03   9 8 .2   Naïv e Bay es   6 8 .64   0 .01   3 3 .42   Decisıo n Tr ee  (J4 8 )   6 9 .72   0 .01   3 4 .12   Ran d o m   Tr ee   6 3 .86   0 .01   3 7 .25   Ru le ( PART )   7 6 .75   0 .01   2 5 .20   Bayes N et   6 9 .53   0 .01   3 2 .39       5 . 2.     Res am ple fil ter      The  dataset   is  con sist in g  of  39   cl asses,  so m e  of   these  cl asses  hav e  ver y  fe wer   cl asses,  an d  accor dingly ,  th ey   are  con si dered  as  an  unbal anced   dataset .  Ther e f or e,  us i ng  the  Re sam ple  filt er  m ay   in crease  the  nu m ber   of  instances  of   th e  cl asses  has  f ew  instance s,  the  pro duced   da ta set   is  stron gl y  biased  in  te rm s   of  cl ass  fo r  w hich  only   a  few   s a m ples  are  ava il able.  Table  3  sh ows  that  ap ply  this  filt er  on   the  dataset   le ads  t o  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &   C om p  En g     IS S N: 20 88 - 8708       Hum an gait  re cogniti on usi ng  pr e pr oce ssin g and cl as sif ic ation t ech niqu es   ( Samer  K ais  Jameel )   29 83   i m pr ove  the  pe rfor m ance  of   the  cl assifi ers  wh e re  this  filt er  gi ves  them   the  powe r  to  r ecognize   the  c la sse s  eff ic ie ntly   by  gen e rati ng  instances  f or   m ino rity   cl asses  tha t  m ake  the  cl a sses  alm os t  balanced .  The  De ci sion  tree,  Ra ndom   tree   [ 43 ,  44 ] ,  and   P ART  cl assifi ers  are  res ults   of   m or e  accuracy  by  us i ng   this  filt er,  wh e re,   increasin g  t he  nu m ber s  of  ins ta nces  giv e  t he   cl assifi es  wi de   area  to   cal cul at ing   the   gai n  f or   buil ding  the   tree.   On   the  oth e r  side,  this  filt er  a dv e rsely   aff ect s  the  perform a nce  of  a  syst em   that  us ed  N aï ve  Ba ye s  and   Ba ye s   net  cl assifi ers  because   these  cl assifi ers  treat   the  data  ind ep end e ntly .  Furtherm or e ,  util iz ing   this  filt er  he lps  t o  decr ease  the  MAE a nd RA E for  all  classi fier s.       Table  3 .   Me as ur em ent all  classi fiers  perf orm ance u si ng  re sam ple  filt er   Clas sıf ıers   Accurac y  ( %)   Mean Abs o lu te E rr o r   Relativ e Abs o lu te E rr o r  ( %)     (SM O)   7 3 .21   0 .03   98 .01   Naïv e Bay es   5 1 .82   0 .02   4 9 .97   Decisıo n Tr ee (J4 8 )   8 4 .14   0 .00 1   17 .62   Ran d o m   Tr ee   8 5 .55   0 .00 9   1 4 .74   Ru le ( PART )   8 5 .73   0 .00 6   1 5 .88   Bayes N et   7 0 .55   0 .01   3 1 .04       5.3.   Spre ad s ub - s amp le   F ro m   T able  4  it   can  obser ve  that  the  accu ra ci es  we re  decre ased.   Wh e re,  thr ough  us in g  the  s pr e a d  su b - sam ple  filter,   ra ndom ly   un de rsam pling   the  m ajo rity   of   cl asses,  there f or e ,  the  nu m ber   of  instan ces  of   one   cl ass  is  bec omi ng   e qual   to  th e  num ber   of  in sta nces  of   a no ther .  T he  data  we  us e  are   un balance d  in sta nces   of   cl asses;   there f or e ,  em plo yi ng   this   filt er  go i ng  to  unde rsam pling   th e  m ajo rity   cl asses,  a nd  re du c e     the  ove rsam pl ing   cl asse s,  s o,   num ber   of   instances   be   the  sam e  as  the  fe we r  in sta nce  cl asses   causi ng   decr eas i ng  the   pe rfor m ance  of  the   syst em   due  t o  l os in g  a  lot   of  i ns ta nces  from   different  cl asse s  t o  be   balance d.   C on seq uen tl y,  balancin g  a  datas et   has  m any  cl asses  with  a   big  ga p  be tw een  the   num ber s  of  instances  a f fec t  neg at ively   on  the  eff ic ie ncy  of   the  syst em   p er form ance.  Obviously ,   us i ng   under - sam pling   on   the d at aset  i nclud e  m any cla sses,  need e d  t o  r edu ce  the  val ue s of MA E a nd RAE a s il lustr at ed  in  T able  4.       Table  4 .   Me as ur em ent o f  the   perform ance o f  the classi fie rs  us in g  S pread  s ub - sam ple   filt er   Clas sıf ıers   Accurac y  ( %)   Mean Abs o lu te E rr o r   Relativ e Abs o lu te E rr o r  ( %)   (SM O )   6 6 .36   0 .03   0 .13   Naïv e Bay es   5 1 .38   0 .02   0 .13   Decisıo n Tr ee (J4 8 )   6 8 .85   0 .01   0 .10   Ran d o m   Tr ee   6 6 .29   0 .01   0 .11   Ru le ( PART )   7 0 .06   0 .01   0 .10   Bayes N et   6 3 .47   0 .01   0 .11         6.   CONCL US I O N   Thro ugh  the  c on st ru ct io n  of   an  integ rated  s yst e m   witho ut  us in g  de script or s ,  to  disti ng uish   hu m an s   base d  on  a  set   of   points  obta ined  by  usi ng  a  Kinect  se nso r,   the   syst em   c an  ide ntify  the m   through  t heir  gait   des pite  the  diff ere nce  of  sp e eds,   di recti ons ,  ages ,  an d  ge nd e rs.   T he  res ults  ind ic at e  the  syst e m   that  us in g    the  disc reti zed  filt er  with   SM O  cl assifi er   gi ves  e xcell ent  pe rfor m ance  m or e  tha n  t he  rest,  w he re  giv es  91.3%   as r ec ogniti on  rate f or all  the  giv e n data .       REFERE NCE S     [1]   Ahm ed,   M.H.,   “ Kinec t - B ase d  Hum an  Gait   Rec o gnit ion  Us ing  Stat i c  and  D y n amic  Feat ure s , ”   Int e rnational   Journal  of  Computer  S cienc e   and  In formation  S ec urit y ,   v ol.   14 ,   no .   12 ,  p p.   425 ,   2016 .    [2]   Chowdhur y ,   S.   M.  A. ,   Pa twa r y ,   T .   W .   U. ,   and   R ahman,  R. ,   “ Hum an  rec ogni ti on  usin g  wire l ess  rout er   signal ,”   Doc tora l  dissert at ion ,   Br ac   Univ ersity ,   2 019 .   [3]   W ang,   K.,   Li u ,   L. ,   Le e ,   Y.,   Din g,   X.,   and   L in,   J . ,   “ Nons ta ndar d  Periodi c  Gai t  En erg y   Im age   for  Gait   Re cogn it io n   and  Dat a  Augm ent a ti on, ”   In   Chi nese   Conf ere nc e   on  Pa tt ern  Rec ognit ion  and   Co mputer  Vi sion   ( PR CV) ,   Springe r,   Cham ,   pp.   197 - 2 08,   Nov .   2019 .   [4]   Choi,   S.,   Kim ,   J . ,   Kim ,   W . ,   and   Kim ,   C. ,   “ Skele ton - base d  Ga it   Rec ognition  via  Robust  Fram e - le vel   Ma tc hing , ”   IEE E   Tr ansacti o ns on  Informatio n  Forensic s and   Sec urit y ,  vol. 14 ,   no.   10 ,   pp.   2577 - 2592 ,  2019 .   [5]   W ang,   Jin,  She,   Mar y ,   Nah ava nd i,   Saei d  and  Kou za ni ,   Abbas ,   “ A  rev ie w  of  vision - base d  gai t  re co gnit ion  m et hods  for  hum an  ide nti ficat ion , ”  in   DICT A  2010:  Proce ed ings  of  the   Digit al  Im age  Computing:   Techni ques  and   Appl ic a ti on ,   I EEE ,   Pis c atawa y ,   N.J.,   pp .   320 - 32 7 ,   2010 .    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   29 7 8   -   298 5   2984   [6]   Jam ee l,   S.K.  an d  Manz a,   R. R . ,   “ Color  i m age   segm ent at ion  us ing  wave let, ”   In t.   J .   Appl .   In form.  Syst.   ( IJA IS) ,    vol.   1 ,   no .   6 ,   pp . 1 - 4,   2012 .   [7]   Jam ee l,  S.,  “ Face   re cogni t ion  s ystem  using  PC A  and  DCT   in   HM M,”   Int .   J .   Ad v.   Re s.   Comput.   Comm un.   Eng ,    vol.   4 ,   no .   1 ,   pp . 13 - 18 ,   2015 .    [8]   Bashir  K.,   Xian g  T.   and  Gong   S.,   “ Gait   rec ogn it ion  without   su bje c t  coope r at io n, ”   Pat t ern  Rec ognit ion  Letters ,     vol.   31 ,   no .   13 ,   p p.   2052 - 2060 ,   2 010 .   [9]   W ang,   L.,  Ta n ,   T. ,   Ning ,   H.  an d  Hu,  W . ,   “ Silhoue tte  anal y sis - base d  gai t  r ec og nit ion  for  hum a n  ide nti f ic a ti on , ”     IEE E   transacti o ns on  pattern an aly sis and  mach i ne  in te l li gen ce ,   vol.   25 ,   no .   12 ,   p p.   1505 - 15[023] ,   2003 .   [10]   Kozlowski,   L.T .   and  J.E . ,   “ Cutt ing,   R ec ogni zing  the   sex  of  a  walke r  fro m   a  d y n amic  poin t - li ght  displ a y , ”   Pe rce p ti on  &   P s yc hophysi cs ,  vo l .   21 ,   no .   6 ,   p p .   5 75 - 580 ,   1977 .   [11]   Cutt ing,   J . E.  an d  L. T .   Kozlows ki,   “ Rec ogni zi n g  frie nds  b y   their  walk:   Ga it   pe rce pt ion  without  famili ar ity   cu es, ”   Bul letin   of the   psyc honomic   soci e ty ,   vol .   9 ,   no .   5 ,   p p .   353 - 356 ,   19 77 .   [12]   J.  Perr y   and   Other s,   “ Gait  an aly s is:  n orm al   and  pat ho logica l  func t ion,”   Jo urnal  of  P edi at ric  Or thopae di c s ,    vol.   12 ,   no .   6 ,  pp .   815 ,   1992 .   [13]   M.  P.  Murra y ,   “ Gait   as  a  total   pat t ern   of  m ovement, ”   Ame ric an  Journal  of  P hysic al  M edi c in e ,  vol .   46 ,   no .   1 ,    pp.   290 ,   1967 .   [14]   D.   A.  W inter ,   “ Biom ec hanics  a nd  m otor  control   of  hum an  g ai t , ”   Norm al  El derl y   and  P atho logi ca l ,   pp .   143 ,   1991 .   [15]   Z.   Li u  and  S.   Sarka r,   “ Eff e ct   of   silhoue t te  quali t y   on  h a rd  prob le m s  in  Gai t  re c ognit ion,”   I EE E   transacti onson   systems,  man,  a nd  cy berne t ic s ,   Part  B ,   C y ber n e ti cs :  a  publicati on  of  the   IEE E   Sy stems ,   Man,   and  Cy b ern e ti c s   Socie t y ,   vol .   35 ,   no.   2 ,  pp .   170 - 1 83,   Apr.   2005.   [16]   M.  Ni xon,   “ Ne w  Advanc e s  in  Autom at ic   Gait   Rec ognition, ”   Information  Sec uri ty   Techni ca l  Repor t ,  vol.   7,   no.   4 ,    pp.   23 - 35 ,   De c.  2002.   [17]   J.  Cutt ing ,   D.   Proffitt,  and   L .   Ko zl ows ki,   “ A  bio m ec hani c a l  invariant   for  ga it   p er ce pt ion, ”   Journa l  of  Ex p erime nta l  Psyc holog y:   Hu man P erc ep ti on   and  Pe rform anc e ,  vo l.  4 ,   no.   3 ,   p p.   357 – 372 ,   197 8.   [18]   J.  Cutt ing  and  L .   Kozlowski,   “ Rec ogni zi ng  fri en ds  by   the ir  wa lk :  gai t  per c ep ti on   without   famili a rity   cue s, ”   Bull.   Psyc honometri c Soc. ,   vol .   9 ,   no .   5 ,   pp .   353 – 356 ,   1977.   [19]   L.   Kozlowski  and  J.  Cutt ing,   “ Rec ognizing  the   sex  of  a  walke r  from   a  d y namic  poi nt - li ght  displ a y , ”   Pe rce pti on  and   Psyc hophysi cs,   vol.   21 ,   no .   6 ,   pp .   575 – 580 ,   1977 .   [20]   A.  F.  Bobi ck  a nd  A.  Y.   Johns on,   "G ai t   re cog nit ion  using   static,  activit y - spec i fic   p ara m eters,"   in  Pro ce ed ings     of  th e   2001  I EE E   Computer   Society  Conf e renc e  on   Computer   V ision  a nd  Pat t ern  R e cogni ti on ,  vo l.   1 ,    pp.   I - 423 - I - 430 ,   2001 .   [21]   N.  Goddar d,   “ The  Pe rc ept ion  o f   Arti cul a te d  Mot ion:  Recogni zin g  Mov ing  Light  Displays ,”  PhD   the sis,  Univer si t y   of  Roche st er,  19 92.   [22]   C.   Bregler  and   J.  Mali k ,   “ Tr ac king  p eople  w it h  twists  and   expone nt ial  m aps, ”   In   Proc.  of  IEEE  CV PR ,     pp.   8 - 15 ,   1998 .   [23]   D.  DiFranc o,   T.  Cham,  and  J.  Rehg ,   “ Rec ov er y   of  3D  a rticulated   m oti on  from   2d  cor responde nce s,”   Technica l   report,   Compaq  Cambr idge   Re se arch  Lab ,   p p .   71 - 73,   1999 .   [24]   H.  Sidenbladh,   M.  Black,   and  D.  Fleet ,   “ Stoch asti c  tracki ng  of   3d  hum an  figu res  u sing  2D  i m age   m oti on, ”   In  European  Conf e renc e  on   Compu te r V ision  ( ECCV ) ,   vol .   2,   p p.   70 2 – 718 ,   2000 .   [25]   R.   Cutl er  and   L.  Davis ,   “ R obust  real - ti m e   per iodic  m otion  detec t ion,   a naly s is,  and  ap pli c at ions, ”   IE E E  Tr ansacti ons on Patt ern   Analysis and  Mac h ine In te lligen ce ,  vol .   2 2,   no .   8 ,   pp .   781 - 796,   2000 .   [26]   R.   Polan a and  R .   Nelson,   “ Dete c t ing  a ct iv it i es, ”   I n  CVPR ,   1993.   [27]   J.  Littl e and  J.   B o y d ,   “ Rec ogn iz i ng  people  b y   their  ga it :   Th e  shap e  of  m oti on ,”   V i dere ,  vo l.  1 ,   no.   2 ,   1998 .   [28]   M.  Nixon,   J.  C a rte r,  J.  Nash,  P.   Huang,   D.  Cun ado,   and  S.  Ste vena ge ,   “ Autom at i c  gait  re cognition,”   In   Mot ion   Anal ysis  and   Tr ack ing   ( Re f. No.  1999/103) ,   IEE  Coll oquium  o n ,   p p.   3/1 – 3 /6, 199 9.   [29]   J.  S hutl er,   M.  N i xon,   and  C.   H arr is,   “ Stat isti ca l  g a it   r e cogni t ion  vi a  vel o ci t y   m om ent s,”   In  V isual  B iomet rics,   I EE E ,  p p.   10/1 – 10 /5, 2 000.   [30]   J.  Littl e  and  J.   Bo y d ,   “ Rec ogn iz i ng  people  b y   their  ga it :   The  shap e  of  m oti on , ”   Videre:  Journal   of   Computer  Vi sio n   Re search ,  vol .   1 ,   no.   2 ,   1998.   [31]   Ca y ci,  A. ,   Ei b e,  S.,   Mena sa lva s,  E.   and  Sa y gin ,   Y.,   “ Ba y esi an  n et works   to  pre d i ct   da ta   m ini ng   a lgori thm  beha v i or   in  ubiqui tous  c om puti ng  envi r onm ent s,”   In   An aly sis  of  Soci al   Me dia  and  Ubiquit ous  Data ,   Springer,   Berlin ,   Heide lb erg ,   pp.   119 - 141,   2010 .   [32]   Sharm a,   H.,   Aa kash,   A.,   and   Aggarwal ,   A .   G.,   “ A  Supervised  Guest  Sati sfac tion  Cla ss ifi cation   with  Revi ew  T ex t   and  Ra ti ngs, ”  In   Data  Scienc e ,   C RC Pre ss ,   pp.   26 7 - 284 ,  2019 .   [33]   Murali dhar an,   V .   and  Sugum aran,  V.,   “ A  compa rat iv e  stud y   of  Naïve   Ba y es   cla ss ifi er  and  B a y e s  net   class ifi er  f or  fau lt  dia gnosis  of  m onobloc k  c ent rifug al   pum p   using  wave le t   ana l y s is, ”   Appl i e d  Soft   Comput in g ,   vol .   12 ,   no .   8 ,    pp.   2023 - 2029 ,   2012.   [34]   Maji dpour,   J .   an d  Jam ee l,   S.K . ,   “ Autom at ic   ima ge  annotati on   ba se  on  Naïve   B a y es  and  Dec isio n  Tre e   class ifi er s   using  MP EG - 7, ”  In   2019  5th  Confe renc e  on  Knowle dge  Bas ed  Engi ne ering   and  Innov a ti o n  ( KBE I) ,   IEE E,     pp.   007 - 012 ,   20 19 .   [35]   Pati l,   T. R .   and  Shere kar ,   S.S. ,   “ Perform anc e  ana l y s is  of  Naive   Ba y es  and  J48  cl assificat ion  al gorit hm   for  data   cl assifi ca t ion,”   I nte rnational   jou rnal  of compute r   scie n ce and  app li cations ,   vo l.  6,   no.   2 ,   pp .   256 - 2 61,   2013 .   [36]     Kale em,  A. ,   an d   Prabha ,   I.  S.,  “ Boosting  of  Urb an  Sound  Cla ss i fic a ti on   using   Preproc essing  Tec hnique s,”   Journ al  of  Ad vanc ed   R ese arch  in   Dynami c  and  Con trol  S y stems ,   vol .   11(0 5 - Speci a l  Iss ue) ,   pp.   2293 - 2304 ,  2019 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &   C om p  En g     IS S N: 20 88 - 8708       Hum an gait  re cogniti on usi ng  pr e pr oce ssin g and cl as sif ic ation t ech niqu es   ( Samer  K ais  Jameel )   2985   [37]   Parsania ,   V. ,   Bh al odi y a ,   N.  and  Jani ,   N.N. ,   “ Ap pl y ing  Naïve   ba y es ,   Ba y esNet ,   PA RT,   JRip  and  OneR  Algorit hm s  on  H y poth y roid   Data base   fo r  C om par at ive   Ana l y sis,  I nte rnat io nal  Journal  of  Dar shan  Instit ute   on  Engi n ee rin g  Re search  &   E merging  Technol og ie s,   vo l. 3, no .   1,   2014.   [38]   [Online ] .   Avai lable:  htt p :/ /www . stat . b erk ele y . edu /users/bre iman/ RandomF ore sts/   [39]   W endl ,   C . ,   “ Novelty   D et e ction   in  Convo lut ion al   Neur al  Netw orks  Us ing  Densit y   Forests   (No .   STUD ENT) , ”    SIE  Master   Proj ec t ,  EP FL ,  2018.     [40]   Zha o,   Y.  and  Z hang,   Y. ,   “ Com par ison  of  d ec is ion  tree  m et hod s  for  findi ng   act ive   obj ects,”   Ad vanc es  in  Spac e   Re search,   vol .   4 1,   no .   12 ,   pp .   19 55 - 1959,   2008 .   [41]   Plat t, J. ,   “ Seque nti al m ini m al   op ti m iz ation:   A fa s t  a lgori thm for   tr ai ning   support  v ec tor   m ac hin es, ”   1998.   [42]   Fata m a,   A.  Z . ,   Haque ,   A. ,   and   Khan,   M.  A.  “ A  Multi   Feat ure   Based  Island ing  Cla ss ifi c at io n  Te chni qu e  fo r   Distribut ed   Gen era t ion  S y s te m s,”   In   2019   Int ernati onal  Con fe re nce   on   Mac h ine  Learning,   Bi g   Data,   Cloud   an d  Parall el Comput ing  ( COMIT Con ) ,   IEE E ,   pp .   160 - 166,   Feb .   2019 .     [43]   Toppi red d y ,   H.  K.  R. ,   Saini,  B. ,   and   Hada ,   P.  S. ,   “ Aca demic  Enhance m ent   S y st em  using  EDM  Ap proa ch,”  In  2019   Sec ond  In te rnat ional   Conf ere n ce   on  Adv an ced  Computati on al  and  Comm unic ati on   Paradi gms   ( ICACCP ),     IEE E ,   pp . 1 - 10 ,   Feb .   2019 .   [44]   Ho,  T. K. ,   “ Random  dec ision  fore sts,”   In   Procee dings  of  3rd  int ernati onal  con fer enc e  on  docum ent   analy sis  an d   rec ognit ion ,   IEEE,   vo l .   1,   pp.   27 8 - 282,   Aug .   199 5.       Evaluation Warning : The document was created with Spire.PDF for Python.