CN107506684B - 步态识别方法及装置 - Google Patents
步态识别方法及装置 Download PDFInfo
- Publication number
- CN107506684B CN107506684B CN201610416842.4A CN201610416842A CN107506684B CN 107506684 B CN107506684 B CN 107506684B CN 201610416842 A CN201610416842 A CN 201610416842A CN 107506684 B CN107506684 B CN 107506684B
- Authority
- CN
- China
- Prior art keywords
- gait
- model data
- acceleration
- information
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005021 gait Effects 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 90
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种步态识别方法及装置，其中，该方法包括：采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；判断所述步态模型数据和数据库中的预存模型数据是否匹配。通过本发明，解决了相关技术中进行步态识别时过于复杂问题。
Description
技术领域
本发明涉及通信领域，具体而言，涉及一种步态识别方法及装置。
背景技术
在身份识别领域，相关技术的众多的技术，如人脸识别、虹膜识别、声音识别等，而这些技术均存在被伪造的可能，在某些安全性较高的场所如银行、核电站、军事基地、重要安检口等，传统的技术已不能完全满足需求
步态识别作为一种新兴的生物特征识别技术,是根据人走路的姿势进行人的身份识别和认证,较之人脸识别、指纹识别等具有远距离、非接触、难伪装、难隐藏的特点
相关技术的步态识别是通过采集一段行走的视频图像序列，并提取特征步(主要提取的特征是人体每个关节的运动)人体三维生物运动学模型,但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难，未有成熟的商业应用系统。
针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种步态识别方法及装置，以至少解决相关技术中进行步态识别时过于复杂问题。
根据本发明的一个实施例，提供了一种步态识别方法，包括：采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；判断所述步态模型数据和数据库中的预存模型数据是否匹配。
可选地，采集指定对象在多种预定场景下运动时的步态数据包括：采用两个相邻且等长的时间窗对采集到的加速度信号进行均值滤波；计算两个上升交换点之间长窗波形与短窗波形的能量差值，并将所述能量差值与预设能量阈值进行比较；在所述能量差值大于所述预设能量阈值时，记录两个所述上升交换点对应的第一时间和第二时间，以及所述第一时间和所述第二时间的时间间隔，将所述时间间隔的倒数记录为所述步频信息。
可选地，采集指定对象在多种预定场景下运动时的步态数据包括：采集所述指定对象在预定场景下运动时的视频图像；对所述视频图像进行背景相减法处理，分别获取所述指定对象在所述第一时间和所述第二时间的第一图像和第二图像；分别计算所述第一图像和所述第二图像的轮廓质心位置，并将两个所述轮廓质心位置在水平方向的距离记录为所述步长信息。
可选地，通过所述指定对象的可穿戴设备获取所述第一时间和所述第二时间间隔内的第一加速度，以及根据所述步长信息和所述时间间隔计算所述指定对象在所述第一时间和所述第二时间间隔内的第二加速度，其中，初始速度为0；根据所述第一加速度和所述第二加速度得到所述加速度信息。
可选地，在所述预定场景包括至少三种的情况下，根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度计算得到所述指定对象的步态模型数据包括：通过以下公式计算所述指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为所述指定对象的步态模型数据。
可选地，判断所述步态模型数据和指纹库中的预存模型数据是否匹配包括：使用以下公式计算所述步态模型数据和预存模型数据的相似度W(SL1，SL2)：
其中，A1，B1，C1为所述步态模型数据，A2，B2，C2为所述预存模型数据；在所述相似度大于或等于预设阈值时，确定所述步态模型数据和指纹库中的所述预存模型数据匹配。
可选地，所述预定场景包括以下至少之一：快速运动场景、慢速运动场景、正常速度运动场景。
可选地，所述加速度信息包括加速度方差信息。
根据本发明的另一个实施例，提供了一种步态识别装置，包括：采集模块，用于采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；计算模块，用于根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；判断模块，用于判断所述步态模型数据和数据库中的预存模型数据是否匹配。
可选地，在所述预定场景包括至少三种的情况下，所述计算模块包括：第一计算单元，用于通过以下公式拟合计算所述指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为所述指定对象的步态模型数据。
可选地，所述判断模块还包括：第二计算单元，用于使用以下公式计算所述步态模型数据和预存模型数据的相似度W(SL1,SL2)：
其中，A1，B1，C1为所述步态模型数据，A2，B2，C2为所述预存模型数据；确定单元，用于在所述相似度大于或等于预设阈值时，确定所述步态模型数据和指纹库中的所述预存模型数据匹配。
根据本发明的又一个实施例，还提供了一种存储介质。该存储介质设置为存储用于执行以下步骤的程序代码：
采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；
根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；
判断所述步态模型数据和数据库中的预存模型数据是否匹配。
通过本发明，在进行步态识别时，首先采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息，再根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据，最后判断所述步态模型数据和数据库中的预存模型数据是否匹配由于步态数据中数据包括：步频信息、步长信息、和加速度信息，而运动时的加速度数据、步频数据、以及步长数据的结合，可代表独一无二的特征，相比相关技术中的三维生物运动学模型，基于步态数据的步态设别方法效率更高也更准确，因此，可以解决相关技术中进行步态识别时过于复杂问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的步态识别方法的流程图；
图2是根据本发明实施例的在根据本实施例的步频计算示意图；
图3是根据本发明实施例的在根据本实施例的步长计算示意图；
图4是根据本发明实施例的步态识别装置的结构框图；
图5是根据本发明实施例的步态识别装置的可选结构框图一；
图6是根据本发明实施例的步态识别装置的可选结构框图二；
图7为本发明实施例提出的一种加速度传感器和视频的步态识别示意图；
图8是根据本发明实施例的步态识别方法流程图；
图9是根据本发明实施例的指纹采集装置结构框图；
图10是根据本发明实施例的身份识别装置结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
在本实施例中提供了一种步态识别方法，图1是根据本发明实施例的步态识别方法的流程图，如图1所示，该流程包括如下步骤：
步骤S102，采集指定对象在多种预定场景下运动时的步态数据，其中，步态数据包括：步频信息、步长信息、和加速度信息；
步骤S104，根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度信息计算得到指定对象的步态模型数据；
步骤S106，判断步态模型数据和数据库中的预存模型数据是否匹配。
通过上述步骤，在进行步态识别时，首先采集指定对象在多种预定场景下运动时的步态数据，其中，步态数据包括：步频信息、步长信息、和加速度信息，再根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度信息计算得到指定对象的步态模型数据，最后判断步态模型数据和数据库中的预存模型数据是否匹配由于步态数据中数据包括：步频信息、步长信息、和加速度信息，而运动时的加速度数据、步频数据、以及步长数据的结合，可代表独一无二的特征，相比相关技术中的三维生物运动学模型，基于步态数据的步态设别方法效率更高也更准确，因此，可以解决相关技术中进行步态识别时过于复杂问题。
可选的，本实施例中的加速度信息可以但不限于为：加速度、加速度方差、加速度平均值等，为了提高计算结果的精确性，本实施例中以加速度方差为例进行说明。
可选地，上述步骤的执行主体可以为识别装置或识别系统等，可用在监控，安检，识别等场地或场景，但不限于此。
图2是根据本发明实施例的在根据本实施例的步频计算示意图，原始的加速度信号，短窗平均值波形，长窗平均值波形，交换点代表短窗波形值大于长窗波形值所对应的时刻，如图2所示，可选实施方式中，采集指定对象在多种预定场景下运动时的步态数据包括：
S11，采用两种不同的时间窗长度对采集到的加速度信号进行均值滤波，一个长窗(1秒)，一个短窗(0.2秒)；
S12，计算连续两个上升交换点之间长窗波形与短窗波形的能量差值，并将能量差值与预设能量阈值进行比较；
S13，在能量差值大于预设能量阈值时，记录两个上升交换点对应的第一时间和第二时间，以及第一时间和第二时间的时间间隔，将时间间隔的倒数记录为步频信息，第一时间和第二时间即代表用户的一个步态，同时记录第一时间和第二时间对应的原始加速度信号方差信息；
图3是根据本发明实施例的在根据本实施例的步长计算示意图，如图3所示，在根据本实施例的可选实施方式中，采集指定对象在多种预定场景下运动时的步态数据包括：
S21，采集指定对象在预定场景下运动时的视频图像；
S22，对视频图像进行背景相减法处理，分别获取指定对象在第一时间和第二时间的第一图像和第二图像；
S23，分别计算第一图像和第二图像的轮廓质心位置，并将两个轮廓质心位置在水平方向的距离记录为步长信息。
在根据本实施例的可选实施方式中，采集指定对象在多种预定场景下运动时的步态数据包括：
S31，通过指定对象的可穿戴设备获取第一时间和第二时间间隔内的第一加速度，以及根据步长信息和时间间隔计算指定对象在第一时间和第二时间间隔内的第二加速度，其中，初始速度为0；
S32，根据第一加速度和第二加速度得到加速度信息。
可选的，根据步长信息和时间间隔计算指定对象在第一时间和第二时间间隔内运动时的加速度序列数据、步频信息，其中，初始加速度为0；其中，序列数据可以从图2中的原始加速度信号曲线得到，步频信息可以从图中中的短窗平均值和长窗平均值的曲线得到，根据加速度序列数据和步频信息计算得到加速度信息。
可选的，在预定场景包括三种的情况下，根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度计算得到指定对象的步态模型数据包括：
通过以下公式计算指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为指定对象的步态模型数据。根据上述三元函数，可以计算出唯一的A、B、和C，(A、B、C)的组合即是得到的步态模型数据。此处是以三种场景进行说明，可选的，预定场景可以是：快速运动场景、慢速运动场景、正常速度运动场景，但是，本实施也可以是两种或超过三种场景，如果是只采集两种场景下的步态数据，可以选择快速运动场景和慢速运动场景(或其他组合)，在计算步态模型数据时，由于只有两组参数，因此可以只采集或者只选择两组步态数据，如选择SL和Freq，这样可以设计两元函数，计算出步态模型数据C、D。在一种特殊的情况下，为了提高步态模型数据的精确度，可以采用超过三种场景的数据，计算步态模型数据的方式与上述方法类似，都是采用最小二乘法进行估算。
可选的，判断步态模型数据和指纹库中的预存模型数据是否匹配包括：
S41，使用以下公式计算步态模型数据和预存模型数据的相似度W(SL1，SL2)：
其中，A1，B1，C1为步态模型数据，A2，B2，C2为预存模型数据；
S42，在相似度大于或等于预设阈值时，确定步态模型数据和指纹库中的预存模型数据匹配，可选的，预设阈值可以是99.5％。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种步态识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的步态识别装置的结构框图，如图4所示，该装置包括：
采集模块40，用于采集指定对象在多种预定场景下运动时的步态数据，其中，步态数据包括：步频信息、步长信息、和加速度信息；
计算模块42，用于根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度信息计算得到指定对象的步态模型数据；
判断模块44，用于判断步态模型数据和数据库中的预存模型数据是否匹配。
图5是根据本发明实施例的步态识别装置的可选结构框图一，如图5所示，该装置除包括图4所示的所有模块外，计算模块包括：
第一计算单元50，用于通过以下公式计算指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为指定对象的步态模型数据。
图6是根据本发明实施例的步态识别装置的可选结构框图二，如图6所示，该装置除包括图4所示的所有模块外，判断模块还包括：
第二计算单元60，用于使用以下公式计算步态模型数据和预存模型数据的相似度W(SL1，SL2)：
其中，A1，B1，C1为步态模型数据，A2，B2，C2为预存模型数据；
确定单元62，用于在相似度大于或等于预设阈值时，确定步态模型数据和指纹库中的预存模型数据匹配。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本实施例是根据本发明的可选实施例，用于对本申请进行详细具体的说明：
由于人体行走的加速度数据并结合步长数据，可代表用户独一无二的特征，相比传统的三维生物运动学模型，基于加速度与步长的步态设别方法效率更高也更准确。
本实施例提供了一种基于加速度传感器和视频的步态识方法及装置，在离线阶段通过获取佩戴在人体身上的惯性传感器获取加速度方差、步频，并通过摄像头的图像数据得到人体步长信息，在语音模块提示下，分别完成快速、慢速、正常速度三种步频下步态数据的采集，最后通过训练学习得到用户的二元一次步长模型。在身份识别阶段时以同样的方式采集人体的步态特征数据，得到新的步长模型，将用户的步长模型与指纹库中的步态指纹进行比较，若模型相似度较高且满足特定条件，则可认为是同一个人。
图7为本发明实施例提出的一种加速度传感器和视频的步态识别示意图；如图7所示，图8是根据本发明实施例的步态识别方法流程图，如图8所示，本实施例的方步骤包括：
步骤一：在狭长的直线通道(20-50米左右)上布置1台摄像头，用户佩戴具备微惯性传感器的智能终端(智能手机、智能手环)并进行直线行走；
步骤二：系统根据用户身上的智能终端采集步频数据并发出语音提示要求用户保持快速、慢速、正常三种速度行走，并采集行走过程中用户的步态数据(加速度方差与步频)，同时通过摄像头同步采集用户的步长数据；
步骤三：当用户完成3种不同的步频动作，语音系统提示步态数据采集结束，系统通过三种采集的加速度和步长数据，对步长模型训练得到用户的步长模型；
步骤四：在身份识别阶段，用户重复步骤一、二、三，当完成采集后系统通过相似度模型计算最相似的身份，若相似度高于设定阈值，则认为是同一个人，低于设定阈值，则可认为不是同一个人。
下面具体介绍各个参数和模型数据的计算方式，包括：
参照图2，行人行走时佩戴具有加速度传感器的智能终端，获取用户的加速度数据及加速度方差数据，计算用户的步频f：具体的步频计算方法为：如图2所示，采用两个不同的时间滑动平均窗对采集到的加速度信号进行均值滤波，根据人步行加速度的周期性变化，一个周期内长窗波形与短窗波形会有两个交点，通过计算两个上升交换点之间长窗波形与短窗波形的能量差值，并与预设能量阈值进行比较，大于阈值则计为一个步态，同时记录两个交换点的时间及时间间隔T2-T1，两次交换点时间间隔的倒数即为步频f。
参照图3，计算用户步长数据：在用户行走通道平行的方向布置一个摄像头，摄像头与用户行走方向保持垂直，视频采集和加速度数据采集在时间上保持同步，通过连续获取用户行走的视频，对视频图像进行背景相减法，获取步骤1中两个交换点时间点(T1及T2)的运动目标二值图像，并计算轮廓质心位置，两个质心的水平方向距离即为当前步态下的步长，取多个步态数据即可得到平均步长。
计算步态模型数据：语音提示模块根据用户的步频数据，发出语音提示，要求用户更换三种不同的步频，分为为快、中、慢的速度，当用户完成三种步频的行走，语音模块提示步态数据采集完毕，身份识别模块对采集到三种步频、加速度方差及对应的步长数据采用最小二乘法估算用户的步长模型，步长估算模型为：
SL＝A+B*Freq+C*Var
其中，SL为步长数据，Freq为步频数据，Var为加速度方差，A，B，C为最终计算得到的步态模型数据。
数据库匹配判断：将上述获取的步态模型数据与预先采集的步态指纹数据库中的指纹进行对比，寻找相似度最高的某条指纹，若该条步态指纹相似度大于设定的阈值99.5％,则认为该用户通过该次的步态识别检测，具体的，相似度计算公式如下:
SL1、A1，B1，C1为待识别的步态模型数据，SL2、A2，B2，C2为指纹库中某条步态指纹，W(SL1，SL2)为相似度，则
上述步骤中预先建立采集的步态指纹库具体可通过上述方法实现，指纹的格式为(ID，A，B，C)，ID代表用户标识，A，B，C为上述步骤中的步长模型参数。
图9是根据本发明实施例的数据库采集装置结构框图，如图9所示，包括：数据库采集模块305、步长计算模块301、加速度方差信息采集模块302、语音提示模块303、步长模型计算模块304。
图10是根据本发明实施例的身份识别装置结构框图，如图10所示，包括：步长计算模块301、加速度方差信息采集模块302、语音提示模块303、步长模型计算模块304、身份识别模块306。
实施例4
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，采集指定对象在多种预定场景下运动时的步态数据，其中，步态数据包括：步频信息、步长信息、和加速度信息；
S2，根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度信息计算得到指定对象的步态模型数据；
S3，判断步态模型数据和数据库中的预存模型数据是否匹配。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行采集指定对象在多种预定场景下运动时的步态数据，其中，步态数据包括：步频信息、步长信息、和加速度信息；
可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行根据指定对象在多种预定场景下的步频信息、步长信息、以及加速度信息计算得到指定对象的步态模型数据；
可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行判断步态模型数据和数据库中的预存模型数据是否匹配。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种步态识别方法，其特征在于，包括：
采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；
根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；
判断所述步态模型数据和数据库中的预存模型数据是否匹配；
其中，采集指定对象在多种预定场景下运动时的步态数据包括：
采用两种不同长度的时间窗对采集到的加速度信号进行均值滤波；
计算两个连续上升交换点之间长窗波形与短窗波形的能量差值，并将所述能量差值与预设能量阈值进行比较；
在所述能量差值大于所述预设能量阈值时，记录两个所述上升交换点对应的第一时间和第二时间，以及所述第一时间和所述第二时间的时间间隔，将所述时间间隔的倒数记录为所述步频信息；
采集指定对象在多种预定场景下运动时的步态数据还包括：
采集所述指定对象在预定场景下运动时的视频图像；
对所述视频图像进行背景相减法处理，分别获取所述指定对象在所述第一时间和所述第二时间的第一图像和第二图像；
分别计算所述第一图像和所述第二图像的轮廓质心位置，并将两个所述轮廓质心位置在水平方向的距离记录为所述步长信息；
采集指定对象在多种预定场景下运动时的步态数据还包括：
通过所述指定对象的可穿戴设备获取所述第一时间和所述第二时间间隔内的第一加速度，以及根据所述步长信息和所述时间间隔计算所述指定对象在所述第一时间和所述第二时间间隔内的第二加速度，其中，初始速度为0；
根据所述第一加速度和所述第二加速度得到所述加速度信息。
2.根据权利要求1所述的方法，其特征在于，在所述预定场景包括至少三种的情况下，根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度计算得到所述指定对象的步态模型数据包括：
通过以下公式计算所述指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为所述指定对象的步态模型数据。
3.根据权利要求2所述的方法，其特征在于，判断所述步态模型数据和指纹库中的预存模型数据是否匹配包括：
使用以下公式计算所述步态模型数据和预存模型数据的相似度W(SL1，SL2)：
其中，A1，B1，C1为所述步态模型数据，A2，B2，C2为所述预存模型数据；
在所述相似度大于或等于预设阈值时，确定所述步态模型数据和指纹库中的所述预存模型数据匹配。
4.根据权利要求1所述的方法，其特征在于，所述预定场景包括以下至少之一：快速运动场景、慢速运动场景、正常速度运动场景。
5.根据权利要求1至4任一项所述的方法，所述加速度信息包括加速度方差信息。
6.一种步态识别装置，其特征在于，包括：
采集模块，用于采集指定对象在多种预定场景下运动时的步态数据，其中，所述步态数据包括：步频信息、步长信息、和加速度信息；
计算模块，用于根据所述指定对象在所述多种预定场景下的所述步频信息、所述步长信息、以及所述加速度信息计算得到所述指定对象的步态模型数据；
判断模块，用于判断所述步态模型数据和数据库中的预存模型数据是否匹配；
其中，所述采集模块通过如下方式采集所述步频信息：
采用两种不同长度的时间窗对采集到的加速度信号进行均值滤波；
计算两个连续上升交换点之间长窗波形与短窗波形的能量差值，并将所述能量差值与预设能量阈值进行比较；
在所述能量差值大于所述预设能量阈值时，记录两个所述上升交换点对应的第一时间和第二时间，以及所述第一时间和所述第二时间的时间间隔，将所述时间间隔的倒数记录为所述步频信息；
所述采集模块还通过如下方式采集所述步长信息：
采集所述指定对象在预定场景下运动时的视频图像；
对所述视频图像进行背景相减法处理，分别获取所述指定对象在所述第一时间和所述第二时间的第一图像和第二图像；
分别计算所述第一图像和所述第二图像的轮廓质心位置，并将两个所述轮廓质心位置在水平方向的距离记录为所述步长信息；
所述采集模块还通过如下方式采集所述加速度信息：
通过所述指定对象的可穿戴设备获取所述第一时间和所述第二时间间隔内的第一加速度，以及根据所述步长信息和所述时间间隔计算所述指定对象在所述第一时间和所述第二时间间隔内的第二加速度，其中，初始速度为0；
根据所述第一加速度和所述第二加速度得到所述加速度信息。
7.根据权利要求6所述的装置，其特征在于，在所述预定场景包括至少三种的情况下，所述计算模块包括：
第一计算单元，用于通过以下公式拟合计算所述指定对象的步态模型数据：
SL1＝A+B*Freq1+C*Var1
SL2＝A+B*Freq2+C*Var2
SL3＝A+B*Freq3+C*Var3
其中，SL为步长信息，Freq为步频信息，Var为加速度信息，A、B、和C为所述指定对象的步态模型数据。
8.根据权利要求7所述的装置，其特征在于，所述判断模块还包括：
第二计算单元，用于使用以下公式计算所述步态模型数据和预存模型数据的相似度W(SL1，SL2)：
其中，A1，B1，C1为所述步态模型数据，A2，B2，C2为所述预存模型数据；
确定单元，用于在所述相似度大于或等于预设阈值时，确定所述步态模型数据和指纹库中的所述预存模型数据匹配。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610416842.4A CN107506684B (zh) | 2016-06-14 | 2016-06-14 | 步态识别方法及装置 |
| PCT/CN2017/088343 WO2017215618A1 (zh) | 2016-06-14 | 2017-06-14 | 步态识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610416842.4A CN107506684B (zh) | 2016-06-14 | 2016-06-14 | 步态识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107506684A CN107506684A (zh) | 2017-12-22 |
| CN107506684B true CN107506684B (zh) | 2022-03-01 |
Family
ID=60664210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610416842.4A Active CN107506684B (zh) | 2016-06-14 | 2016-06-14 | 步态识别方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107506684B (zh) |
| WO (1) | WO2017215618A1 (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960072B (zh) * | 2018-06-06 | 2022-05-10 | 华为技术有限公司 | 一种步态识别的方法及设备 |
| CN109171749A (zh) * | 2018-09-17 | 2019-01-11 | 南京脑科医院 | 一种营养筛查步速测量仪 |
| CN109447199A (zh) * | 2018-10-16 | 2019-03-08 | 山东大学 | 一种基于脚步信息的多模态罪犯识别方法及系统 |
| CN111199178A (zh) * | 2018-11-20 | 2020-05-26 | 宝沃汽车（中国）有限公司 | 车门的控制方法、装置和车辆 |
| CN109522856A (zh) * | 2018-11-23 | 2019-03-26 | 银河水滴科技（北京）有限公司 | 一种基于步态特征的认证方法及装置 |
| CN109634981A (zh) * | 2018-12-11 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 一种数据库扩充方法及装置 |
| CN110147712A (zh) * | 2019-03-27 | 2019-08-20 | 苏州书客贝塔软件科技有限公司 | 一种行人分析智能云平台 |
| CN110246561A (zh) * | 2019-04-30 | 2019-09-17 | 华为技术有限公司 | 一种移动距离计算方法、装置以及系统 |
| CN110503013B (zh) * | 2019-08-07 | 2022-03-08 | 瑞声科技(新加坡)有限公司 | 振感相似度评价方法、装置及存储介质 |
| CN110639192B (zh) * | 2019-08-20 | 2021-08-06 | 苏宁智能终端有限公司 | 一种运动设备步数计算方法、步数核算方法及装置 |
| CN110778039A (zh) * | 2019-09-18 | 2020-02-11 | 深圳智锐通科技有限公司 | 一种智能楼梯装置及该装置的转角场景设计方法 |
| CN111274432B (zh) * | 2020-02-06 | 2023-05-09 | 浙江大华技术股份有限公司 | 一种布控处理方法及装置 |
| CN111461031B (zh) * | 2020-04-03 | 2023-10-24 | 银河水滴科技(宁波)有限公司 | 一种对象识别系统和方法 |
| CN111476198B (zh) * | 2020-04-24 | 2023-09-26 | 广西安良科技有限公司 | 基于人工智能的步态识别方法、装置、系统、存储介质和服务器 |
| CN115280101A (zh) * | 2020-05-29 | 2022-11-01 | 北京嘀嘀无限科技发展有限公司 | 室内导航 |
| CN111950418A (zh) * | 2020-08-03 | 2020-11-17 | 启航汽车有限公司 | 基于腿部特征的步态识别方法、装置及系统、可读存储介质 |
| CN112766057B (zh) * | 2020-12-30 | 2022-05-13 | 浙江大学 | 一种面向复杂场景细粒度属性驱动的步态数据集合成方法 |
| CN113591552A (zh) * | 2021-06-18 | 2021-11-02 | 新绎健康科技有限公司 | 一种基于步态加速度数据进行身份识别的方法及系统 |
| CN113790722B (zh) * | 2021-08-20 | 2023-09-12 | 北京自动化控制设备研究所 | 一种基于惯性数据时频域特征提取的行人步长建模方法 |
| CN115235449A (zh) * | 2022-07-04 | 2022-10-25 | 珠海世纪鼎利科技股份有限公司 | 一种基于手机的室内自动定位方法 |
| CN115381408A (zh) * | 2022-10-28 | 2022-11-25 | 深圳市心流科技有限公司 | 一种基于运动状态的穿戴式检测装置的调控方法 |
| CN115969314B (zh) * | 2022-11-17 | 2023-11-17 | 深圳市心流科技有限公司 | 一种自动调节穿戴式检测装置的伸缩量的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226597A (zh) * | 2007-01-18 | 2008-07-23 | 中国科学院自动化研究所 | 一种基于热红外步态的夜间行人识别方法及系统 |
| CN101251894A (zh) * | 2008-01-28 | 2008-08-27 | 天津大学 | 基于红外热成像的步态特征提取方法和步态识别方法 |
| CN101609507A (zh) * | 2009-07-28 | 2009-12-23 | 中国科学技术大学 | 步态识别方法 |
| CN103505219A (zh) * | 2012-06-20 | 2014-01-15 | 中国科学院电子学研究所 | 一种人体步态评测系统及方法 |
| CN103983273A (zh) * | 2014-04-29 | 2014-08-13 | 华南理工大学 | 一种基于加速度传感器的实时步长估计方法 |
| CN104605859A (zh) * | 2014-12-29 | 2015-05-13 | 北京工业大学 | 一种基于移动终端传感器的室内导航步态检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7917768B2 (en) * | 2007-01-23 | 2011-03-29 | Dp Technologies, Inc. | System control via characteristic gait signature |
| JP4929506B2 (ja) * | 2007-03-29 | 2012-05-09 | 本田技研工業株式会社 | 脚式移動ロボット |
| CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
| CN103473539B (zh) * | 2013-09-23 | 2015-07-15 | 智慧城市系统服务（中国）有限公司 | 步态识别方法和装置 |
| US9811720B2 (en) * | 2013-10-22 | 2017-11-07 | Bae Systems Information And Electronic Systems Integration Inc. | Mobile device based gait biometrics |
| CN103886341A (zh) * | 2014-03-19 | 2014-06-25 | 国家电网公司 | 基于特征组合的步态行为识别方法 |
-
2016
- 2016-06-14 CN CN201610416842.4A patent/CN107506684B/zh active Active
-
2017
- 2017-06-14 WO PCT/CN2017/088343 patent/WO2017215618A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226597A (zh) * | 2007-01-18 | 2008-07-23 | 中国科学院自动化研究所 | 一种基于热红外步态的夜间行人识别方法及系统 |
| CN101251894A (zh) * | 2008-01-28 | 2008-08-27 | 天津大学 | 基于红外热成像的步态特征提取方法和步态识别方法 |
| CN101609507A (zh) * | 2009-07-28 | 2009-12-23 | 中国科学技术大学 | 步态识别方法 |
| CN103505219A (zh) * | 2012-06-20 | 2014-01-15 | 中国科学院电子学研究所 | 一种人体步态评测系统及方法 |
| CN103983273A (zh) * | 2014-04-29 | 2014-08-13 | 华南理工大学 | 一种基于加速度传感器的实时步长估计方法 |
| CN104605859A (zh) * | 2014-12-29 | 2015-05-13 | 北京工业大学 | 一种基于移动终端传感器的室内导航步态检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017215618A1 (zh) | 2017-12-21 |
| CN107506684A (zh) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506684B (zh) | 步态识别方法及装置 | |
| KR102215041B1 (ko) | 정의된 영역 내의 객체를 추적하기 위한 방법 및 시스템 | |
| US7693310B2 (en) | Moving object recognition apparatus for tracking a moving object based on photographed image | |
| CN105404860B (zh) | 用于管理走失人员信息的方法和设备 | |
| KR100886557B1 (ko) | 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 | |
| CN105590097B (zh) | 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法 | |
| CN104751136B (zh) | 一种基于人脸识别的多相机视频事件回溯追踪方法 | |
| US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
| KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN112037245B (zh) | 一种确定追踪目标相似度的方法和系统 | |
| CN105005777A (zh) | 一种基于人脸的音视频推荐方法及系统 | |
| Kovač et al. | Human skeleton model based dynamic features for walking speed invariant gait recognition | |
| KR100968024B1 (ko) | 감시 시스템 네트워크를 이용한 객체의 이동 경로 추적방법 및 시스템 | |
| CN110175553B (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
| CN108932504A (zh) | 身份认证方法、装置、电子设备及存储介质 | |
| CN111241932A (zh) | 汽车展厅客流检测与分析系统、方法及存储介质 | |
| CN105279496A (zh) | 一种人脸识别的方法和装置 | |
| CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
| CN110599129A (zh) | 一种基于图像追踪校园考勤方法、装置、识别终端及系统 | |
| RU2315352C2 (ru) | Способ и система для автоматического обнаружения трехмерных образов | |
| CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
| CN114677608A (zh) | 身份特征生成方法、设备及存储介质 | |
| CN110909612A (zh) | 一种基于深度神经网络与机器视觉的步态识别方法及系统 | |
| CN109697417A (zh) | 一种用于变桨系统柜的生产管理系统 | |
| JP2002208011A (ja) | 画像照合処理システムおよび画像照合方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |