CN110263514B - 一种物联网可穿戴设备中基于人体行为的身份识别方法 - Google Patents
一种物联网可穿戴设备中基于人体行为的身份识别方法 Download PDFInfo
- Publication number
- CN110263514B CN110263514B CN201910094933.4A CN201910094933A CN110263514B CN 110263514 B CN110263514 B CN 110263514B CN 201910094933 A CN201910094933 A CN 201910094933A CN 110263514 B CN110263514 B CN 110263514B
- Authority
- CN
- China
- Prior art keywords
- frequency
- sequence
- step frequency
- gdb
- behavior characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明公开了一种物联网可穿戴设备中基于人体行为的身份识别方法,可应用于医疗、生活、军工等各个领域。本发明针对目前可穿戴式设备识别的效率低和准确度低的不足,对其进行改进,主要考虑可穿戴式设备的便携性,以及步态分析的较高准确性。本文提出的方法对个人的步频和步长两个特征进行提取,归一化之后,计算步频、步长的累积失真距离,并进行结果的动态判断,同时进行数据库的更新,这样既可以保证设备识别的便携性,又可以保证识别结果的较高准确度。
Description
技术领域
本发明属于物联网领域,具体涉及一种物联网中可穿戴设备的身份识别。
背景技术
物联网是新一代信息技术的重要组成部分,被预测为继互联网之后的第四次科技革命,是一种将人与物,物与物互相联系在一起的信息技术。物联网已经在智慧城市、环保检测、智慧医疗和交通等很多行业得到了广泛的应用。随着对于生活质量要求的不断提高,人们对于电子设备也不仅仅满足于功能的实现,而是要求更加强调人性化的用户体验,更加便携、智能的穿戴式设备作为物联网领域的新兴应用方向逐渐发展起来,例如以Googleglass为代表的智能眼镜、智能手环等,这些可穿戴设备不断地推出市场并迅速得到广大消费者的青睐。
在可穿戴设备上部署了海量的多种类型传感器,每个传感器都是一个信息源,不同类别的传感器捕获的信息内容和信息格式不同。而且传感器获得的信息具有实时性,按一定的频率周期性的采集环境信息,不断更新数据,其目的是实现物与物,物与人的实时连接,方便识别、管理和控制。在可穿戴设备中,为了更人性化的人机交互与更好更安全的用户体验,身份识别无疑是重要的一个分支。当前可穿戴设备的身份识别的主要手段是指纹识别或语音识别,但这会带来更高的功耗与更昂贵的成本。
发明内容
针对目前可穿戴式设备识别的效率低和准确度低的不足,本发明对其进行改进,公开了一种物联网可穿戴设备中基于人体行为的身份识别方法,可应用于医疗、生活、军工等各个领域。
一种物联网可穿戴设备中基于人体行为的身份识别方法,包括如下步骤:
步骤1:将步频F(Frequency)、步长S(Step)划分到n个小区间,得到分布在n个小区间的步频分布序列P(F)、步长分布序列Q(S);Pn表示步频分布在第n个区间的频数,Qn表示步长在第n个区间的频数;
P(F)=[P1,P2,…,Pn] (1)
Q(S)=[Q1,Q2,…,Qn] (2)
步骤2:将步频序列P(F),步长序列Q(S)按照处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S);
步骤3:判断可穿戴设备内部是否存在一个保存设备拥有者的步态行为特征数据库GDB;不存在则建立一个GDB;若存在GDB且GDB中已有数据,转步骤6;
步骤4:计算步频与步长分布在n个区间的权值因子wn,ρn,记录在步频权值数组Weight(F)、步长权值数组Weight(S)中,并保存在步态行为特征数据库GDB中;
步骤5:将步骤2中的数据记录入步态行为特征数据库GDB中,作为待识别的目标人物,记作目标人物步频序列Target(F)=[M1,M2,…,Mn]、目标人物步长序列Target(S)=[N1,N2,…,Nn],识别结束;
步骤6:设定最高识别次数δ;记录识别次数t,初始化值为1;计算步频序列P’(F),步长序列Q’(S)与步态行为特征数据库GDB中的步频序列Target(F)、步长序列Target(S)累积失真距离α,β;
所述步骤6中,具体的,设定最高识别次数δ;记录识别次数t,初始化值为1;由公式(7)、(8)计算步频序列P’(F),步长序列Q’(S与步态行为特征数据库GDB中的步频序列Target(F)、步长序列Target(S)累积失真距离α,β;
其中wi为步态行为特征数据库GDB中步频权值数组Weight(F)的第i个位置的值,ρj为步态行为特征数据库GDB中步长权值数组Weight(S)的第j个位置的值;
步骤7:设定步频、步长特征对身份识别的影响因子分别为σ1、σ2;由公式(9)可计算得到判别因子θ;
θ=σ1*α+σ2*β (9)
步骤8:设定判别因子θ的误差上阈为μ;如果由步骤7中得到的判别因子θ小于上阈值μ,则身份识别通过,识别结束,转入步骤11;
步骤9:若t大于δ,转步骤12;将识别次数t内的所有步频序列、步长序列累加作为参考数据temp,暂存在步态行为特征数据库GDB中;
步骤10:由公式(10)计算i(0<i<t)个统计周期步频、步长累积失真距离的影响因子γi;则t(t<δ)份样本数据新的失真距离α,β由公式(11)和公式(12)计算;识别次数t加1;转步骤7;
其中αi为第i份样本数据的步频累积失真距离,βi为第i份样本数据的步长累积失真距离;
步骤11:识别成功,并将步骤9中保存在步态行为特征数据库GDB中的参考数据temp录入GDB,更新步态行为特征数据库GDB中目标人物的步频分布序列Target(F),步长分布序列Target(S);更新步态行为特征数据库GDB中的步频权值数组Weight(F)、步长权值数组Weight(S);
步骤12:识别结束,识别结果不是目标人物,删除保存在步态行为特征数据库GDB中的参考数据temp。
进一步地,所述步骤2中,具体的,步频序列P(F),步长序列Q(S)按照如下的公式(3)、(4)的处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S);
Pi’=X1+[(X1-X2)*(Pi-min(P(F)))/(max(P(F))-min(P(F)))] (3)
Qj’=Y1+[(Y1-Y2)*(Qj-min(Q(S)))/(max(Q(S))-min(Q(S))] (4)
其中X1,X2,Y1,Y2为自定义的常量;其中min(P(F))代表P(F)中的最小值,max(P(F)代表P(F)中的最大值;其中min(Q(S))代表Q(S)中的最小值,max(Q(S))代表Q(S)中的最大值。
进一步地,所述步骤4中,具体的,由如下的公式(5)、(6)计算步频与步长分布在n个区间的权值因子wn,ρn;
本发明对个人的步频和步长两个特征进行提取,归一化之后,计算步频、步长的累积失真距离,并进行结果的动态判断,同时进行数据库的更新,这样既可以保证设备识别的便携性,又可以保证识别结果的较高准确度。
附图说明
图1为本发明所述身份识别方法的步骤流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种物联网可穿戴设备中基于人体行为的身份识别方法,包括如下步骤:
步骤1:将步频F(Frequency)、步长S(Step)划分到n个小区间,得到分布在n个小区间的步频分布序列P(F)、步长分布序列Q(S);Pn表示步频分布在第n个区间的频数,Qn表示步长在第n个区间的频数。
P(F)=[P1,P2,…,Pn] (1)
Q(S)=[Q1,Q2,…,Qn] (2)
步骤2:将步频序列P(F),步长序列Q(S)按照处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S)。
具体的,步频序列P(F),步长序列Q(S)按照如下的公式(3)、(4)的处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S);
Pi’=X1+[(X1-X2)*(Pi-min(P(F)))/(max(P(F))-min(P(F)))] (3)
Qj’=Y1+[(Y1-Y2)*(Qj-min(Q(S)))/(max(Q(S))-min(Q(S))] (4)
其中X1,X2,Y1,Y2为自定义的常量;其中min(P(F))代表P(F)中的最小值,max(P(F)代表P(F)中的最大值;其中min(Q(S))代表Q(S)中的最小值,max(Q(S))代表Q(S)中的最大值。
步骤3:判断可穿戴设备内部是否存在一个保存设备拥有者的步态行为特征数据库GDB;不存在则建立一个GDB;若存在GDB且GDB中已有数据,转步骤6。
步骤4:计算步频与步长分布在n个区间的权值因子wn,ρn,记录在步频权值数组Weight(F)、步长权值数组Weight(S)中,并保存在步态行为特征数据库GDB中。
具体的,由如下的公式(5)、(6)计算步频与步长分布在n个区间的权值因子wn,ρn;
步骤5:将步骤2中的数据记录入步态行为特征数据库GDB中,作为待识别的目标人物,记作目标人物步频序列Target(F)=[M1,M2,...,Mn]、目标人物步长序列Target(S)=[N1,N2,...,Nn],识别结束。
步骤6:设定最高识别次数δ;记录识别次数t,初始化值为1;由公式(7)、(8)计算步频序列P’(F),步长序列Q’(S)与步态行为特征数据库GDB中的步频序列Target(F)、步长序列Target(S)累积失真距离α,β。
其中wi为步态行为特征数据库GDB中步频权值数组Weight(F)的第i个位置的的值,ρj为步态行为特征数据库GDB中步长权值数组Weight(S)的第j个位置的值。
步骤7:设定步频、步长特征对身份识别的影响因子分别为σ1、σ2;由公式(9)可计算得到判别因子θ。
θ=σ1*α+σ2*β (9)
步骤8:设定判别因子θ的误差上阈为μ;如果由步骤7中得到的判别因子θ小于上阈值μ,则身份识别通过,识别结束,转入步骤11。
步骤9:若t大于δ,转步骤12;将识别次数t内的所有步频序列、步长序列累加作为参考数据temp,暂存在步态行为特征数据库GDB中。
步骤10:由公式(10)计算i(0<i<t)个统计周期步频、步长累积失真距离的影响因子γi;则t(t<δ)份样本数据新的失真距离α,β由公式(11)和公式(12)计算;识别次数t加1;转步骤7。
其中αi为第i份样本数据的步频累积失真距离,βi为第i份样本数据的步长累积失真距离。
步骤11:识别成功,并将步骤9中保存在步态行为特征数据库GDB中的参考数据temp录入GDB,更新步态行为特征数据库GDB中目标人物的步频分布序列Target(F),步长分布序列Target(S);更新步态行为特征数据库GDB中的步频权值数组Weight(F)、步长权值数组Weight(S)。
步骤12:识别结束,识别结果不是目标人物,删除保存在步态行为特征数据库GDB中的参考数据temp。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (3)
1.一种物联网可穿戴设备中基于人体行为的身份识别方法,其特征在于:包括如下步骤:
步骤1:将步频F、步长S划分到n个小区间,得到分布在n个小区间的步频分布序列P(F)、步长分布序列Q(S);Pn表示步频分布在第n个区间的频数,Qn表示步长在第n个区间的频数;
P(F)=[P1,P2,...,Pn] (1)
Q(S)=[Q1,Q2,...,Qn] (2)
步骤2:将步频序列P(F),步长序列Q(S)按照处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S);其中X1,X2,Y1,Y2为自定义的常量;
步骤3:判断可穿戴设备内部是否存在一个保存设备拥有者的步态行为特征数据库GDB;不存在则建立一个GDB;若存在GDB且GDB中已有数据,转步骤6;
步骤4:计算步频与步长分布在n个区间的权值因子wn,ρn,记录在步频权值数组Weight(F)、步长权值数组Weight(S)中,并保存在步态行为特征数据库GDB中;
步骤5:将步骤2中的数据记录入步态行为特征数据库GDB中,作为待识别的目标人物,得到目标人物步频序列Target(F)=[M1,M2,...,Mn]、目标人物步长序列Target(S)=[N1,N2,...,Nn],识别结束;
步骤6:设定最高识别次数δ;记录识别次数t,初始化值为1;计算步频序列P’(F),步长序列Q’(S)与步态行为特征数据库GDB中的步频序列Target(F)、步长序列Target(S)累积失真距离α,β;
具体的,设定最高识别次数6;记录识别次数t,初始化值为1;由公式(7)、(8)计算步频序列P’(F),步长序列Q’(S)与步态行为特征数据库GDB中的步频序列Target(F)、步长序列Target(S)累积失真距离α,β;
其中wi为步态行为特征数据库GDB中步频权值数组Weight(F)的第i个位置的值,ρj为步态行为特征数据库GDB中步长权值数组Weight(S)的第j个位置的值;
步骤7:设定步频、步长特征对身份识别的影响因子分别为σ1、σ2;由公式(9)可计算得到判别因子θ;
θ=σ1*α+σ2*β (9)
步骤8:设定判别因子θ的误差上阈为μ;如果由步骤7中得到的判别因子θ小于上阈值μ,则身份识别通过,识别结束,转入步骤11;
步骤9:若t大于δ,转步骤12;将识别次数t内的所有步频序列、步长序列累加作为参考数据temp,暂存在步态行为特征数据库GDB中;
步骤10:由公式(10)计算i个统计周期步频、步长累积失真距离的影响因子γi,其中0<i<t;则t份样本数据新的失真距离α,β由公式(11)和公式(12)计算,其中t<δ;识别次数t加1;转步骤7;
其中αi为第i份样本数据的步频累积失真距离,βi为第i份样本数据的步长累积失真距离;
步骤11:识别成功,并将步骤9中保存在步态行为特征数据库GDB中的参考数据temp录入GDB,更新步态行为特征数据库GDB中目标人物的步频分布序列Target(F),步长分布序列Target(S);更新步态行为特征数据库GDB中的步频权值数组Weight(F)、步长权值数组Weight(S);
步骤12:识别结束,识别结果不是目标人物,删除保存在步态行为特征数据库GDB中的参考数据temp。
2.根据权利要求1所述的一种物联网可穿戴设备中基于人体行为的身份识别方法,其特征在于:所述步骤2中,具体的,步频序列P(F),步长序列Q(S)按照如下的公式(3)、(4)的处理规则转换到规定区间[X1,X2],[Y1,Y2]上,得到归一化后的步频序列P’(F),步长序列Q’(S);
Pi’(F)=X1+[(X1-X2)*(Pi(F)-min(P(F)))/(max(P(F))-min(P(F)))] (3)
Qj’(S)=Y1+[(Y1-Y2)*(Qj(S)-min(Q(S)))/(max(Q(S))-min(Q(S)))] (4)
其中X1,X2,Y1,Y2为自定义的常量;其中min(P(F))代表P(F)中的最小值,max(P(F)代表P(F)中的最大值;其中min(Q(S))代表Q(S)中的最小值,max(Q(S))代表Q(S)中的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094933.4A CN110263514B (zh) | 2019-01-31 | 2019-01-31 | 一种物联网可穿戴设备中基于人体行为的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094933.4A CN110263514B (zh) | 2019-01-31 | 2019-01-31 | 一种物联网可穿戴设备中基于人体行为的身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263514A CN110263514A (zh) | 2019-09-20 |
CN110263514B true CN110263514B (zh) | 2022-03-15 |
Family
ID=67911717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094933.4A Active CN110263514B (zh) | 2019-01-31 | 2019-01-31 | 一种物联网可穿戴设备中基于人体行为的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263514B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122704A (zh) * | 2017-03-16 | 2017-09-01 | 华南理工大学 | 一种基于运动传感器的步态识别方法 |
CN108836344A (zh) * | 2018-04-26 | 2018-11-20 | 深圳市臻络科技有限公司 | 步长步频估算方法和装置及步态检测仪 |
CN108960072A (zh) * | 2018-06-06 | 2018-12-07 | 华为技术有限公司 | 一种步态识别的方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037419B2 (en) * | 2016-07-11 | 2018-07-31 | Richard James Hallock | System, method, and apparatus for personal identification |
-
2019
- 2019-01-31 CN CN201910094933.4A patent/CN110263514B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122704A (zh) * | 2017-03-16 | 2017-09-01 | 华南理工大学 | 一种基于运动传感器的步态识别方法 |
CN108836344A (zh) * | 2018-04-26 | 2018-11-20 | 深圳市臻络科技有限公司 | 步长步频估算方法和装置及步态检测仪 |
CN108960072A (zh) * | 2018-06-06 | 2018-12-07 | 华为技术有限公司 | 一种步态识别的方法及设备 |
Non-Patent Citations (2)
Title |
---|
"Step Frequency and Perceived Self-Motion";Frank H. Durgin 等;《ACM Transactions on Applied Perception》;20070131;第4卷(第1期);全文 * |
"基于人体动静态特征融合的步态识别算法研究";任胜兵 等;《计算机应用与软件》;20121231;第29卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110263514A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263673B (zh) | 面部表情识别方法、装置、计算机设备及存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
JP5418991B2 (ja) | 個人認証システム、個人認証方法 | |
CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
KR20190106853A (ko) | 텍스트 인식 장치 및 방법 | |
WO2021031817A1 (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN113269070B (zh) | 融合全局和局部特征的行人重识别方法、存储器及处理器 | |
WO2009090584A2 (en) | Method and system for activity recognition and its application in fall detection | |
CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN112330623B (zh) | 电芯极组极片对齐度检测方法和检测装置 | |
CN111931616A (zh) | 基于移动智能终端传感器设备的情绪识别方法及系统 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN111340213A (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN110263514B (zh) | 一种物联网可穿戴设备中基于人体行为的身份识别方法 | |
CN117315237A (zh) | 目标检测模型的确定方法及装置、存储介质 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN110210425A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 |
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 |