CN108734204A - 基于步态的大规模手机用户快速身份识别方法 - Google Patents

基于步态的大规模手机用户快速身份识别方法 Download PDF

Info

Publication number
CN108734204A
CN108734204A CN201810401924.0A CN201810401924A CN108734204A CN 108734204 A CN108734204 A CN 108734204A CN 201810401924 A CN201810401924 A CN 201810401924A CN 108734204 A CN108734204 A CN 108734204A
Authority
CN
China
Prior art keywords
gait
sample
layer
mobile phone
hash
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.)
Granted
Application number
CN201810401924.0A
Other languages
English (en)
Other versions
CN108734204B (zh
Inventor
邹勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810401924.0A priority Critical patent/CN108734204B/zh
Publication of CN108734204A publication Critical patent/CN108734204A/zh
Application granted granted Critical
Publication of CN108734204B publication Critical patent/CN108734204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于步态的大规模手机用户快速身份识别方法，通过采集步态样本、构建步态检索样本集、对步态样本集进行哈希编码、对步态样本集进行特征描述、识别未知身份步态，实现步态的识别。该方法通过快速检索到一批相似用户，然后进行精细比较，缩短了识别时间，且利用所设计的哈希编码和特征描述可以实现快捷的同时，准确率也有提高。

Description

基于步态的大规模手机用户快速身份识别方法
技术领域
本发明涉及人工智能和信息安全领域，具体涉及一种基于步态的大规模手机用户快速身份识别方法。
技术背景
近十年来，随着通信技术的发展，智能手机迅速发展并且在社会大众中迅速普及，手机已成为人们社会生活中最重要的工具之一。截至2017年12月，我国手机网民规模达7.53亿；以手机为中心的智能设备，已成为物联网的基础，它使构筑个性化、智能化的应用场景成为可能。然而，移动互联网服务场景不断丰富、移动终端规模加速提升、移动数据量持续扩大，也给移动互联网的安全管理带来了新的更高要求和严峻挑战。以智能手机为终端载体的移动互联网安全是国家网络安全的重要组成，手机用户的身份识别是构建移动互联网安全的重要基础。
步态作为一种非接触的生物特征，是由人在行走时各个肢体器官协调动作的模式构成。与其他生物特征相比，步态支持动态采集、容易被用户接受、并且难以被模仿，使得它具有多种优势。而新一代智能手机普遍集成了高灵敏度的惯性传感器，如加速度传感器、陀螺仪等，为采集用户行走时的步态信息提供了广泛支持，从而为基于步态识别的手机用户身份识别提供了可能。
但是，当用户规模巨大时，例如百万、千万甚至上亿的用户对象，传统的步态分类与识别方法速度很慢，难以满足实时手机用户识别的需求。因此，研发基于步态的大规模手机用户快速身份识别具有重要的意义和价值。
发明内容
本发明针对现有技术的不足，提出了一种基于步态的大规模手机用户快速身份识别方法，用于快速的手机用户身份识别，其特征在于包含以下步骤：
s1采集步态样本：利用手机采集大规模用户的运动数据；并从运动数据中分离出步行时产生的数据，构建大规模步态样本集；
s2构建步态检索样本集：基于步骤s1构建的大规模步态样本集，构建步态检索样本集；
s3对步态样本集进行哈希编码：构建深度学习哈希网络，利用步骤s2构建的步态检索样本集对深度学习哈希网络进行训练，得到深度哈希模型；并从深度哈希模型中取出从输入层到哈希层的部分，作为哈希编码器；利用该哈希编码器对步骤s1构建的步态样本集中的步态样本进行哈希编码，从而将输入的步态样本编码成只有0和1组成的向量；
s4对步态样本集进行特征描述：构建深度学习分类网络，利用步骤s1构建的大规模步态样本集对深度学习分类网络进行训练，得到步态分类模型；从所述步态分类模型中取出从输入层到最后一个隐含层的部分，作为步态特征描述器；利用该步态特征描述器对步态样本集中的所有样本进行步态特征描述；
s5识别未知身份步态：对于待识别的未知身份步态样本i，利用步骤4所得的哈希编码器进行编码得到Hi；计算Hi与步骤5所得的已知身份的步态哈希编码的海明距离(Hamming Distance)，得到最相似的K个用户。利用所述的步态特征描述器，对待识别的未知身份步态样本i进行步态特征描述得到Fi，并分别计算Fi和最相似的K个用户的步态特征之间的相似度；并对相似度值进行排序，将最大相似度值对应的用户身份作为未知身份步态样本的身份。
进一步地，所述步骤s1中的运动数据包含但不限于步行，还包括跑、跳、走、乘车颠簸和静坐；所述运动数据采用手机APP程序采集并通过无线通讯传输到服务器。
进一步地，所述步骤s1中构建步态样本数据时，步态样本的采用按时间分割的方式。
进一步地，所述步骤s1中分离出步行时产生的数据具体为：根据步行的周期特点，采用加速度的幅度阈值、跨度阈值来对步态数据进行过滤。
进一步地，所述步骤s2中构建步态检索样本集具体过程为：根据步态样本数据集计算相似度矩阵，规定同一用户的样本相似度为1，不同用户的样本相似度为0；构建三元组步态样本，即每个样本包含三个步态样本，其中两个样本相似度为1，另一个样本与它们不相似；将所有三元组步态样本构成步态检索样本集。
进一步地，所述深度哈希网络采用一维卷积构建。
更进一步地，所述深度哈希网络有8层，具体结构如下：第1层是输入层，即步态样本数据，第2层是卷积层，采用1×9的卷积核，卷积核个数为32，步长为2，第3层是池化层，池化尺寸为1×2，第4、5层是两个卷积层，采用1×3的卷积核，卷积核个数为64，步长为1，第6层是池化层，池化尺寸为1×2，第7层是卷积层，卷积核个数为128，步长为1，第8层是一个全连接层，称为哈希层，第9层是输出层。
进一步地，所述步骤s4中的深度学习分类网络采用双向双层长短时记忆递归神经网络作为分类网络。
本发明的优点在于：
1)本发明针对大规模用户环境下手机用户身份难以快速识别的问题，设计了一种先快速步态检索后精细步态比较的身份识别策略，能大幅提高手机用户身份识别的速度。首先在快速步态检索中，利用深度哈希网络对步态数据进行二进制编码，从而可利用亦或操作实现海明距离的快速计算，快速检索到一批相似用户，即相似用户集；然后在精细步态比较中，利用预先训练好的步态特征描述器对相似用户集中的步态样本进行步态特征描述，计算待识别步态样本特征与相似用户集步态特征的相似度，从而判别出待识别步态样本的用户身份。
2)本发明方法在进行手机用户步态识别和身份识别时，设计了步行数据和非步行数据的分离，从而使所发明方法可以进行非约束条件下的手机用户步态识别和身份识别；而传统的利用手机的步态识别和身份方法需要用户在特定区间行走一段距离，这很大程度上限制了识别算法的使用环境；而本发明不需要对用户活动进行约束，只需要利用手机软件采集一段较长时间内用户的所有活动数据，用户可以做步行、跑步、乘车、静坐以及其他一切活动，从而可以大大扩展步态识别算法的应用场景，并且实现数据的隐蔽性采集，使得本发明方法既适合用于大规模手机用户的身份识别与监控，也适用于手机易主的检测。
3)本发明在构建步态样本数据集时，步态样本的采用按时间分割的方式，而不是传统的按步伐分割的方式，因为步伐分割的精确性难移保证，会影响后续分类识别的准确度。而采用按时间分割的方式，并通过大数据量样本的深度学习，可以增强步态特征描述的通用性，提高步态识别的准确度。
附图说明
图1为发明的深度哈希网络模型图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述：
一种基于步态的大规模手机用户快速身份识别，包括以下步骤：
步骤s1：利用手机采集N个用户的运动数据。采集所用手机传感器包含但不限于加速度计和陀螺仪，还可以包含气压计、磁力计等；用户的运动包含但不限于步行，还可以包含跑步、乘车颠簸、静坐等；手机可以任意姿态放在口袋里或拿在手上；运动数据采用手机App程序采集并通过无线通讯传输到服务器；
优选地，手机传感器选用加速度计和陀螺仪；
从步骤1采集的运动数据中分离出步行数据，构建大规模步态样本集。在进行步行数据和非步行数据的分离时，根据步行的周期特点，采用加速度的幅度阈值、跨度阈值来对步态数据进行过滤；通常加速度是三轴的，用Ax，Ay和Az表示，计算它们的平方和开方值得到Axyz，在Axyz构成的连续曲线上，步态对应的幅度介于一定范围之内，峰值和峰值之间的间隔也在一定的幅度之内；同一用户的运动数据，先计算其平均的Axyz值Aave，以及平均的峰值跨度Lave，然后利用幅度阈值Amin和Amax，跨度阈值Lmin和Lmax对步行数据进行提取，即同时满足介于Amin和Amax，Lmin和Lmax之间的运动数据才被认为是步行数据；对提取的步行数据分割成步态样本，分割采用时间定长的方式，即每一个时间间隔的数据作为一个样本；
优选地，设置幅度阈值Amin＝0.7×Aave，Amax＝1.3×Aave，设置跨度阈值Lmin＝0.7×Lave，Lmax＝1.3×Lave；
优选地，步态样本采用2秒时间间隔内的数据作为一个步态样本，插值后长度为128，插值方法采用线性插值法；
优选地，用户数量N＝10000，每个用户收集到的步态样本数为1000；
步骤s2构建步态检索样本集：基于步骤s1构建的大规模步态样本集，构建步态检索样本集；根据步态样本数据集计算相似度矩阵，规定同一用户的样本相似度为1，不同用户的样本相似度为0；构建三元组步态样本，即每个样本包含三个步态样本，其中两个样本相似度为1，另一个样本与它们不相似；将所有三元组步态样本构成步态检索样本集；
优选地，步态检索样本数量为10000000；
步骤s3对步态样本集进行哈希编码：构建深度学习哈希网络，利用步骤s2构建的步态检索样本集对深度学习哈希网络进行训练，得到深度哈希模型；并从深度哈希模型中取出从输入层到哈希层的部分，作为哈希编码器；哈希编码器的作用是将输入步态样本编码成只有0和1组成的向量；
优选地，深度学习哈希网络主要利用一维卷积来构建，总共有8层，具体为：第1层是输入层，即步态样本数据，第2层是卷积层，采用1×9的卷积核，卷积核个数为32，步长为2，第3层是池化层，池化尺寸为1×2，第4、5层是两个卷积层，采用1×3的卷积核，卷积核个数为64，步长为1，第6层是池化层，池化尺寸为1×2，第7层是卷积层，卷积核个数为128，步长为1，第8层是一个全连接层，称为哈希层，节点数为V，第9层是输出层。
哈希层节点数可以采用多种设置方式，比如24、32、50、48、64等，本发明中，优选地，设置哈希层节点数V＝48，激活函数选择Sigmoid函数；
利用所得的哈希编码器对步骤s1构建的步态样本集中的步态样本进行哈希编码；
步骤s4对步态样本集进行特征描述：构建深度学习分类网络，利用步骤s1构建的大规模步态样本集对深度学习分类网络进行训练，得到步态分类模型；
优选地，采用双向双层长短时记忆递归神经网络作为分类网络，隐含节点数设置为1024，输出层节点数与步骤s1中构建的步态样本集中的类别数相同；
构建步态特征描述器；具体操作是，从所得的步态分类模型中取出从输入层到最后一个隐含层的部分，作为步态特征描述器；
利用所得的步态特征描述器，对步骤s1构建的步态样本集中的所有样本进行步态特征描述；
步骤s5识别未知身份步态：对于待识别的未知身份步态样本i，利用步骤s3所得的哈希编码器进行编码得到Hi；计算Hi与步骤s3所得的已知身份的步态哈希编码的海明距离(Hamming Distance)，得到最相似的K个用户；
优选地，从所得的已知身份的步态哈希编码中个，对所有N个用户中的每个用户取出1个哈希编码，分别计算Hi与它们之间的距离，将距离值最小的K个用户构成相似用户集；
优选地，设置K＝100；
利用步骤s4所得的步态特征描述器，对未知身份步态样本i进行步态特征描述得到Fi，并分别计算Fi和所得的最相似的K个用户的步态特征之间的相似度；
对所得的相似度值进行排序，将最大相似度值对应的用户身份作为未知身份步态样本的身份。
本发明针对大规模用户环境下手机用户身份难以快速识别的问题，设计了一种先快速步态检索后精细步态比较的身份识别策略，能大幅提高手机用户身份识别的速度。首先在快速步态检索中，利用深度哈希网络对步态数据进行二进制编码，从而可利用亦或操作实现海明距离的快速计算，快速检索到一批相似用户，即相似用户集；然后在精细步态比较中，利用预先训练好的步态特征描述器对相似用户集中的步态样本进行步态特征描述，计算待识别步态样本特征与相似用户集步态特征的相似度，从而判别出待识别步态样本的用户身份。
本发明方法在进行手机用户步态识别和身份识别时，设计了步行数据和非步行数据的分离，从而使所发明方法可以进行非约束条件下的手机用户步态识别和身份识别；而传统的利用手机的步态识别和身份方法需要用户在特定区间行走一段距离，这很大程度上限制了识别算法的使用环境；而本发明不需要对用户活动进行约束，只需要利用手机软件采集一段较长时间内用户的所有活动数据，用户可以做步行、跑步、乘车、静坐以及其他一切活动，从而可以大大扩展步态识别算法的应用场景，并且实现数据的隐蔽性采集，使得本发明方法既适合用于大规模手机用户的身份识别与监控，也适用于手机易主的检测。
发明在构建步态样本数据集时，步态样本的采用按时间分割的方式，而不是传统的按步伐分割的方式，因为步伐分割的精确性难移保证，会影响后续分类识别的准确度。而采用按时间分割的方式，并通过大数据量样本的深度学习，可以增强步态特征描述的通用性，提高步态识别的准确度。

Claims (8)

1.一种基于步态的大规模手机用户快速身份识别方法，其特征在于，包括以下步骤：
s1采集步态样本：利用手机采集大规模用户的运动数据，分离出步行时产生的数据并构建步态样本集；
s2构建步态检索样本集：基于步骤s1构建的大规模步态样本集，构建步态检索样本集；
s3对步态样本集进行哈希编码：构建深度学习哈希网络，并利用所述大规模步态检索样本集进行训练，得到哈希编码器，利用该哈希编码器对步态样本集进行哈希编码；
s4对步态样本集进行特征描述：构建深度学习分类网络，并利用所述大规模步态样本集对深度学习分类网络进行训练，得到步态特征描述器，并利用该特征描述器对所述步态样本集进行步态特征描述；
s5识别未知身份步态：利用所述的哈希编码器对待识别步态进行编码，并计算与已知身份的步态哈希编码的海明距离，得到最相似的K个用户；利用所述的特征描述器对待识别步态进行特征描述，并与所述的K个用户的步态特征描述进行比对，将最大相似度值对应的用户身份作为未知身份步态样本的身份。
2.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述步骤s1中的运动数据包含但不限于步行，还包括跑、跳、走、乘车颠簸和静坐；所述运动数据采用手机APP程序采集并通过无线通讯传输到服务器。
3.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述步骤s1中构建步态样本数据时，步态样本的采用按时间分割的方式。
4.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述步骤s1中分离出步行时产生的数据具体为：根据步行的周期特点，采用加速度的幅度阈值、跨度阈值来对步态数据进行过滤。
5.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述步骤s2中构建步态检索样本集具体过程为：根据步态样本数据集计算相似度矩阵，规定同一用户的样本相似度为1，不同用户的样本相似度为0；构建三元组步态样本，即每个样本包含三个步态样本，其中两个样本相似度为1，另一个样本与它们不相似；将所有三元组步态样本构成步态检索样本集。
6.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述深度哈希网络采用一维卷积构建。
7.根据权利要求6基于步态的大规模手机用户快速身份识别方法，其特征在于：所述深度哈希网络有8层，具体结构如下：第1层是输入层，即步态样本数据，第2层是卷积层，采用1×9的卷积核，卷积核个数为32，步长为2，第3层是池化层，池化尺寸为1×2，第4、5层是两个卷积层，采用1×3的卷积核，卷积核个数为64，步长为1，第6层是池化层，池化尺寸为1×2，第7层是卷积层，卷积核个数为128，步长为1，第8层是一个全连接层，称为哈希层，第9层是输出层。
8.根据权利要求1基于步态的大规模手机用户快速身份识别方法，其特征在于：所述步骤s4中的深度学习分类网络采用双向双层长短时记忆递归神经网络作为分类网络。
CN201810401924.0A 2018-04-28 2018-04-28 基于步态的大规模手机用户快速身份识别方法 Active CN108734204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810401924.0A CN108734204B (zh) 2018-04-28 2018-04-28 基于步态的大规模手机用户快速身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810401924.0A CN108734204B (zh) 2018-04-28 2018-04-28 基于步态的大规模手机用户快速身份识别方法

Publications (2)

Publication Number Publication Date
CN108734204A true CN108734204A (zh) 2018-11-02
CN108734204B CN108734204B (zh) 2021-03-16

Family

ID=63940092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810401924.0A Active CN108734204B (zh) 2018-04-28 2018-04-28 基于步态的大规模手机用户快速身份识别方法

Country Status (1)

Country Link
CN (1) CN108734204B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080064334A1 (en) * 2003-10-14 2008-03-13 Hamadi Charles J Methods and Apparatuses for Communicating With Wireless Peripheral Devices
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN107403084A (zh) * 2017-07-21 2017-11-28 中国计量大学 一种基于步态数据的身份识别方法
CN107423730A (zh) * 2017-09-20 2017-12-01 湖南师范大学 一种基于语义折叠的人体步态行为主动检测识别系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080064334A1 (en) * 2003-10-14 2008-03-13 Hamadi Charles J Methods and Apparatuses for Communicating With Wireless Peripheral Devices
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN107403084A (zh) * 2017-07-21 2017-11-28 中国计量大学 一种基于步态数据的身份识别方法
CN107423730A (zh) * 2017-09-20 2017-12-01 湖南师范大学 一种基于语义折叠的人体步态行为主动检测识别系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAACOB N I 等: "Feature selection for gait recognition", 《HUMANITIES, SCIENCE & ENGINEERING RESEARCH》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法

Also Published As

Publication number Publication date
CN108734204B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
Zhu et al. Efficient human activity recognition solving the confusing activities via deep ensemble learning
CN107153871B (zh) 基于卷积神经网络和手机传感器数据的跌倒检测方法
Klein et al. Pedestrian dead reckoning with smartphone mode recognition
CN105447504B (zh) 一种交通模式行为识别方法及相应的识别模型构建方法
CN108345846A (zh) 一种基于卷积神经网络的人体行为识别方法及识别系统
CN105678222A (zh) 一种基于移动设备的人体行为识别方法
CN106096662A (zh) 基于加速度传感器的人体运动状态识别
CN112364238B (zh) 一种基于深度学习的用户兴趣点推荐方法与系统
CN106210269A (zh) 一种基于智能手机的人体动作识别系统及方法
CN105303183B (zh) 一种基于穿戴设备的儿童姿态识别分析系统和方法
CN109979161A (zh) 一种基于卷积循环神经网络的人体跌倒检测方法
Lorintiu et al. Transportation mode recognition based on smartphone embedded sensors for carbon footprint estimation
CN108171278A (zh) 一种基于运动训练数据的运动模式识别方法和系统
CN107918492A (zh) 一种面对智能下肢假肢的人体运动意图预知识别方法
CN112336590A (zh) 基于多传感信息的助力外骨骼运动意图与步态规划方法
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
Huan et al. Human complex activity recognition with sensor data using multiple features
Dungkaew et al. Impersonal smartphone-based activity recognition using the accelerometer sensory data
CN108734204A (zh) 基于步态的大规模手机用户快速身份识别方法
Alaoui et al. Urban transportation mode detection from inertial and barometric data in pedestrian mobility
CN105512480B (zh) 基于编辑距离的可穿戴设备数据优化处理方法
CN116758479B (zh) 一种基于编码深度学习的智能体活动识别方法及系统
CN109350072B (zh) 一种基于人工神经网络的步频探测方法
CN107688828A (zh) 一种基于手机传感器的公交车拥挤程度估测方法
CN111623797A (zh) 一种基于深度学习的步数测量方法

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