CN107016346A

CN107016346A - 步态身份识别方法及系统

Info

Publication number: CN107016346A
Application number: CN201710136803.3A
Authority: CN
Inventors: 陈益强; 于佃存; 彭晓晖; 焦帅; 李啸海; 钟习
Original assignee: Institute of Computing Technology of CAS
Current assignee: Institute of Computing Technology of CAS
Priority date: 2017-03-09
Filing date: 2017-03-09
Publication date: 2017-08-04

Abstract

本发明提供一种步态识别方法和系统，从由用户携带的智能终端获取的加速度数据中提取行为特征、位置特征和步态特征；利用预先训练好的行为识别模型根据所述行为特征来识别用户当前行为；利用预先训练好的位置识别模型根据所述位置特征和所识别的用户当前行为来识别所述智能终端的当前位置；利用预先训练好的步态识别模型根据所述步态特征、所识别的用户当前行为和所述智能终端的当前位置来识别用户的身份。该方法通过分层递进的识别方式提高了步态身份识别的准确率和鲁棒性，而且不需要对相关传感器摆放的位置与方向进行限制，很灵活且方便使用。

Description

步态身份识别方法及系统

技术领域

本发明属于人机交互、模式识别以及普适计算等领域，尤其涉及基于步态分析的身份识别方法。

背景技术

近年来随着智能终端设备特别是智能手机的普及，智能手机设备中用户隐私数据以及支付环境的安全性越来越引起我们的重视。传统的身份验证主要采用如密码、声音、指纹、虹膜或人脸等。这些方法相互配合能很好的保护用户的隐私信息，但是这一些方法都需要用户显式操作或者对设备与环境有特殊的要求。随着人机交互变得复杂，用户体验却在降低。智能手机中有很多APP为了提高用户体验而提供记住密码或自动登陆功能等，这又使得用户信息暴露在风险之下。如何在确保这些数据安全的同时，又能给用户提供友好便捷的交互方式已经成为越来越突出的问题。

步态作为一种新的身份识别与验证方式越来越受国内外研究人员的关注。基于步态的身份识别技术能够在非侵入的情况下对用户的身份进行识别，避免用户重复进行身份认证如输入密码、录入指纹以及人脸扫描等，提高了身份识别的隐蔽性，同时也提高了安全性。通过图像进行步态分析的方法已经很成熟，但是由于受到图像步态信息数据采集条件的约束，该技术的推广使用受到了严格的限制。利用加速度传感器和/或陀螺仪采集到的数据进行步态分析是典型的非侵入式步态分析方法。这些类型的传感器设备通常作为基础设备内嵌在智能手机中，所以通过智能手机来进行步态分析的方法能很方便地进行推广普及。然而现有的基于智能手机的步态身份识别的准确度受手机位置和摆放方向等因素的影响，例如，需要将手机放在特定的位置(例如腰部)；手机的摆放方向也受到约束等。这样都极大限制了步态身份识别在手机风险控制上的应用与发展，因而，合理有效的利用手机内的设备进行步态分析的具有重大意义。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新的步态身份识别方法。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种步态身份识别方法，包括：

步骤1)，从由用户携带的智能终端获取的加速度数据中提取与用户当前行为相关的行为特征、与所述智能终端所在的位置相关的位置特征和与用户步行姿态相关的步态特征；

步骤2)利用预先训练好的行为识别模型根据所述行为特征来识别用户当前行为；

步骤3)利用预先训练好的位置识别模型根据所述位置特征和所识别的用户当前行为来识别所述智能终端的当前位置；

步骤4)利用预先训练好的步态识别模型根据所述步态特征、所识别的用户当前行为和所述智能终端的当前位置来识别用户的身份。

在上述方法中，还可以包括离线训练所述行为识别模型、所述位置识别模型和所述步态识别模型的步骤，该步骤包括：

由所述智能终端采集当该智能终端位于志愿者身上的不同位置且参与者执行不同行为时的加速度数据；

从采集的加速度数据中提取与参与者当前行为相关的行为特征、与所述智能终端当前所在的位置相关的位置特征和与参与者步行姿态相关的步态特征，并给上述特征标注参与者当前的行为和智能终端的位置，其中所述步态特征还标注有参与者身份标识；

以经标注后的行为特征作为样本数据来训练所述行为识别模型；

以经标注后的位置特征和该位置特征对应的行为作为样本数据来训练所述位置识别模型；

以经标注后的步态特征和该步态特征对应的行为和位置作为样本数据来训练所述步态识别模型。

在上述方法中，还可以包括：

将步骤3)的识别结果及其相关的步态特征、用户当前的行为和智能终端的当前位置作为新的样本数据加入到用于训练所述步态识别模型的样本集中，以及

当该样本集中新增的样本数据达到设定的阈值时重新训练所述步态识别模型。

在上述方法中，所述行为识别模型和所述位置识别模型可以采用随机森林分类模型，所述步态识别模型可以采用在线顺序极限学习机。

在上述方法中，采集加速度数据时所述不同行为可以包括走路、跑步及其他行为，所述智能终端的不同位置可以包括在手中、在胸前以及裤口袋中。

又一方面，本发明提供了一种步态身份识别系统，包括：

特征提取单元，用于从由用户携带的智能终端获取的加速度数据中提取与用户当前行为相关的行为特征、与所述智能终端所在的位置相关的位置特征和与用户走路方式相关的步态特征；

行为识别单元，用于利用预先训练好的行为识别模型根据所述行为特征来识别用户当前行为；

位置识别单元，用于利用预先训练好的位置识别模型根据所述位置特征和所识别的用户当前行为来识别所述智能终端的当前位置；

步态识别单元，利用预先训练好的步态识别模型根据所述步态特征、所识别的用户当前行为和所述智能终端的当前位置来识别用户的身份。

在上述系统中，还可以包括训练单元，用于：

由所述智能终端采集当该智能终端位于参与者身上的不同位置且参与者执行不同行为时的加速度数据；

从加速度数据中提取与参与者当前行为相关的行为特征、与所述智能终端所在的位置相关的位置特征和与参与者走路方式相关的步态特征，并给上述特征标注参与者当前的行为和智能终端的位置，其中所述步态特征还标注有参与者身份标识；

以经标注后的位置特征作为样本数据来训练所述位置识别模型；

以经标注后的步态特征作为样本数据来训练所述步态识别模型。

在上述系统中，还可以包括模型更新单元：

将步态识别单元的识别结果及其相关的步态特征、用户当前的行为和智能终端的当前位置作为新的样本数据加入到用于训练所述步态识别模型的样本集中，以及

在上述系统中，所述行为识别模型和所述位置识别模型可以采用随机森林分类模型，所述步态识别模型可以采用在线顺序极限学习机。

在上述系统中，采集加速度数据时所述不同行为可包括走路、跑步及其他行为，所述智能终端的不同位置可包括在手中、在胸前以及裤口袋中。

与现有技术相比，本发明的优点在于：

采用分层递进的识别方式，先利用所采集的加速度数据对用户的行为进行预测，结合行为预测结果和采集的数据对智能终端的位置进行预测，再结合行为和位置预测结果及采集的数据中步态特征来识别用户的身份。该方法提高了步态身份识别的准确率和鲁棒性，而且不需要对相关传感器摆放的位置与方向进行限制，很灵活且方便使用。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明一个实施例的步态身份识别方法的流程示意图；

图2为根据本发明又一个实施例的步态身份识别方法的流程示意图；

图3为采用多种分类模型识别行为和位置的准确率对比示意图；

图4为采用多种分类模型的步态身份识别准确率对比示意图；

图5为根据本发明的步态身份识别方法与传统步态识别身份识别方法的对比示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

现有的通过加速度传感器或陀螺仪等设备进行步态分析的方法通常都需要将特有设备放在用户的固定位置，如固定在脚踝、膝盖、腰部或放在口袋里等，并保持特定的方向。例如，将陀螺仪固定在参与者/志愿者的脚踝处采集数据以进行步态分析，或将手机放在例如腰部的特定位置，手机的摆放方向也受到约束等，这些都极大限制了步态身份识别的应用与发展。

在本发明的一个实施例中，本文提出了一种新的步态身份识别方法，利用可穿戴智能终端(例如，手机、手表、手环等)内置的加速度传感器来采集加速度数据，然后先利用所采集的数据对用户的行为及所携带的智能终端的位置进行预测，再结合预测结果及加速度数据中包含的用户步态信息来识别用户的身份。这样既减小了步态身份识别方法对相关传感器摆放的位置与方向的依赖，又提高了识别的准确率及该识别方法的鲁棒性。该方法主要包括离线训练和在线识别两个阶段。下面以智能终端为智能手机来对该方法进行更详细的阐述。

利用智能手机内置的加速度传感器采集的加速度数据中的步态信息与采集该加速度数据时的用户行为和智能手机的位置有密切关联。通过对用户日常行为习惯的统计分析，用户行走的过程中智能手机绝大多数放在裤口袋或摆动的手中。由此为方便对模型训练过程的介绍，以3种用户行为(走路、跑步、其它)和3种智能手机位置(摆动的手中、固定在胸前、裤口袋)为例来进行示意性说明，但应理解在不同的场合和环境中可以根据需求来改变用户行为类别和位置类别，本文对此不进行任何限制。

在离线训练阶段，首先构建训练用的样本数据集合。例如可以通过请多个参与者/志愿者将智能手机放在各个不同的位置并执行上述各种行为来采集加速度数据。各志愿者分别将手机拿在手中、放在胸前和裤口袋中并分别执行走路、跑步或其他行为，在该过程中可以采集到多个加速度数据。然后，从所采集的各个加速度数据中提取与志愿者当前行为相关的行为特征、与智能手机所在的位置相关的位置特征和与志愿者走路方式相关的步态特征，并给上述特征标注上采集该加速度数据时志愿者的当前行为和智能终端的位置，其中步态特征还标注有相应志愿者的身份标识。其中，行为特征可包括从加速度数据提取的能很好地分辨用户行为的时域特征和频域特征，例如，谱峰位置、峰值、向量幅值、方差等特征。位置特征可包括从加速度数据提取的能很好地分辨智能终端位置的时域特征和频域特征，例如信号幅值面积、偏度、能量等特征。步态特征可包括从加速度数据提取的能很好地分辨用户步行姿态的时域特征和频域特征，例如，过零率、质心、方差、均值、四分卫据、能量、熵等特征。上述各类特征仅是举例说明而非进行任何限制，在其他实施例或环境中可以根据实际需求来调整或设置需要提取的行为特征、位置特征和步态特征。

接着，以标注好的行为特征作为样本数据来训练行为识别模型，该行为识别模型用来根据采集的加速度数据识别用户的当前行为。可以采用支持向量机、决策树、贝叶斯模型等作为行为识别模型。在本发明的优选实施例中，以随机森林作为行为识别模型来根据采集的加速度数据对用户的当前行为进行预测。以标注好的位置特征和其标注的行为作为样本数据来训练位置识别模型，该位置识别模型用来根据采集的加速度数据识别智能终端的当前位置。可以采用支持向量机、决策树、贝叶斯模型等作为位置识别模型。在本发明的优选实施例中，以随机森林(Random Forest,RF)作为位置识别模型来根据所采集的加速度数据对智能终端的当前位置进行预测。以标注有行为和位置以及身份标识的步态特征以及该步态特征对应的行为和位置作为样本数据来训练步态识别模型，该步态识别模型用来根据采集的加速度数据识别用户的身份。可以采用支持向量机、决策树、贝叶斯模型等作为步态识别模型。在本发明的优选实施例中，以在线顺序极限学习机(Online SequentialExtreme Learning Machine,OS-ELM)作为步态识别模型来根据所采集的加速度数据对用户身份进行预测。

在训练好上述行为识别模型、位置识别模型和步态识别模型之后，就可以进入在线识别阶段，根据通过智能手机中的加速度传感器实时采集的加速度数据来实时地识别用户的身份。

图1给出了根据本发明实施例的步态识别算法的流程示意图。如图1所示，该方法主要包括：从采集的加速度数据中提取与用户当前行为相关的行为特征、与所述智能终端所在的位置相关的位置特征和与用户步行姿态相关的步态特征；利用预先训练好的行为识别模型根据所提取的行为特征来识别用户当前行为；在得到行为识别模型的识别结果之后，利用预先训练好的位置识别模型根据所提取的位置特征和所识别的用户当前行为来识别智能终端的当前位置；在得到行为识别模型和位置识别模型的识别结果之后，利用预先训练好的步态识别模型根据所提取的步态特征、所识别的用户当前行为和智能终端的当前位置来识别用户的身份。

其中从当前采集的加速度数据中所提取的行为特征、位置特征和步态特征与上文离线训练阶段中训练行为识别模型、位置识别模型和步态识别模型所使用的行为特征、位置特征和步态特征相一致。

考虑到如果训练样本不全面或数量较少可能会导致识别不精确的问题，在优选的实施例中，该方法还包括定期在线更新识别模型以提高识别准确率的步骤。例如不断地将每次实时在线识别的结果(即用户身份)及其相关的步态特征、用户当前的行为和智能终端的当前位置作为新的样本数据加入到用于训练步态识别模型的样本集中，当该样本集中新增的样本数据达到设定的阈值时，可以利用该更新后的样本集来重新训练步态识别模型。然后利用重新训练的步态识别模型来如上文所讨论的根据所采集的加速度数据对用户身份进行预测。这样，经过实时样本数据的不断积累，所训练的步态识别模型的识别准确率也在不断提高。

图2给出了根据本发明又一个实施例的步态识别方法的流程示意图。其中为减小智能终端设备的负担，可以将离线模型训练过程放在云端的服务器上执行，在智能手机直接从云端服务器获取训练好的模型来进行在线识别。如图2所示，智能手机通过内置的加速度传感器采集到加速度数据之后，利用所采集的加速度数据依次经过行为识别模型、位置识别模型和步态识别模型(1，2，3)对用户的身份进行识别，如果识别结果与初始用户身份信息比对不一致，则进入第4.1步激活其它验证方式，直到验证通过(5.1)后则执行第6步将该用户的加速度数据和/或上述行为识别、位置识别和步态识别的结果上传云端，为模型更新提供基础的样本数据。当然，为节省带宽和时间，可以仅上次加速度数据，上述识别结果均可以从该加速度数据中得到。反之，如果步态识别模型的识别结果与初始用户身份信息比对一致，则用户身份验证通过，经第4.2和5.3步将采集的加速度数据和/或所识别的身份、行为和位置上传云端，作为新的样本数据加入到用于训练步态识别模型的样本集中，当该样本集中新增的样本数据达到设定的阈值时，可以利用该更新后的样本集来重新训练步态识别模型。然后将重新训练的步态识别模型更新至智能手机(7.3)。智能手机可以利用该更新后的步态识别模型来识别用户身份。当然也可以定期更新行为识别模型与位置识别模型(7.1、7.2)，但为降低计算复杂度，行为识别模型和位置识别模型的更新频度可以低于步态识别模型的更新频度。通过这样不断的在线增量更新可提高身份识别的准确率。

为进一步说明本发明的效果，发明人还进行了下面的实验。

在实验中，邀请了32名志愿者(21男11女)按照表1所述的用户行为与智能手机位置对照表，进行数据采集并完成步态身份识别与验证实验。32位志愿者分别完成“走路-摆动的手中”、“走路-固定在胸前”、“走路-裤口袋”、“跑步-摆动的手中”、“跑步-裤口袋”5种行为-位置组合，对于每种组合，使用智能手机内置的64HZ的加速度传感器采样频率采样进行3分钟，并以4秒为一个时间窗，每一个时间窗即为一个样本。每种情况共获得样本数为1440个。

表1用户行为与智能设备位置关系组合表

其中，对于行为识别模型和位置识别模型分别采样了常见的分类模型:随机森林(RandomForest，RF)、单类支持向量机(LibSVM)、J48、简单贝叶斯(NaiveBayes)、OS-LEM来进行实验。实验结果如图3所示，采用这些分类模型进行行为和位置识别的准确率总体上相差不是很大，但其中当使用随机森林RF模型时，行为和位置识别准确率相对较高，而且RF复杂度低，也方便在智能手机上的使用。

对于步态识别模型也分别采样了上述常见的分类模型来进行实验，并且针对每种分类模型，将直接从加速度数据提取步态特征来训练的步态识别模型(在图4中统称为“原模型”)与上文介绍的根据本发明实施例的、先预测行为和位置，再将预测结果结合步态特征来训练的步态模型(在图4中简称为“融合模型”)进行了对比实验，实验结果如图4所示。可以看出，无论使用哪种分类模型，根据本发明实施例的步态身份识别方法的准确率都高于原模型，并且当采用OS-ELM作为分类模型时，根据本发明实施例的步态身份识别方法的准确率相对更高。

此外，还进一步对根据本发明的步态身份识别方法与传统的预先设定采集设备的位置的步态身份识别方法(在图5中简称为传统模型)在相同的数据集进行了对比实验。在实验中用户在走路中可以将智能设备放在三个位置“摆动的手中”、“固定在胸前”、“裤口袋”，实验结果如图5所示。可以看出，传统的方法由于预先设定了设备放置的方式，因此当用户将手机拿在手中摆动时其识别的准确率较高，但当用户将手机放在胸前或裤口中时，其识别准确率会有明显下降。而根据本发明的步态身份识别方法，无论用户将智能设备放在这三个位置中的哪个位置，其识别准确率都不会受到太大影响。可见，根据本发明实施例的步态识别方法不仅识别准确率高，而且鲁棒性也高。

从上述实施例和实验结果可以看出，根据本发明实施例的步态身份识别方法采用了分层递进的识别方式，先利用所采集的加速度数据对用户的行为和智能终端的位置进行预测，再结合行为和位置预测结果及采集的数据中步态特征来识别用户的身份，因此改善了步态身份识别的准确率和鲁棒性，而且不需要对相关传感器摆放的位置与方向进行限制，很灵活且方便使用。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims

1.一种步态身份识别方法，包括：

2.根据权利要求1所述的方法，还包括离线训练所述行为识别模型、所述位置识别模型和所述步态识别模型的步骤，该步骤包括：

3.根据权利要求1所述的方法，还包括：

4.根据权利要求1-3中任一项所述的方法，其中所述行为识别模型和所述位置识别模型采用随机森林分类模型，所述步态识别模型采用在线顺序极限学习机。

5.根据权利要求2所述的方法，其中采集加速度数据时所述不同行为包括走路、跑步及其他行为，所述智能终端的不同位置包括在手中、在胸前以及裤口袋中。

6.一种步态身份识别系统，包括：

7.根据权利要求6所述的系统，还包括训练单元，用于：

8.根据权利要求7所述的系统，还包括模型更新单元：

9.根据权利要求6-8中任一项所述的系统，其中所述行为识别模型和所述位置识别模型采用随机森林分类模型，所述步态识别模型采用在线顺序极限学习机。

10.根据权利要求7所述的系统，其中采集加速度数据时所述不同行为包括走路、跑步及其他行为，所述智能终端的不同位置包括在手中、在胸前以及裤口袋中。