CN103186792A - 一种基于优化的c-支持向量分类机的步态识别方法 - Google Patents

Abstract

本发明涉及一种基于优化的C-支持向量分类机的步态识别方法，其主要内容有：①采集并保存站立、行走、跳跃和上楼梯这4种步态的足底压力数据，并将其上传至计算机保存成测试组和训练组；③利用MATLAB软件及LIBSVM工具箱编写基于C-支持向量分类机模型的步态识别算法，在该C-支持向量分类机模型中选取高斯径向基函数作为核函数并采用遗传算法对算法中的惩罚参数C和核函数参数γ进行优化；④利用训练组对③中的步态识别算法进行训练；⑤利用测试组对④中训练好的步态识别算法进行测试，测试其分类准确率，并得出步态识别结果。

Description

一种基于优化的C-支持向量分类机的步态识别方法

技术领域

本发明涉及步态模式识别领域，尤其是一种基于优化的C-支持向量分类机的步态识别方法。 

背景技术

步态的基本定义为：“A particular way or manner of moving on foot”，即足部运动的特定方式。因此，步态识别作为一种新的基于生物特征的身份识别技术，其主要作用是根据人的走路姿态来识别个人身份。早期的医学研究也表明人的步态具有24种不同的成分，如果把这24种成分都充分加以考虑，则可认为人的步态具有唯一性，它是人所具有的一种与生俱来的独特的生物特征，尽管步态分析在医学、心理学等诸多领域有着长期的研究，如通过检查步态异常，暗示人体可能隐藏的某种疾病等。但使步态作为一种生物特征用于人的身份识别与认证却是新兴的研究课题，它是伴随着计算机视觉和模式识别的发展而出现的。 

目前，在申请公开或已审定授权的专利中应用于步态识别技术的主要算法有：中国专利CN101571918A中的基于最优轴投影特征的步态识别方法；中国专利CN101241551A中的基于切向量的步态识别方法；中国专利CN101571924A中的一种多区域特征融合的步态识别方法；中国专利CN101488185A中的基于分块矩阵的步态识别方法和中国专利102122354A中的基于自适应特征块选择的步态识别方法等。 

发明内容

鉴于以上背景技术，本发明目的在于提供一种基于优化的C-支持向量分类机的步态识别方法，能够准确地对站立、行走、跳跃和上楼梯4种步态进行识别与分类。 

为实现上述目的，本发明采取以下技术方案： 

①采集并保存站立、行走、跳跃和上楼梯这4种步态的足底压力数据，每种步态采集1000组数据； 

②从每种步态的1000组数据中随机挑选200组数据组成一个拥有800组数据的训练组；随机挑选100组组成一个拥有400组数据的测试组； 

③利用MATLAB软件及LIBSVM工具箱编写一种基于支持向量机中C-支持向量分类机模型的步态识别算法； 

④利用训练组对③中的步态识别算法进行训练； 

⑤利用测试组对④中训练好的步态识别算法进行测试，测试其分类准确率，并得出步态识别结果。 

步骤③中的一种基于支持向量机中C-支持向量分类机模型的步态识别算法包括以下步骤： 

a.选择高斯径向基核函数：exp(-‖x_i-x_j‖²/2γ²)作为C-支持向量分类机模型：  $\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_{j}K(x_i,x_j){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m$ 中的核函数，构成该步态识别算法模型： 

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_j\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m;$

b.选择合适的惩罚参数C＞0和高斯径向基核函数参数γ代入该步态识别算法模型； 

c.利用训练组训练该步态识别算法模型得到特征向量

d.选取在[0，C]范围内的α^*，并计算得到 $b^{*}=y_j-\mathrm{\Σ}{\mathrm{\α}}_i^{*}{y}_i\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2);$

e.构造决策函数f(x)＝sgn(g(x))，其中 $g\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right)+b^{*}.$

步骤b中的惩罚参数C和算法模型中的高斯径向基核函数中的参数γ的优化选择均采用遗传算法；该遗传算法包括以下步骤： 

(I)定义种群大小为20；迭代次数为100；个体选择概率为0.9；交叉重组概率为0.7；变异概率为0.025； 

(II)定义初始种群并采用二进制编码； 

(III)采用基于排序的适应度分配和随机遍历抽样法从初始种群中选择父代种群； 

(IV)父代种群以交叉重组概率进行二进制交叉获得子代种群； 

(V)父代种群以变异概率进行变异获得子代种群； 

(VI)判断子代种群是否满足适应度条件或终止条件；其中适应度函数为C-支持向量分类机模型对训练组的分类准确率； 

(VII)如果满足(VI)中适应度条件或终止条件，则已达到最优化，从中得出最优惩罚参数C和最优参数γ，否则以子代种群作为父代种群返回(IV)。 

本发明所述的一种基于优化的C-支持向量分类机的步态识别方法提出了一种新型的步态识别方法，其特点在于：能够采集到的足底压力数据对该步态识别方法进行优化、训练，同时可以实现站立、行走、跳跃和上楼梯4种步态的识别。 

附图说明

图1是本发明一只脚的足底压力传感器位置分布图； 

图2是本发明足底压力采集系统系统板的电路原理图； 

图3是本发明数据采集、转换和上传的控制程序流程图； 

图4是本发明数据接收和保存的控制程序流程图； 

图5是本发明步态识别算法优化、训练和测试的主流程图； 

图6是本发明优化算法——遗传算法流程图。 

图1中标号说明： 

1.大脚趾2.第四趾骨3.脚中部4.脚后跟 

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。 

一种基于优化的C-支持向量分类机的步态识别方法，采用支持向量机算法中的C-支持向量分类机进行四种步态(站立、行走、跳跃和上楼梯)的识别；具体实施方案包括以下内容及步骤： 

(1)制作一双用于安装足底压力传感器的凉鞋； 

(2)通过由AVR单片机、传感器线性补偿电路及稳压滤波电路组成的系统板和(1)中的凉鞋集足底压力数据并利用AVR单片机中的数模转换模块和编写好的控制程序将采集到的模拟信号转变成数字压力信号； 

(3)利用型号为XL105-232的无线串口数据传输模块及步骤(2)中的控制程序将数字压力信号上传至计算机中； 

(4)计算机接收来自(3)的数字压力信号并将其保存，利用MATLAB软件及LIBSVM工具箱编写步态识别算法程序并将保存的足底压力数据应用于该算法程序进行算法模型的训练及步态识别仿真，并得出步态识别结果。 

上述步骤(1)中的安装有传感器的采集凉鞋的制作包含以下步骤： 

①每个足底分别通过采用4个由Interlink Electronics公司提供的Force Sensing玉力传感器系列中的No.402型传感器采集足底压力模拟信号值； 

②将两只脚共8个传感器分别按照图1将传感器粘贴在一双鞋垫相应位置处； 

③将鞋垫粘贴在与鞋垫大小相同的凉鞋上构成足底压力信号采集装置。 

上述步骤(2)中的系统板包括以下内容，其中系统板电路图如图2所示： 

①AVR单片机采用ATmega16型单片机； 

②在传感器的线性补偿电路中，线性补偿电阻采用10千欧的定值电阻； 

③系统稳压滤波电路采用L7805CV稳压芯片作为+5V电压的稳压输出；采用一个10uF和一个100uF电容为输出电压滤波。 

上述步骤(2)中的控制程序的编写包括以下步骤，其中控制程序流程图如图3(a)所示： 

①利用CodeVisionAVR软件及C语言进行程序的编写； 

②初始化ATmega16单片机的数模转换器——ADC，开启ATmega16单片机的全局中断及ADC中断，开启数模转换； 

③编写数据上传子程序； 

④判断是否触发ADC中断； 

⑤如果触发ADC中断，则进入中断，将位于这个数模转换通道上的传感器采集到的模拟压力信号转 换成数字压力信号并调入数据上传子程序将数据上传至计算机然后开启下一个数模转换通道并返回④；如果没有触发ADC中断，则直接返回步骤④。 

上述步骤③中的数据上传子程序的编写包括以下步骤，其数据上传子程序流程图如图3(b)所示： 

a.判断ATmega16单片机中的缓存寄存器BUFFER是否为空； 

b.如果BUFFER为空，则将足底压力数字信号上传至计算机；否则，返回步骤a。 

上述步骤(4)中接收并保存数据的控制程序包括以下步骤，其中接收保存数据的控制程序流程图如图4所示： 

①利用Microsoft Visual C++6.0软件中的MFC应用程序和ActiveX控件中的Microsoft Communications Control，version6.0创建上位机串口接收数据可视化程序； 

②编写相应程序将计算机串口打开，并开始接收来自XL105-232的足底压力数据； 

③将传至计算机的8个足底压力传感器采集到的数据依此保存到一个1000行8列的数组中，即保存1000组数据； 

④判断是否已经保存到1000组数据； 

⑤如果已经保存到1000组数据，则将这1000组足底压力数据一并写入文本文件中并停止接收数据；否则返回③。 

上述步骤(4)中利用MATLAB软件及LIBSVM工具箱编写步态识别算法程序并将保存的足底压力数据应用于该算法程序进行算法模型的训练及步态识别仿真包括以下步骤，其流程图如图5所示： 

①从每种步态的1000组数据中随机挑选200组数据组成一个拥有800组数据的训练组；随机挑选100组组成一个拥有400组数据的测试组； 

②利用MATLAB软件及LIBSVM工具箱编写一种基于支持向量机中C-支持向量分类机模型的步态识别算法； 

③利用训练组对②中的步态识别算法进行训练； 

④利用测试组对③中训练好的步态识别算法进行测试，测试其分类准确率，并得出步态识别结果。 

上述步骤③中的一种基于支持向量机中C-支持向量分类机模型的步态识别算法包括以下步骤： 

a.选择高斯径向基核函数：exp(-‖x_i-x_j‖²/2γ²)作为C-支持向量分类机模型：  $\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_{j}K(x_i,x_j){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\·{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m$ 中的核函数，其中(x_i，y_i)为训练样本，构成该步态识别算法模型： 

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_j\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m;$

b.选择合适的惩罚参数C＞0和高斯径向基核函数参数γ代入该步态识别算法模型； 

c.利用训练组训练该步态识别算法模型得到特征向量

d.选取在[0，C]范围内的α^*，并计算得到最优分类面参数 $b^{*}=y_j-\mathrm{\Σ}{\mathrm{\α}}_i^{*}{y}_i\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2);$

e.构造决策函数f(x)＝sgn(g(x))，其中 $g\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right)+b^{*}.$

上述步骤b.中的惩罚参数C和算法模型中的高斯径向基核函数中的参数γ的优化选择均采用遗传算法；该遗传算法包括以下步骤，其流程图如图6所示： 

(I)定义种群大小为20；迭代次数为100；个体选择概率为0.9；交叉重组概率为0.7；变异概率为0.025； 

(II)定义初始种群并采用二进制编码； 

(III)采用基于排序的适应度分配和随机遍历抽样法从初始种群中选择父代种群； 

(IV)父代种群以交叉重组概率进行二进制交叉获得子代种群； 

(V)父代种群以变异概率进行变异获得子代种群； 

(VI)判断子代种群是否满足适应度条件或终止条件；其中适应度函数为C-支持向量分类机模型对训练组的分类准确率； 

(VII)如果满足(VI)中适应度条件或终止条件，则已达到最优化，从中得出最优惩罚参数C和最优参数γ，否则以子代种群作为父代种群返回(IV)。 

上述步骤(III)中的基于排序的适应度分配采用线性排序计算个体的适应度：  $\mathrm{Fit}\left(\mathrm{Pos}\right)=2-\mathrm{SP}+\frac{2(\mathrm{SP}-1)(\mathrm{Pos}-1)}{N-1}\mathrm{SP}\∈\[\mathrm{1.0,2.0}\],$ 公式中N为种群大小，Pos为个体在种群中的序位，SP为选择压力；个体的选择概率采用Baker提出的计算公式：

其中1≤η⁺≤2，η^-＝2-η⁺，N为种群大小。 

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。 

Claims (5)

1.一种基于优化的C-支持向量分类机的步态识别方法，采用支持向量机算法中的C-支持向量分类机进行四种步态的识别，其中这四种步态包括：站立、行走、跳跃和上楼梯；整体包括以下步骤：

①采集并保存站立、行走、跳跃和上楼梯这4种步态的足底压力数据，每种步态采集1000组数据；

②从每种步态的1000组数据中随机挑选200组数据组成一个拥有800组数据的训练组；随机挑选100组组成一个拥有400组数据的测试组；

③利用MATLAB软件及LIBSVM工具箱编写一种基于支持向量机中C-支持向量分类机模型的步态识别算法；

④利用训练组对③中的步态识别算法进行训练；

⑤利用测试组对④中训练好的步态识别算法进行测试，测试其分类准确率，并得出步态识别结果。

2.根据权利要求1所述的一种基于优化的C-支持向量分类机的步态识别方法，其特征是在于：步骤③中的一种基于支持向量机中C-支持向量分类机模型的步态识别算法包括以下步骤：

a.选择高斯径向基核函数：exp(-‖x_i-x_j||²/2γ²)作为C-支持向量分类机模型： $\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_{j}K(x_i,x_j){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m$ 中的核函数，其中(x_i，y_i)为训练样本，构成该步态识别算法模型：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{y}_j\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right){\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j$ s.t. $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=1,...,m;$

b.选择合适的惩罚参数C＞0和高斯径向基核函数参数γ代入该步态识别算法模型；

c.利用训练组训练该步态识别算法模型得到特征向量

d.选取在[0，C]范围内的

并计算得到最优分类面参数 $b^{*}=y_j-\mathrm{\Σ}{\mathrm{\α}}_i^{*}{y}_i\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2);$

e.构造决策函数f(x)＝sgn(g(x))，其中 $g\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}\left(\exp (-||x_i-x_j|{|}^2/2{\mathrm{\γ}}^2)\right)+b^{*}.$

3.根据权利要求2所述的一种基于优化的C-支持向量分类机的步态识别方法，其特征是在于：步骤b中的惩罚参数C和算法模型中的高斯径向基核函数中的参数γ的优化选择均采用遗传算法；该遗传算法包括以下步骤：

(I)定义种群大小为20；迭代次数为100；个体选择概率为0.9；交叉重组概率为0.7；变异概率为0.025；

(II)定义初始种群并采用二进制编码；

(III)采用基于排序的适应度分配和随机遍历抽样法从初始种群中选择父代种群；

(IV)父代种群以交叉重组概率进行二进制交叉获得子代种群；

(V)父代种群以变异概率进行变异获得子代种群；

(VI)判断子代种群是否满足适应度条件或终止条件；其中适应度函数为C-支持向量分类机模型对训练组的分类准确率；

(VII)如果满足(VI)中适应度条件或终止条件，则已达到最优化，从中得出最优惩罚参数C和最优参数γ，否则以子代种群作为父代种群返回(IV)。

4.根据权利要求3所述的一种基于优化的C-支持向量分类机的步态识别方法，其特征是在于：步骤(III)中的基于排序的适应度分配采用线性排序计算个体的适应度：

SP∈[1.0，2.0]，其中N为种群大小，Pos为个体在种群中的序位，SP为选择压力；个体的选择概率采用Baker提出的计算公式：其中1≤η⁺≤2，η^-＝2-η⁺，N为种群大小。

5.一种基于优化的C-支持向量分类机步态识别系统，包括：一双安装有压力传感器的鞋子，其特征在于压力传感器分别布置在鞋子的四个位置，位于大拇趾、第四趾骨、脚中部和脚后跟处，所述压力传感器受压时产生足底压力信号；一个数据采集、发送电路，由单片机、稳压电路、传感器线性补偿电路及无线传感器模块组成，用以采集足底压力数据，并将所采集的足底压力数据由所述的无线传感器模块发送至计算机，并采用如权利要求1-4任一项所述方法进行步态识别。

Images