CN109087668A - 一种步态识别的方法及装置 - Google Patents

Abstract

本发明提供的一种步态识别的方法及装置，方法包括：采用声学发射传感器按照预定周期发送第一声学信号；采用声学接收传感器接收第二声学信号，其中，第二声学信号为所述第一声学信号的回波信号；对第二声学信号进行预定处理；获取进行预定处理后的第二声学信号的预定参数；将预定参数生成特征矢量；采用贝叶斯分类器对特征矢量进行步态识别。该方法通过对声学信号进行处理，受外部环境影响较小，由于采用声学传感器获取步态的声学信号，因此该方法的检测范围可灵活调整、成本较低并且精度较高，解决了现有技术的如下问题：现有的步态识别方法适用范围及检测范围较小，识别效果易受外部环境影响，并且设备运行维护成本较高。

Description

一种步态识别的方法及装置

技术领域

本发明涉及步态识别技术领域，特别是涉及一种步态识别的方法及装置。

背景技术

面对不断出现的安全问题，常用的生物识别方式，比如指纹或人脸识别等方式已经不够有效，这就需要引入新的识别方式。步态识别就是一种新近兴起的技术，通过走路人的姿势实现对人的身份的识别，可以有效的补充指纹识别、人脸识别等方式的误差，为社会安全提供更为可靠的保障。目前的步态识别方法主要有基于计算机视觉的方法、基于可穿戴设备的方法、基于地面传感器的方法以及基于雷达的方法，但是上述步态识别方法有一些不足。例如，基于计算机视觉的方法建立在图像处理的基础上，因而受外部环境影响较大，即在黑夜或特殊天气等环境下识别率较低，且数据存储时的空间复杂度和图像处理时的时间复杂度大，只能用于特定场所。基于可穿戴设备的方法避免了基于计算机视觉方法中多方面因素对获取图像的不利影响，降低了数据处理的复杂度，然而，这种方法需要参与者主动配合的穿戴传感器设备，在实际的应用中，有时让被测对象主动穿戴传感器设备是不可能实现的，从而限制了其在实际中的广泛应用。基于雷达的步态识别方法识别率低，设备运行维护成本高，且只能用于特定场景。

发明内容

本发明提供一种步态识别的方法及装置，用以解决现有技术的如下问题：现有的步态识别方法适用范围较小，识别效果易受外部环境影响，并且设备运行维护成本较高。

为解决上述技术问题，本发明提供一种步态识别的方法，包括：采用声学发射传感器按照预定周期发送第一声学信号；采用声学接收传感器接收第二声学信号，其中，所述第二声学信号为所述第一声学信号的回波信号；对所述第二声学信号进行预定处理；获取进行预定处理后的第二声学信号的预定参数；将所述预定参数生成特征矢量；采用贝叶斯分类器对所述特征矢量进行步态识别。

可选的，对所述第二声学信号进行预定处理，包括：将所述第二声学信号进行滤波；对滤波后的第二声学信号进行端点检测；对进行端点检测后的第二声学信号进行预加重处理；对进行预加重处理后的第二声学信号进行分帧处理；对分帧处理后的第二声学信号进行加窗处理。

可选的，获取进行预定处理后的第二声学信号的预定参数，包括：获取进行预定处理后的第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率以及第二高功率对应的频率；获取倒谱系数和差分倒谱系数。

可选的，获取倒谱系数和差分倒谱系数，包括：对所述进行预定处理后的第二声学信号进行短时傅里叶变换；对进行短时傅里叶变换后的所述第二声学信号取对数；对取对数后的所述第二声学信号进行离散余弦变换，获取倒谱系数；对所述倒谱系数进行差分计算，获取所述差分倒谱系数。

此外，为实现上述目的，本发明还提供一种步态识别的装置，包括：发送模块，用于使声学发射传感器按照预定周期发送第一声学信号；接收模块，用于使声学接收传感器接收第二声学信号，其中，所述第二声学信号为所述第一声学信号的回波信号；处理模块，用于对所述第二声学信号进行预定处理；获取模块，用于获取进行预定处理后的第二声学信号的预定参数；生成模块，用于将所述预定参数生成特征矢量；识别模块，用于使贝叶斯分类器对所述特征矢量进行步态识别。

可选的，所述处理模块，具体用于：将所述第二声学信号进行滤波；对滤波后的第二声学信号进行端点检测；对进行端点检测后的第二声学信号进行预加重处理；对进行预加重处理后的第二声学信号进行分帧处理；对分帧处理后的第二声学信号进行加窗处理。

可选的，所述获取模块，包括：第一获取单元，用于获取进行预定处理后的第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率以及第二高功率对应的频率；第二获取单元，用于获取倒谱系数和差分倒谱系数。

可选的，所述第二获取单元，具体用于：对所述进行预定处理后的第二声学信号进行短时傅里叶变换；对进行短时傅里叶变换后的所述第二声学信号取对数；对取对数后的所述第二声学信号进行离散余弦变换，获取倒谱系数；对所述倒谱系数进行差分计算，获取所述差分倒谱系数。

本发明提供的一种步态识别的方法，通过获取发送周期性声学信号对应的回波，将该回波作为步态对应的声学信号，分析该回波得到其参数并将参数组成特征矢量，再采用贝叶斯分类器对特征矢量进行识别。该方法对声学信号进行处理，受外部环境影响较小，由于采用声学传感器获取步态的声学信号，因此该方法的检测范围可灵活调整、成本较低并且精度较高，解决了现有技术的如下问题：现有的步态识别方法适用范围及检测范围较小，识别效果易受外部环境影响，并且设备运行维护成本较高。

附图说明

图1是本发明第一实施例中步态识别方法的流程图；

图2是本发明第二实施例中步态识别装置的结构示意图；

图3是本发明第三实施例中步态识别方法的流程图；

图4是本发明第三实施例中信号采集装置的组成结构的示意图；

图5是本发明第三实施例中按预定方式处理声学信号的流程示意图；

图6是本发明第三实施例中倒谱系数和差分倒谱系数计算过程的示意图。

具体实施方式

为了解决现有技术的如下问题：现有的步态识别方法适用范围及检测范围较小，识别效果易受外部环境影响，并且设备运行维护成本较高。本发明第一实施例提供了一种步态识别的方法，该方法的流程图如图1所示，包括步骤S101至S106：

S101，采用声学发射传感器按照预定周期发送第一声学信号。

在本实施例中，首先要向走路人发送声学信号，在本实施例中称为第一声学信号，该信号应该是一个周期性信号，可以是正弦信号，也可以是其他周期性信号。

S102，采用声学接收传感器接收第二声学信号。

具体的，本发明实施例中，通过声学发射传感器向走路人发送第一声学信号之后，声学接收传感器会接收到其回波，本实施例中称为第二声学信号，对于不同的人，声学接收传感器接收的第二声学信号都是不同的，本发明的方法就是基于这个原理进行的步态识别。

S103，对第二声学信号进行预定处理。

为了获得第二声学信号的参数，本实施例会对第二声学信号按照一定的方式进行处理，进行处理后能够得到第二声学信号的如频谱图等一些显性的图像信息，以方便进行后续处理。

S104，获取进行预定处理后的第二声学信号的预定参数。

在对第二声学信号进行处理之后，就能够较容易的获取其参数，选取的参数应能够在最大程度上反映第二声学信号的最明显的特征，以便能够对不同人的步态进行识别。

S105，将获取的预定参数生成特征矢量。

为了便于进行识别，要在获取参数后将这些参数生成一个特征矢量，以实现将第二声学信号的多个特征进行融合，为后续进行识别的过程奠定基础。

S106，采用贝叶斯分类器对特征矢量进行步态识别。

贝叶斯分类器是一种基于统计学原理的数学方法，基本原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。该方法分类错误的几率小，适用于步态识别这种对结果准确率要求较高的情形。

本发明提供的一种步态识别的方法，首先向走路人发送第一声学信号，得到反射回来的第二声学信号，对第二声学信号进行预定处理获取其参数，再将参数生成特征矢量，最后采用贝叶斯分类器对特征矢量进行步态识别。该方法从声学角度进行步态识别，对声学信号进行一系列处理，受外部环境的影响较小，并且由于采用声学传感器获取步态的声学信号，因此该方法的检测范围可随时间情况灵活调整、成本较低并且精度较高，解决了现有技术的如下问题：现有的步态识别方法适用范围及检测范围较小，识别效果易受外部环境影响，并且步态识别设备运行维护成本较高。

为了能够获得第二声学信号的有效信息，本实施例还对处理第二声学信号的步骤进行了具体限定，包括：

S1，将所述第二声学信号进行滤波。

本实施例中，为了方便对第二声学信号进行后续处理，采用的滤波方式为低通滤波，滤波后一般还可以进行调制，以降低第二声学信号的中心频率，体现出第二声学信号的主要部分。

S2，对滤波后的第二声学信号进行端点检测。

该步骤的目的是去除第二声学信号中的静音部分，由于获取人行走对应的第二声学信号是一个动态过程，第二声学信号中有一部分不是人体行走过程中反射回来的声学信号，即与进行步态识别无关的信号，因此为了提高处理效率，要去除这部分信号，本实施例中采用端点检测的方法进行处理。

S3，对进行端点检测后的第二声学信号进行预加重处理。

预加重是一种对信号的高频分量进行补偿的信号处理方式，本实施例中进行预加重处理的目的是提高第二声学信号在输出端的信噪比，避免丢失第二声学信号中的一些有效信息。

S4，对进行预加重处理后的第二声学信号进行分帧处理。

为了方便进行后续的傅里叶变换，要对声学信号进行分帧处理，每帧的长度视具体情况而定。

S5，对分帧处理后的第二声学信号进行加窗处理。

加窗处理一般和分帧是配合进行的，在对第二声学信号进行分帧处理之后，划分出的每一帧与一个适当的窗函数进行相乘，窗函数的选择视具体情况而定。

在对第二声学信号进行上述处理之后，就可以得到反映步态的第二声学信号的频谱图，根据这个频谱图，就可以获取代表该声学信号的参数，在本实施例中具体包括：第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率、第二高功率对应的频率、倒谱系数和差分倒谱系数。其中第二高功率对应的频率是指，在信号的频谱图中，信号波形中除去最大幅值之外的最大幅值所对应的频率。

此外，倒谱系数和差分倒谱系数是分析声学信号的常用特征参数，在本实施例中，为了得到倒谱系数和差分倒谱系数，具体的过程是：对进行处理后的第二声学信号进行短时傅里叶变换；对进行短时傅里叶变换后的第二声学信号取对数；对取对数后的第二声学信号进行离散余弦变换，获取倒谱系数；对倒谱系数进行差分计算，获取差分倒谱系数。上述过程是为获取倒谱系数以及差分倒谱系数的常用方法，具体过程在此不再赘述。

在得到上述参数之后，将这些参数形成一个表征第二声学信号的特征矢量，将这个特征矢量输入到贝叶斯分类器中，实现步态识别。

本发明第二实施例提供了一种步态识别的装置，该装置的结构示意图如图2所示，包括：包括：发送模块10，用于使声学发射传感器按照预定周期发送第一声学信号；接收模块20，与发送模块10耦合，用于使声学接收传感器接收第二声学信号；处理模块30，与接收模块20耦合，用于对第二声学信号进行预定处理；获取模块40，与处理模块30耦合，用于获取进行预定处理后的第二声学信号的预定参数；生成模块50，与获取模块40耦合，用于将预定参数生成特征矢量；识别模块60，与生成模块50耦合，用于使贝叶斯分类器对特征矢量进行步态识别。

在本实施例中，首先要由发送模块向走路人发送声学信号，在本实施例中称为第一声学信号，该信号应该是一个周期性信号，可以是正弦信号，也可以是其他周期性信号。

在向走路人发送第一声学信号之后，接收模块会使声学接收传感器接收到其回波，本实施例中称为第二声学信号，对于不同的人，其走路速度、身体各部位的运动情况以及重心等方面都是不同的，因而接收传感器接收的第二声学信号都是不同的，本发明的步态识别装置就是基于这个原理进行的步态识别。

为了获得第二声学信号的参数，处理模块会对第二声学信号按照一定的方式进行处理，进行处理后能够得到第二声学信号的如频谱图等一些显性的图像信息，以方便进行后续处理。

在对第二声学信号进行处理之后，获取模块就能够较方便的获取其参数，选取的参数应能够在最大程度上反映第二声学信号的最明显的特征，以便能够对不同人的步态进行有效识别。

为了便于进行识别，生成模块要在获取参数后将这些参数生成一个特征矢量，以实现将第二声学信号的多个特征进行融合，为后续进行识别的过程奠定基础。

本实施例中采用识别模块使贝叶斯分类器对上述特征矢量进行识别。贝叶斯分类器是一种基于统计学原理的数学方法，通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。该方法分类错误的几率小，适用于步态识别这种对结果准确率要求较高的情况。

为了能够获得第二声学信号的特征参数，本实施例的步态识别装置中的处理模块具体用于：

1、将第二声学信号进行滤波。

本实施例中，为了方便对第二声学信号进行后续处理，采用的滤波方式为低通滤波，滤波后一般还可以进行调制，以降低第二声学信号的中心频率，从而提炼出第二声学信号的主要部分。

2、对滤波后的第二声学信号进行端点检测。

该步骤的目的是去除第二声学信号中的静音部分，由于获取人行走对应的第二声学信号是一个动态过程，第二声学信号中有一部分不是人体行走过程中反射回来的声学信号，即与进行步态识别无关的信号，因此为了提高处理效率，要去除这部分信号，本实施例中采用端点检测的方法进行处理。

3、对进行端点检测后的第二声学信号进行预加重处理。

预加重是一种对信号的高频分量进行补偿的信号处理方式，本实施例中进行预加重处理的目的是提高第二声学信号在输出端的信噪比，避免丢失第二声学信号中的一些有效信息。

4、对进行预加重处理后的第二声学信号进行分帧处理。

为了方便进行傅里叶变换，一般可以对声学信号进行分帧处理，划分出每帧的长度视具体情况而定。

5、对分帧处理后的第二声学信号进行加窗处理。

在处理声学信号时，加窗处理一般和分帧是配合进行的，本实施例中在对第二声学信号进行分帧处理之后，划分出的每一帧与一个适当的窗函数进行相乘，窗函数的选择视具体情况而定。

在处理模块对第二声学信号进行上述处理之后，就可以得到反映步态的第二声学信号的频谱图，根据这个频谱图，就可以由获取模块来获取代表该声学信号的参数，在本实施例中，获取模块包括：第一获取单元，用于获取进行处理后的第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率、第二高功率对应的频率；第二获取单元，用于获取倒谱系数和差分倒谱系数。其中，第二高功率对应的频率是指，在信号的频谱图中，信号波形中除去最大幅值之外的最大幅值所对应的频率。

此外，倒谱系数和差分倒谱系数是分析声学信号提取的常用特征参数，在本实施例中，为了得到倒谱系数和差分倒谱系数，上述第二获取单元具体用于：对进行处理后的第二声学信号进行短时傅里叶变换；对进行短时傅里叶变换后的第二声学信号取对数；对取对数后的第二声学信号进行离散余弦变换，获取倒谱系数；对倒谱系数进行差分计算，获取差分倒谱系数。上述过程是为获取声学信号的倒谱系数以及差分倒谱系数的常用方法，具体过程不再赘述。

在获取模块得到上述参数之后，由生成模块将这些参数形成一个表征第二声学信号的特征矢量，并由识别模块使贝叶斯分类器对生成的特征矢量进行识别，从而实现步态识别。

本发明提供的一种步态识别的装置，首先由发送模块向走路人发送第一声学信号，接收模块接收反射回来的第二声学信号，处理模块对第二声学信号进行预定处理并由获取模块获取其参数，生成模块再将参数生成特征矢量，最后识别模块使贝叶斯分类器对上述特征矢量进行步态识别。该装置从声学角度进行步态识别，对声学信号进行一系列处理，受外部环境的影响较小，并且由于采用声学传感器获取步态的声学信号，因此，该装置的检测范围可随时间情况灵活调整、成本较低并且精度较高，解决了现有技术的如下问题：现有的步态识别的装置适用范围及检测范围较小，识别效果易受外部环境影响，并且步态识别设备运行维护成本较高。

本发明第三实施例提供了一种步态识别的方法，该方法的流程图如图3所示，包括S302至S308：

S302，采集步态对应的反射信号。

在本实施例在，采集反射信号基于多普勒效应来实现，声波的多普勒效应指声源与目标(在本实施例中对应声学传感器与走路人)之间有相对运动时，反射信号的频率有所改变，此种频率的变化称为频移。在具体实现时，声学传感器发出的声波可以是正弦信号，表达式为s(t)＝Asin(2πft)，走路人距离声学传感器的距离为R(t)，并以的速度v(t)走近或远离声学传感器，那么由多普勒效应的原理得知，声学传感器接收到的反射信号可以表示为：

其中，A'和c分别为反射信号的幅值和光速。

并且，由于人的步态是人的胳膊、脚、腿等多个部位的综合表征，因此，当人走向或远离声学传感器时，考虑到人体的j个部位对步态的影响，则声学传感器接收的反射信号可以表示为：

由于每个人走路的速度、重心等因素都不同，因此，由公式(2)得知，每个人的步态的反射信号不同。由于不同的反射信号可以反应不同人的步态，进而可以用来识别人的身份。

在具体实现时，可以采用基于声学传感器的信号采集装置，本实施例中的信号采集装置由四部分组成，即发射传感器、数模转换器、接收传感器、计算机，其组成结构的示意图如图4所示。本实施例中采集装置的发射传感器和接收传感器为参数相同的声学传感器，其参数如表1所示。数模转换器可以采用M-audio-M-track 8。

本实施例中，信号采集装置的具体工作过程是：首先，采用电脑中的Audacity软件生成采样率为96kHz、增益为20dB的正弦信号，正弦信号的谐振频率为40kHz，最小频率和最大频率分别为38kHz和42kHz。进一步，该正弦信号由计算机发送给数模转换器，将数字信号转换为模拟信号。进一步，转换后的模拟信号被发送给发射传感器，并由发射传感器以声波的形式发射出去。进一步，当目标在接收传感器的检测范围内行走时，声学信号将被走路人反射并被接收传感器接收，接收传感器将接收到的信号发送给数模转换器。随后，数模转换器将反射的模拟信号转换为数字信号，并将反射的数字信号传输到计算机中。计算机采用Audacity软件对所有数字反射信号进行脉冲编码调制，并且以波形音频文件格式保存。

表1声学传感器的参数

S304，对声学信号按照预定方式进行处理。

本实施例中，对声学信号按照预定方式进行处理的流程示意图如图5所示，具体过程如下：

首先，将声学信号进行调制并进行低通滤波，获得采样频率为8kHz和16位的信号。调制后，声学信号的中心频率从40kHz变为2kHz。其次，利用端点检测方法来去掉声学信号的静音部分。再次，对声学信号进行预加重处理，以加强声学信号的高频分量。最后，对预加重后的声学信号进行分帧和加窗处理。分帧处理后，声学信号每帧的长度可以是40ms-64ms，采样频率Fs＝8kHz所以每帧中的样本总数为320-512。加窗时，可以采用汉明窗。

S306，生成声学信号的特征矢量。

该步骤的目的是获取反射回来的声学信号的最优特征，以便利用最优特征进行步态识别。最优特征选取的原则是应最大限度地反应不同走路人之间的统计差异，同时，对同一个走路人而言具有不敏感性。反射的声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率、第二高功率对应的频率、倒谱系数和差分倒谱系数。其中第二高功率对应的频率是指，在信号的频谱图中，信号波形中除去最大幅值之外的最大幅值所对应的频率。其中，倒谱系数和差分倒谱系数需要采用数学方法进行计算，其计算过程的示意图如图6所示。将上述8个参数组合成一个行矩阵，就形成了特征矢量。

S308，对特征矢量进行识别。

在进行识别之前，要先对贝叶斯分类器进行训练，训练的过程在概率论的原理上说就是得到先验概率的过程，而训练过程也是要按照本实施例中S302至S306的步骤生成特征矢量，然后将特征矢量输入到贝叶斯分类器中进行训练，采用贝叶斯分类器对测试信号进行分类和识别。

本实施例提供的一种步态识别的方法，首先向走路人发送周期性声学信号，得到反射回来的声学信号，再对反射回来的声学信号进行预定处理获取其参数，再将获取的参数生成特征矢量，最后采用贝叶斯分类器对特征矢量进行步态识别。该方法从声学角度进行步态识别，对声学信号进行一系列处理，受外部环境的影响较小，并且由于采用声学传感器获取步态的声学信号，因此该方法的检测范围可随时间情况灵活调整、成本较低并且精度较高，解决了现有技术的如下问题：现有的步态识别方法适用范围及检测范围较小，识别效果易受外部环境影响，并且步态识别设备运行维护成本较高。

尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (8)

1.一种步态识别的方法，其特征在于，包括：

采用声学发射传感器按照预定周期发送第一声学信号；

采用声学接收传感器接收第二声学信号，其中，所述第二声学信号为所述第一声学信号的回波信号；

对所述第二声学信号进行预定处理；

获取进行预定处理后的第二声学信号的预定参数；

将所述预定参数生成特征矢量；

采用贝叶斯分类器对所述特征矢量进行步态识别。

2.如权利要求1所述的方法，其特征在于，对所述第二声学信号进行预定处理，包括：

将所述第二声学信号进行滤波；

对滤波后的第二声学信号进行端点检测；

对进行端点检测后的第二声学信号进行预加重处理；

对进行预加重处理后的第二声学信号进行分帧处理；

对分帧处理后的第二声学信号进行加窗处理。

3.如权利要求1所述的方法，其特征在于，获取进行预定处理后的第二声学信号的预定参数，包括：

获取进行预定处理后的第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率以及第二高功率对应的频率；

获取倒谱系数和差分倒谱系数。

4.如权利要求3所述的方法，其特征在于，获取倒谱系数和差分倒谱系数，包括：

对所述进行预定处理后的第二声学信号进行短时傅里叶变换；

对进行短时傅里叶变换后的所述第二声学信号取对数；

对取对数后的所述第二声学信号进行离散余弦变换，获取倒谱系数；

对所述倒谱系数进行差分计算，获取所述差分倒谱系数。

5.一种步态识别的装置，其特征在于，包括：

发送模块，用于使声学发射传感器按照预定周期发送第一声学信号；

接收模块，用于使声学接收传感器接收第二声学信号，其中，所述第二声学信号为所述第一声学信号的回波信号；

处理模块，用于对所述第二声学信号进行预定处理；

获取模块，用于获取进行预定处理后的第二声学信号的预定参数；

生成模块，用于将所述预定参数生成特征矢量；

识别模块，用于使贝叶斯分类器对所述特征矢量进行步态识别。

6.如权利要求5所述的装置，其特征在于，所述处理模块，具体用于：

将所述第二声学信号进行滤波；

对滤波后的第二声学信号进行端点检测；

对进行端点检测后的第二声学信号进行预加重处理；

对进行预加重处理后的第二声学信号进行分帧处理；

对分帧处理后的第二声学信号进行加窗处理。

7.如权利要求5所述的装置，其特征在于，所述获取模块，包括：

第一获取单元，用于获取进行预定处理后的第二声学信号的振幅的方差、最大幅值、最小幅值、平均功率、最大功率对应的频率以及第二高功率对应的频率；

第二获取单元，用于获取倒谱系数和差分倒谱系数。

8.如权利要求7所述的装置，其特征在于，所述第二获取单元，具体用于：

对所述进行预定处理后的第二声学信号进行短时傅里叶变换；

对进行短时傅里叶变换后的所述第二声学信号取对数；

对取对数后的所述第二声学信号进行离散余弦变换，获取倒谱系数；

对所述倒谱系数进行差分计算，获取所述差分倒谱系数。