CN111178155A - 基于惯性传感器的步态特征提取和步态识别方法 - Google Patents
基于惯性传感器的步态特征提取和步态识别方法 Download PDFInfo
- Publication number
- CN111178155A CN111178155A CN201911257055.XA CN201911257055A CN111178155A CN 111178155 A CN111178155 A CN 111178155A CN 201911257055 A CN201911257055 A CN 201911257055A CN 111178155 A CN111178155 A CN 111178155A
- Authority
- CN
- China
- Prior art keywords
- gait
- window
- angular velocity
- maximum value
- inertial sensor
- 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
Links
- 230000005021 gait Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 210000003141 lower extremity Anatomy 0.000 abstract 1
- 210000001699 lower leg Anatomy 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 244000309466 calf Species 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009012 visual motion Effects 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (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惯性传感器的步态特征提取和步态识别方法,具体包括如下步骤:步骤1,对步态信号进行预处理;步骤2,对经步骤1处理后的步态信号进行步态关键点检测;步骤3,根据步骤2的检测结果,提取步态周期特征向量;步骤4,对步骤3提取的步态周期特征向量进行PCA‑CCA特征融合;步骤5,对经步骤4融合后的特征向量进行步态识别分类建模。本发明将惯性传感器放置在人体下肢的左右小腿中部以更好地捕捉步态信息,通过基于观测窗口的步态关键点检测方法准确划分步态周期,从而提取相应的加速度和角速度步态特征,通过PCA‑CCA特征融合方法,将角速度特征和加速度特征进行融合,提高了步态识别的准确性。
Description
技术领域
本发明属于计算机技术与应用技术领域,涉及一种基于惯性传感器的步态特征提取和步态识别方法。
背景技术
目前,信息安全越来越受到人们的重视,出于对个人信息的保护,许多与个人信息相关的操作都需要对个人身份进行识别和验证。身份识别技术可以分为非生物特征识别和生物特征识别。前者主要包括PIN码、数字密码、图案密码和密匙等,该类识别方法具有很高的被盗取和篡改的风险。后者则是根据每个人所独有的生物学和行为学特征进行身份验证,主要包括语音识别、虹膜识别、指纹识别、人脸识别和步态识别等。其中,指纹识别、语音识别、虹膜识别和人脸识别技术已经比较成熟和稳定并且应用广泛,相比非生物特征识别安全性要更高。但指纹识别需要人体和使用设备之间有直接的接触,存在被复制的风险,语音识别容易受噪音的干扰,虹膜识别和人脸识别需要近距离才能有效识别,因此,这几种身份识别方法的应用场景均存在一定的局限性。步态是指人的运动姿态,每个人的步态都是不一样的,具有独特性和唯一性,因此步态是一种包含人的身份信息的生物行为特征。步态识别作为一种新兴的生物特征识别技术,具有非接触性、远距离性、隐蔽性、非侵扰性和不易伪装等优点,因而具有很大的研究潜力和应用价值。近年来,随着微机电系统(MEMS)的快速发展,体积小、重量轻、便携、低功耗和低成本的惯性传感器已经被广泛应用在与运动相关的活动当中,这使得人体步态信息的采集变得更加方便和容易,基于步态的身份识别得到了广泛的关注和研究。
目前进行步态识别的方式主要有两种:
(1)基于运动捕捉系统的步态识别。该方法在专门的实验室里采用专业的三维视觉运动捕捉系统获取人体步态信息,虽然客观且精度高,但也具有一些无法克服的缺点:一是该类型的步态分析系统通常只安装在专门的试验室内,测量环境受空间限制,并且成本高昂。二是该类型的步态识别系统的安装和操作过程复杂,需要专业的技术人员进行操作和维护。
(2)基于可穿戴式传感器的步态识别。步态识别研究中最常用的可穿戴传感器主要包括加速度计、陀螺仪、磁力计、倾斜计、测角仪、超声波传感器、肌电图等。惯性传感器是一种包含三轴加速度计和三轴陀螺仪(有时还包括三轴磁力计)在内的电子设备,可以测量和采集加速度和角速度数据。目前,由于惯性传感器具有体积小、重量轻、成本低、隐私保密性好、便携且不容易被发现并能随时随地不受环境影响测量实验数据而受到越来越多研究者的青睐和关注,成为步态识别中使用广泛的传感器。
中国专利(名称:一种步态特征提取方法及基于步态特征的行人身份识别方法,申请号:CN201910295000.1,)公开了一种基于计算机视觉进行步态识别的方法,该方法由于需要通过视觉系统来获取人体步态图像序列,不仅成本比较高,还容易受光线和障碍物等外部环境的影响,同时,采集的图像数据会包含人脸部分,不利于保护个人隐私。
中国专利(名称:一种基于惯性传感器和压力传感器阵列的身份识别系统,申请号:CN201721204558.7)公开一种身份识别系统,该系统中采用的识别方法直接使用提取出的7种步态特征进行步态识别,不仅特征数量较少,而且没有对不同数据的特征进行融合,因而影响了步态识别的准确性。
中国专利(名称:一种基于步态识别的手机身份验证方法,申请号:CN201611186703.3),公开了一种身份验证方法,该方法使用智能手机内集成的加速度计采集人体步态信号从而进行步态识别,由于智能手机放置在口袋时位移变化很大,且加速度的采样速率不稳定,因此对测量得到的加速度的值影响也较大,从而影响了步态周期的准确划分。
上述技术方法在抗干扰性、安全性、准确性和步态周期分割等方面存在一定的不足,导致在步态识别在实际应用中的性能不理想。
发明内容
本发明的目的是提供一种基于惯性传感器的步态特征提取和步态识别方法,该方法将惯性传感器放置在人体下肢的左右小腿中部以更好地捕捉步态信息,通过基于观测窗口的步态关键点检测方法准确划分步态周期,从而提取相应的加速度和角速度步态特征,通过PCA-CCA特征融合方法,将角速度特征和加速度特征进行融合,提高了步态识别的准确性。
本发明所采用的技术方案是,基于惯性传感器的步态特征提取和步态识别方法,具体包括如下步骤:
步骤1,对步态信号进行预处理;
步骤2,对经步骤1处理后的步态信号进行步态关键点检测;
步骤3,根据步骤2的检测结果,提取步态周期特征向量;
步骤4,对步骤3提取的步态周期特征向量进行PCA-CCA特征融合;
步骤5,对经步骤4融合后的特征向量进行步态识别分类建模。
本发明的特征还在于:
步骤1的预处理过程为:对加速度和角速度数据进行滤波处理。
步骤2的具体过程如下:
步骤2.1,基于矢状面角速度信号进行观测窗口划分;
步骤2.2,根据步骤2.1的窗口划分进行步态关键点检测。
步骤2.1的具体过程如下:
对滤波后的矢状面角速度信号进行极大值检测,找出角速度的所有局部最大值点,以局部最大值点做为分割点对矢状面角速度数据进行观测窗口划分,脚着地和脚离地事件落在观测窗口内。
步骤2.1中矢状面角速度信号的极大值检测过程如下:
步骤A,寻找滤波后的角速度最大值,记为ωmax;
步骤C,滑动窗口的局部最大值需满足的条件为:窗口内的最大值大于0.5ωmax;
步骤D,滑动窗口每次记录下当前窗口的最大值,并和上一窗口的局部最大值进行比较;若当前窗口的最大值比上一窗口的最大值大,且两个窗口最大值之间的距离小于w_size,则将上一窗口的局部最大值清除,将当前窗口的局部最大值作为新的局部最大值;
步骤E,重复执行步骤C~D,当滑动窗口内的局部最大值小于等于0.5ωmax时,则跳转至步骤F;
步骤F,若当前窗口的局部最大值和上一窗口的局部最大值之间的距离大于w_size,则保留上一窗口和当前窗口的局部最大值;
步骤G,重复执行步骤C~F,直至检测过程结束。
步骤2.2的具体过程为:将观测窗口划分为两个等长度的不重合的左右子窗口,左子窗口内的最小值对应为脚着地事件,右子窗口内的最小值对应为脚离地事件,在观测窗口内执行一个最小值查找,即可确定脚着地和脚离地这两个步态关键点。
步骤3的具体过程如下:一个步态周期对应为两次脚着地关键点之间的时间,对于同一个步态周期内的加速度和角速度数据,提取均值、方差、标准差、幅值范围、偏度、峰度、和、能量、功率、支撑相比例、摆动相比例,即可获得原始加速度和角速度的步态特征向量。
步骤4的具体过程为:
步骤4.1,对合成加速度和矢状面角速度提取到的特征向量进行标准化;
步骤4.2,使用PCA对加速度和角速度特征向量进行降维;
步骤4.3,对降维后的加速度和角速度特征向量进行CCA特征融合。
步骤5的具体过程为:利用支持向量机、神经网络、逻辑回归算法对融合后的特征向量进行步态识别的分类建模。
本发明的有益效果如下:
(1)本发明提出的于观测窗口的步态关键点检测方法在划分观测窗口后,根据观测窗口的长度进行二分最小值查找,即可准确检测出脚着地和脚离地两个步态关键点,步态关键点可用于步态周期的分割。相比基于阈值的步态周期分割方法来说,本发明所提的方法提高了算法的适用性,即无需设定具体阈值。
(2)本发明提出的基于PCA-CCA技术的特征融合方法,有效地将加速度和角速的信息进行融合,充分利用不同数据之间的相关性信息来进行步态识别,提高了识别算法的准确性。相比于已有方案使用单一的加速度或角速度数据或二者简单的结合进行步态识别来说,本发明所提的方法由于融合不同特征数据,使得算法具有更好的鲁棒性。
附图说明
图1是本发明基于惯性传感器的步态特征提取和步态识别方法的流程图。
图2(a)、(b)是本发明基于惯性传感器的步态特征提取和步态识别方法中步态关键点检测示意图;
图3是本发明基于惯性传感器的步态特征提取和步态识别方法实施例中数据采集示意图;
图4(a)、(b)是本发明基于惯性传感器的步态特征提取和步态识别方法实施例中矢状面角速度信号局部最大值检测示意图;
图5(a)、(b)是本发明基于惯性传感器的步态特征提取和步态识别方法实施例中矢状面角速度信号步态关键点检测方法的检测结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于惯性传感器的步态特征提取和步态识别方法,如图1所示,具体包括如下步骤:
步骤1,对步态信号进行预处理;
预处理是对加速度和角速度数据进行滤波,由于人体跑步活动的频率主要集中在10Hz以下,为了尽可能地保留有用信息不使数据失真,同时滤除高频噪音,本发明使用一个截止频率为20Hz的4阶巴特沃斯低通滤波器对角速度和加速度信号进行滤波。
步骤2,对经步骤1处理后的步态信号进行步态关键点检测;
步态周期具有独特性和唯一性,而步态关键点的准确检测能够准确分割步态周期;步态关键点检测的具体过程如下:
步骤2.1,基于矢状面角速度信号进行观测窗口划分;
在步态识别中,惯性传感器采集到的加速度和角速度信号都呈现出一定的周期性,其中,矢状面的角速度数据周期性最为明显。因此,本发明基于矢状面角速度信号进行观测窗口的划分。对滤波后的矢状面角速度信号进行极大值检测,找出角速度的所有局部最大值点,这些局部最大值点对应为步态周期的摆动相中期。以局部最大值点做为分割点对矢状面角速度数据进行观测窗口划分,脚着地和脚离地事件便落在观测窗口内。
极大值检测过程如下:
步骤A,寻找滤波后的角速度最大值,记为ωmax;
步骤C,滑动窗口的局部最大值需满足的条件为:窗口内的最大值大于0.5ωmax;
步骤D,滑动窗口每次记录下当前窗口的最大值,并和上一窗口的局部最大值进行比较;若当前窗口的最大值比上一窗口的最大值大,且两个窗口最大值之间的距离小于w_size(即距离小于一个滑动窗口长度),则将上一窗口的局部最大值清除,将当前窗口的局部最大值作为新的局部最大值;
步骤E,重复执行步骤C~D,当滑动窗口内的局部最大值小于等于0.5ωmax,时,则跳转至步骤F;
步骤F,若当前窗口的局部最大值和上一窗口的局部最大值之间的距离大于w_size(即距离大于一个滑动窗口长度),则保留上一窗口和当前窗口的局部最大值;
步骤G,重复执行步骤C~F,直至检测过程结束。
步骤2.2,根据步骤2.1的窗口划分进行步态关键点检测。
在矢状面角速度信号中,反映的脚着地事件对应为摆动相中期结束之后出现的局部最小值点,脚离地事件对应为摆动相中期开始之前出现的局部最小值点。根据以上特点,结合划分观测窗口的局部最大值点对应为摆动相中期以及步态时相比例的关系,将观测窗口划分为两个等长度的不重合的左右子窗口,如图2(a)所示,则左子窗口内(图中方框内区域)的最小值对应为脚着地事件,如图2(b)所示,右子窗口内(图中方框内区域)的最小值对应为脚离地事件,因此只需在观测窗口内执行一个最小值查找即可确定脚着地和脚离地这两个步态关键点。
步骤3,根据步骤2的检测结果,提取步态周期特征向量;
在确定步态关键点后即可划分步态周期,一个步态周期对应为两次脚着地关键点之间的时间。对于同一个步态周期内的加速度和角速度数据提取附表1中的参数即可获得原始加速度和角速度的步态特征向量。为较少噪声的干扰,本发明只对合成加速和矢状面角速度数据进行步态周期特征向量的提取,合成加速度提取附表1中的前9个特征,矢状面加速度提取附表1中的全部特征。
表1
步骤4,对步骤3提取的步态周期特征向量进行PCA-CCA特征融合;
CCA(典型关联分析,Canonical Correlation Analysis)是分析两组相互关联的随机变量之间相关性的一种多元统计分析方法,其分别在两组变量中提取有代表性的两个综合变量U和V(分别为两个变量组中各变量的线性组合),利用这两个综合变量之间的相关关系来反映两组变量之间的整体相关性。
设X={x1,x2,...,xp},Y={y1,y2,...,yq}为两个相互关联的随机变量,CCA方法分别寻找X和Y的投影方向a1和b1,使得X和Y在两个投影方向上的向量U1和V1具有最大相关系数ρ(a1,b1),其中
式中,U1和V1是第一对典型变量,可以从X和Y出发继续找出第二对典型变量U2和V2,第三对典型变量U3和V3,......,直到所有的典型变量提取完毕。每对典型变量之间的相关性达到最大,而任意两对典型变量之间不具有相关性,即ρ(Ui,Vi)相关性最大,ρ(Ui,Ui+1)和ρ(Vi,Vi+1)为零。
设X为提取到的加速度特征,Y为提取到的角速度特征,提取前d对典型变量记为U={U1,U2,...,Ud},V={V1,V2,...,Vd},Z表示融合后的特征,将U和V进行拼接则可得到融合后的特征Z。
由于CCA在特征维数较大的时效果不理想,因此在使用之前需要原始特征进行降维。PCA(主成分分析,Principal components analysis)技术在降低特征向量维数的同时,保留了数据的最重要信息,在图像识别、语音识别和自然语言处理等领域都有着广泛和成熟的应用。因此,在执行CCA特征融合之前,先对原始的加速度和角速度特征进行PCA降维。
总体上,借助PCA可以很好的降低的特征向量的维数并保留重要信息,借助CCA可以很好地挖掘两组特征向量之间的相关关系。因此,本发明基于PCA和CCA技术提出了一种有效的PCA-CCA特征融合方法,首先,对合成加速度和矢状面角速度提取到的特征向量进行标准化。然后,使用PCA对加速度和角速度特征向量进行降维。最后,对降维后的加速度和角速度特征向量进行CCA特征融合。
步骤5,对经步骤4融合后的特征向量进行步态识别分类建模。
利用支持向量机(SVM)、神经网络(Neural Networks)、逻辑回归(LogisticRegression)等机器学习算法对融合后的特征向量进行步态识别的分类建模,并对分类结果进行比较和分析。
实施例
本发明使用Shimmer3惯性传感器收集了6实验对象(4男2女)在跑步机上以8km/h的速度跑步2分钟的加速度和角速度数据。惯性传感器放置在志愿者左右小腿中部的位置,如下图附图3所示。
对左右小腿的矢状面角速度信号执行极大值检测方法后,结果如附图4(a)、(b)所示,图4(a)为左小腿矢状面角速度信号局部最大值检测示意图;图4(b)为右小腿矢状面角速度信号局部最大值检测示意图。可以看到,极大值检测能很好的找出局部最大值点,保证了观测窗口的准确划分。
基于观测窗口的步态关键点检测方法的检测结果如下附图5所示,图5(a)表示脚着地步态关键点检测示意图;图5(b)表示脚离地步态关键点检测示意图。可以看到,本发明提出的方法有效地检测出了脚着地和脚离地两个步态关键点。
下面给出步态识别的实验过程和结果。首先是任务描述,我们的步态识别是对于个人的身份进行验证,由于收集了6名实验对象的数据,因此对应的步态识别任务是一个多分类任务,即样本标签有6类。其次是数据的描述,提取了一个志愿者左右双脚的传感器数据,以一个步态周期为一个样本,一个志愿者为一类,最终我们获得的数据量如下附表2所示。最后是实验方法的描述,利用支持向量机(SVM)、神经网络(Neural Networks)、逻辑回归(Logistic Regression)三种机器学习算法对融合后的特征向量进行步态识别的分类建模,并对比没有使用CCA特征融合的实验。为了更好的评估实验结果,随机划分90%的数据作为训练集,10%的数据作为测试集,并重复实验300次,最后将300次实验结果的平均值作为最终的分类结果。实验结果如表3所示。从表3可以看到,本发明提出的方法在三种分类模型中均获得了最好的效果,提高了步态识别的准确性。同时也可以看到,从消耗时间和准确性两个性能指标来综合考虑,高斯核SVM在步态识别中更适用。实验使用sklearn机器学习库,分类算法均使用默认参数。
表2
表3
Claims (9)
1.基于惯性传感器的步态特征提取和步态识别方法,其特征在于:具体包括如下步骤:
步骤1,对步态信号进行预处理;
步骤2,对经步骤1处理后的步态信号进行步态关键点检测;
步骤3,根据步骤2的检测结果,提取步态周期特征向量;
步骤4,对步骤3提取的步态周期特征向量进行PCA-CCA特征融合;
步骤5,对经步骤4融合后的特征向量进行步态识别分类建模。
2.根据权利要求1所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤1的预处理过程为:对加速度和角速度数据进行滤波处理。
3.根据权利要求1所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤2的具体过程如下:
步骤2.1,基于矢状面角速度信号进行观测窗口划分;
步骤2.2,根据步骤2.1的窗口划分进行步态关键点检测。
4.根据权利要求3所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤2.1的具体过程如下:
对滤波后的矢状面角速度信号进行极大值检测,找出角速度的所有局部最大值点,以局部最大值点做为分割点对矢状面角速度数据进行观测窗口划分,脚着地和脚离地事件落在观测窗口内。
5.根据权利要求4所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤2.1中矢状面角速度信号的极大值检测过程如下:
步骤A,寻找滤波后的角速度最大值,记为ωmax;
步骤C,滑动窗口的局部最大值需满足的条件为:窗口内的最大值大于0.5ωmax;
步骤D,滑动窗口每次记录下当前窗口的最大值,并和上一窗口的局部最大值进行比较;若当前窗口的最大值比上一窗口的最大值大,且两个窗口最大值之间的距离小于w_size,则将上一窗口的局部最大值清除,将当前窗口的局部最大值作为新的局部最大值;
步骤E,重复执行步骤C~D,当滑动窗口内的局部最大值小于等于0.5ωmax时,则跳转至步骤F;
步骤F,若当前窗口的局部最大值和上一窗口的局部最大值之间的距离大于w_size,则保留上一窗口和当前窗口的局部最大值;
步骤G,重复执行步骤C~F,直至检测过程结束。
6.根据权利要求3所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤2.2的具体过程为:将观测窗口划分为两个等长度的不重合的左右子窗口,左子窗口内的最小值对应为脚着地事件,右子窗口内的最小值对应为脚离地事件,在观测窗口内执行一个最小值查找,即可确定脚着地和脚离地这两个步态关键点。
7.根据权利要求3所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤3的具体过程如下:一个步态周期对应为两次脚着地关键点之间的时间,对于同一个步态周期内的加速度和角速度数据,提取均值、方差、标准差、幅值范围、偏度、峰度、和、能量、功率、支撑相比例、摆动相比例,即可获得原始加速度和角速度的步态特征向量。
8.根据权利要求3所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤4的具体过程为:
步骤4.1,对合成加速度和矢状面角速度提取到的特征向量进行标准化;
步骤4.2,使用PCA对加速度和角速度特征向量进行降维;
步骤4.3,对降维后的加速度和角速度特征向量进行CCA特征融合。
9.根据权利要求3所述的基于惯性传感器的步态特征提取和步态识别方法,其特征在于:所述步骤5的具体过程为:利用支持向量机、神经网络、逻辑回归算法对融合后的特征向量进行步态识别的分类建模。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257055.XA CN111178155B (zh) | 2019-12-10 | 2019-12-10 | 基于惯性传感器的步态特征提取和步态识别方法 |
PCT/CN2020/129527 WO2021115066A1 (zh) | 2019-12-10 | 2020-11-17 | 基于惯性传感器的步态特征提取和步态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257055.XA CN111178155B (zh) | 2019-12-10 | 2019-12-10 | 基于惯性传感器的步态特征提取和步态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178155A true CN111178155A (zh) | 2020-05-19 |
CN111178155B CN111178155B (zh) | 2024-03-29 |
Family
ID=70651955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911257055.XA Active CN111178155B (zh) | 2019-12-10 | 2019-12-10 | 基于惯性传感器的步态特征提取和步态识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111178155B (zh) |
WO (1) | WO2021115066A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560002A (zh) * | 2021-02-24 | 2021-03-26 | 北京邮电大学 | 基于步态行为的身份认证方法、装置、设备及存储介质 |
WO2021115066A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 基于惯性传感器的步态特征提取和步态识别方法 |
CN113576467A (zh) * | 2021-08-05 | 2021-11-02 | 天津大学 | 融合足底压力传感器和imu的可穿戴实时步态检测系统 |
CN114913595A (zh) * | 2022-04-20 | 2022-08-16 | 中国科学院自动化研究所 | 运动模态识别方法、装置、电子设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705353B (zh) * | 2021-07-30 | 2024-04-02 | 西安交通大学 | 一种基于周期帧全局特征的下肢运动模式识别方法及系统 |
CN114267088B (zh) * | 2022-03-02 | 2022-06-07 | 北京中科睿医信息科技有限公司 | 一种步态信息的处理方法、装置及电子设备 |
CN114840834A (zh) * | 2022-04-14 | 2022-08-02 | 浙江大学 | 一种基于步态特征的隐式身份认证方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102824177A (zh) * | 2012-07-25 | 2012-12-19 | 王哲龙 | 一种三维人体步态定量分析系统和方法 |
KR101501446B1 (ko) * | 2014-07-25 | 2015-03-12 | 연세대학교 산학협력단 | 관성센서와 적외선 카메라를 이용한 보행 측정 장치. |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
US20170343577A1 (en) * | 2016-05-30 | 2017-11-30 | Orange | Determination of a mobility context for a user carrying a device fitted with inertial sensors |
CN108596074A (zh) * | 2018-04-19 | 2018-09-28 | 上海理工大学 | 一种基于惯性传感器的人体下肢动作识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6660110B2 (ja) * | 2015-07-23 | 2020-03-04 | 原田電子工業株式会社 | 歩行解析方法および歩行解析システム |
CN108836346A (zh) * | 2018-04-16 | 2018-11-20 | 大连理工大学 | 一种基于惯性传感器的人体步态分析方法和系统 |
CN109540133B (zh) * | 2018-09-29 | 2020-09-29 | 中国科学院自动化研究所 | 基于微惯性技术的自适应步态划分方法、系统 |
CN111178155B (zh) * | 2019-12-10 | 2024-03-29 | 中国科学院深圳先进技术研究院 | 基于惯性传感器的步态特征提取和步态识别方法 |
-
2019
- 2019-12-10 CN CN201911257055.XA patent/CN111178155B/zh active Active
-
2020
- 2020-11-17 WO PCT/CN2020/129527 patent/WO2021115066A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102824177A (zh) * | 2012-07-25 | 2012-12-19 | 王哲龙 | 一种三维人体步态定量分析系统和方法 |
KR101501446B1 (ko) * | 2014-07-25 | 2015-03-12 | 연세대학교 산학협력단 | 관성센서와 적외선 카메라를 이용한 보행 측정 장치. |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
US20170343577A1 (en) * | 2016-05-30 | 2017-11-30 | Orange | Determination of a mobility context for a user carrying a device fitted with inertial sensors |
CN108596074A (zh) * | 2018-04-19 | 2018-09-28 | 上海理工大学 | 一种基于惯性传感器的人体下肢动作识别方法 |
Non-Patent Citations (2)
Title |
---|
SHUAI ZHENG ET.AL: "A cascade fusion scheme for gait and cumulative foot pressure image recognition", vol. 45, pages 3608 * |
唐晓勤;王怡;刘国光;陈宏志;: "统计降尺度基本原理及其研究进展", 四川林业科技, no. 04 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115066A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 基于惯性传感器的步态特征提取和步态识别方法 |
CN112560002A (zh) * | 2021-02-24 | 2021-03-26 | 北京邮电大学 | 基于步态行为的身份认证方法、装置、设备及存储介质 |
CN112560002B (zh) * | 2021-02-24 | 2021-05-18 | 北京邮电大学 | 基于步态行为的身份认证方法、装置、设备及存储介质 |
CN113576467A (zh) * | 2021-08-05 | 2021-11-02 | 天津大学 | 融合足底压力传感器和imu的可穿戴实时步态检测系统 |
CN114913595A (zh) * | 2022-04-20 | 2022-08-16 | 中国科学院自动化研究所 | 运动模态识别方法、装置、电子设备及存储介质 |
CN114913595B (zh) * | 2022-04-20 | 2023-11-17 | 中国科学院自动化研究所 | 运动模态识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178155B (zh) | 2024-03-29 |
WO2021115066A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178155B (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
Nickel et al. | Classification of acceleration data for biometric gait recognition on mobile devices | |
CN107831907A (zh) | 基于步态识别的身份认证方法及装置 | |
CN106228200B (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
Susi et al. | Accelerometer signal features and classification algorithms for positioning applications | |
CN111089604B (zh) | 基于可穿戴传感器的健身运动识别方法 | |
CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
CN108932504A (zh) | 身份认证方法、装置、电子设备及存储介质 | |
CN107358248B (zh) | 一种提高跌倒检测系统精度的方法 | |
Fernandez-Lopez et al. | Optimizing resources on smartphone gait recognition | |
Hasan et al. | Gait recognition with wearable sensors using modified residual block-based lightweight cnn | |
Ahmad et al. | Smartwatch‐Based Legitimate User Identification for Cloud‐Based Secure Services | |
CN107169334B (zh) | 用于手部可穿戴设备的基于直拳动作检测的用户认证方法 | |
Derawi | Smartphones and biometrics: Gait and activity recognition | |
CN106971203B (zh) | 基于走路特征数据的身份识别方法 | |
CN112966248B (zh) | 非受控步行场景下移动设备的持续身份认证方法 | |
Li et al. | Multi-resolution Fusion Convolutional Network for Open Set Human Activity Recognition | |
Akinfende et al. | Investigation of iris segmentation techniques using active contours for non-cooperative iris recognition | |
US11790073B2 (en) | Vibration signal-based smartwatch authentication method | |
Chakraborty et al. | An approach for designing low cost deep neural network based biometric authentication model for smartphone user | |
Al-Naffakh | A comprehensive evaluation of feature selection for gait recognition using smartwatches | |
CN111428690A (zh) | 一种基于步态信号拓扑分析的身份认证方法 | |
Nemes et al. | Feature learning for accelerometer based gait recognition | |
Geng et al. | Segmentation and Recognition Model for Complex Action Sequences | |
Said et al. | Experimental investigation of human gait recognition database using wearable sensors |
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 |