一种基于加速度传感器的步态身份识别方法

摘要

本发明公开了一种基于加速度传感器的步态身份识别方法，步骤如下：(1)人体步态加速度序列的获取；(2)行走周期的分割与长度归一化；(3)步态加速度信号序列中关键点的提取与描述；(4)关键点分类；(5)身份识别。本发明方法可以有效地利用人体步态加速度信号中的关键信息，对穿戴加速度计的行走者身份进行识别。

权利要求

1.一种基于加速度传感器的步态身份识别方法，步骤如下：

(1)人体步态加速度序列的获取；

通过若干加速度传感器获取用户在自然行走状态下身体若干部位的加速度运动信息，每个加速度传感器所获取的相对于自身的加速度大小被记录为一个单通道时序信号序列，所有加速度传感器获取的单通道时序信号序列构成了步态加速度序列；

(2)行走周期的分割与长度归一化；

将步骤(1)中获得的步态加速度序列中的行走周期分割出来，把每一个检测到的行走周期内的信号归一化到相同的时序长度，得到归一化后的步态加速度序列；

(3)步态加速度信号序列中关键点的提取与描述；

为归一化后的步态加速度序列中的各个通道构造高斯差分尺度空间，将该空间中的局部极值点作为信号关键点提取出来，计算其在行走周期中的相对位置，并构造关键点的描述符；

所述的高斯差分尺度空间由下述方法生成：

i+1 i

di(t)＝x(t)*(g(t，α σ0)-g(t，ασ0))，(1)其中，x是一个步态加速度序列通道，g(t，σ)是标准差为σ的高斯滤波函数，σ0是基础尺度常数，α是等比系数，i为取值整数的索引号；x的高斯差分尺度空间为D(t，i)＝di(t)；

步骤(3)中关键点描述符具有向量形式；该向量由关键点所在步态加速度序列通道上的时域位置临近的信号值组成，其解析表达式为Θ(s)＝(x(s-h)，...，x(s)，...，x(s+h))，(2)其中，s是一个关键点，x(t)是x在点t处的信号值，h是描述符的半边大小；

(4)关键点分类；

对样本集中的所有步态加速度序列与待识别步态加速度序列实施步骤(2)与步骤(3)两步的计算，再以样本集中的步态加速度序列的关键点为训练集，利用最邻近分类器将待识别步态加速度序列的所有关键点分类，并分别赋予分类标签；所述样本集是指通过步骤(1)的操作采集大量用户的步态加速度序列而形成的数据库；

(5)身份识别；

统计待识别步态加速度序列的所有关键点的分类标签，并赋予待识别步态加速度序列与出现次数最多的分类标签一致的身份。

2.根据权利要求1所述的基于加速度传感器的步态身份识别方法，其特征是：步骤(1)中所采用的加速度传感器有任意数目的传感方向，加速度的大小为加速度的二阶范数取值。

3.根据权利要求1所述的基于加速度传感器的步态身份识别方法，其特征是：步骤(2)中的行走周期归一化采用线性插值的方法。

4.根据权利要求1所述的基于加速度传感器的步态身份识别方法，其特征是：步骤(3)中关键点在行走周期中的相对位置，指其相对于其所在行走周期起始点的时域位置。

5.根据权利要求1所述的基于加速度传感器的步态身份识别方法，其特征是：步骤(4)中的最邻近分类器在对处于待识别步态加速度序列第i个通道上的关键点s分类时，以样本集中所有步态加速度序列的第i个通道上的全部关键点为训练集；i为取值整数的索引号。

6.根据权利要求1所述的基于加速度传感器的步态身份识别方法，其特征是：步骤(4)中的最邻近分类器采用的关键点距离度量定义如下其中，s1，s2是两个关键点，Θ(·)与rloc(·)分别是步骤(3)中定义的关键点描述符与关键点在行走周期中的相对位置，δ是限制行走周期中的相对距离的阈值。

说明书

一种基于加速度传感器的步态身份识别方法

技术领域

[0001] 本发明涉及一种基于加速度传感器的步态身份识别方法，尤其涉及一种以信号关键点为步态加速度序列表征手段、以关键点分类与分类标签统计为框架的基于加速度传感器的步态身份识别方法。

背景技术

[0002] 随着智能环境与小型设备的发展，计算普适化成为了一个新兴的概念。这一概念强调，计算要贯穿于日常活动之中，各种个性化的服务也应当以非打扰的方式被提供。实现这一点的基础之一就是对用户身份的自动识别。如今，许多毫米级乃至微米级的小型化传感设别被广泛地应用于我们的日常生活之中。特别地，加速度传感器已经在诸如人体行为识别、手势识别等领域得到了应用。

[0003] 基于加速度传感器的步态身份识别是一个近期才被提出的课题。与身份证件、便携式RFID(无线射频识别)以及诸如脸相、基于视觉的步态、指纹等其他生物特征相比，以加速度传感器为基础的步态特征具有对光照条件不敏感、对视角变化不敏感、对用户无干扰等优势。它既不会丢失，也不会被盗。该课题的现有工作数量很少，大多依赖于平均行走周期之间的直接比较这种一般的信号处理手段，对步态加速度信号特征的利用不充分。

发明内容

[0004] 本发明提供一种以信号关键点为步态加速度序列表征手段、以关键点分类与分类标签统计为框架的基于加速度传感器的步态身份识别方法。

[0005] 一种基于加速度传感器的步态身份识别方法，其步骤如下：

[0006] (1)人体步态加速度序列的获取：

[0007] 通过若干加速度传感器获取用户在自然行走状态下身体若干部位的加速度运动信息，每个加速度传感器所获取的相对于自身的加速度大小被记录为一个单通道时序信号序列，所有加速度传感器获取的单通道时序信号序列构成了步态加速度序列；

[0008] 本步骤中加速度传感器被穿戴在人体若干运动显著的固定部位，均匀同步地获取用户在自然行走状态下身体相应部位的加速度运动信息，每个加速度传感器所获取的相对于自身的加速度大小被记录为一个单通道时序信号序列，各个加速度传感器获取的信号序列一起构成一个同步多通道(在仅加速度传感器数量为1时，则为单通道)的步态加速度序列；

[0009] 步骤(1)中所采用的加速度传感器可以有任意数目的传感方向。对于一个具有τ个传感方向的加速度传感器，其获取到的加速度具有向量形式 加速度大小为该向量的二阶范数

[0010] 步态加速度序列具有形式

[0011]

[0012] 其中，t∈[1，T]是离散时间刻度，T是 持续的时域长度；xi是 的第i个通道，即第i个加速度传感器获得的加速度大小的时序信号序列；c是 的通道数目，即加速度传感器的数目。

[0013] (2)行走周期的分割与长度归一化：

[0014] 将步态加速度序列中的行走周期分割出来，把每一个检测到的行走周期内的信号归一化到相同的时序长度，得到归一化后的步态加速度序列。

[0015] 步骤(2)中的行走周期分割采用如下所述的方法：对于待分割行走周期的步态加速度序列 选择它的一个通道x，并寻找x在每个行走周期中的固有显著谷点(对于由配置在手腕、上臂、腰部、大腿、踝部等处的加速度传感器所采集到的加速度大小信号都具有行走周期内的显著谷点)。以t1，t2，...，tm表示数量为m的上述显著谷点的位置，则 中检测到m-1个行走周期，分别为[ti+1，ti+1]，i＝1，2，...，m-1。

[0016] 对于上述步态加速度序列 各个检测到的行走周期中的信号被通过线性插值的方法归一化到相同的时序长度L，使得ti+1-ti＝L，i＝1，2，...，m。

[0017] (3)步态加速度信号序列中关键点的提取与描述：

[0018] 为归一化后的步态加速度序列中的各个通道构造高斯差分尺度空间，将该空间中的局部极值点作为信号关键点提取出来，计算其在行走周期中的相对位置，并构造关键点的描述符；

[0019] 步骤(3)中的高斯差分尺度空间由下述方法生成：

[0020] di(t)＝x(t)*(g(t，αi+1σ0)-g(t，αiσ0))， (2)

[0021] 其中，x是一个步态加速度序列通道，g(t，σ)是标准差为σ的高斯滤波函数，σ0是基础尺度常数，α是等比系数，i为整数；x的高斯差分尺度空间为D(t，i)＝di(t)，di被称为D的第i个尺度。由于高斯函数g(t，σ)满足如下微分方程

[0022]

[0023] 从而，得到

[0024] d(t，σ)＝(g(t，ασ)-g(t，σ))*x(t)

[0025] (4)

[0026] ≈(α-1)σ2Δtg(t，σ)*x(t)，

[0027] 其中，Δtg(t，σ)是高斯-拉普拉斯函数。这说明，D的各个尺度可以被近似地表2
示为具有相同标准差、以σ 归一化的高斯-拉普拉斯滤波形式。由于具有不同标准差的高斯-拉普拉斯滤波函数之间是可比的，所以D的相邻尺度之间也近似具有可比性。从而，在D上寻找极值点是可行的。如果D(s，j)同时大于(或小于)它的八个邻近点(D(s+e1，j+e2)，e1，e2∈{-1，0，1}且 )，则(s，j)是D的局部极值点，即s是x上的一个关键点。x上所有关键点的集合被表示为S(x)。由于无限高斯差分尺度空间在计算上是不可行的，所以关键点只在有限个尺度上被选取。

[0028] 若关键点s处于行走周期[ta，tb]中，那么它在行走周期中的相对位置为[0029] rloc(s)＝s-ta， (5)

[0030] 即s相对于其所在行走周期起始点的时域位置。

[0031] 关键点描述符为其所在步态加速度序列通道上的时域位置临近的信号值，其解析表达式为

[0032] Θ(s)＝(x(s-h)，...，x(s)，...，x(s+h))， (6)

[0033] 其中，s是一个关键点，x是s所在的通道，x(t)是x在点t处的信号值，h是描述符的半边大小。

[0034] (4)关键点分类：

[0035] 对样本集中的所有步态加速度序列与待识别步态加速度序列实施步骤(2)与步骤(3)两步的计算，再以样本集中的步态加速度序列的关键点为训练集，利用最邻近分类器将待识别步态加速度序列的所有关键点分类，并分别赋予分类标签；

[0036] 步骤(4)中待识别步态加速度序列为 所述样本集是指通过步骤(1)的操作采集大量用户的步态加速度序列而形成的数据库，表示为 其中 是样本步态加速度序列，li是它的身份标签，n是样本步态加速度序列的个数。同时，的第j个通道被表示为aj，的第j个通道被表示为bi，j。对于一个关键点s∈S(aj)，最邻近分类器以为训练集，其中每一个来自bi，j的关键点都具有分类标签li。

[0037] 该最近邻分类器采用的关键点距离度量定义如下

[0038]

[0039] 其中，s1，s2是两个关键点，Θ(·)与rloc(·)分别是步骤(3)中定义的关键点描述符与关键点在步伐周期中的相对位置，δ是限制步伐周期中的相对距离的阈值。时域限制δ使得只有在行走周期中相对位置接近待分类点s的关键点在分类过程中发挥作用。做出这种限制的依据是，相似的关键点通常出现在行走周期中相对位置接近的区域。这样既可以抑制噪声，又可以减少计算量。如果在有限距离内s没有近邻点，那么s就被忽略。

[0040] (5)身份识别：

[0041] 统计待识别步态加速度序列的所有关键点的分类标签，并赋予待识别步态加速度序列与出现次数最多的分类标签一致的身份。

[0042] 步骤(5)中对待识别步态加速度序列 所有关键点的分类标签进行统计，将得到统计直方图(v1，v2，...，vn)，其中vi是li的出现次数。具有身份li的概率被定义为vi/∑jn＝1vj。从而a的身份就被预测为lk，其中

[0043] 本发明方法可以有效地利用人体步态加速度信号中的关键信息，对穿戴加速度计的行走者身份进行识别。

附图说明

[0044] 图1是本发明方法中用户身体上五个Wii Remotes的携带位置示意图。

[0045] 图2是本发明的Wii Remote的携带朝向与加速度传感器坐标系示意图。

[0046] 图3是本发明方法中的步伐周期中固有关键点的搜索过程示意图。

[0047] 图4是本发明方法中的关键点提取过程示意图。

[0048] 图5是本发明的步态身份识别方法与相关度法、曼哈顿距离法、动态时间变形法的积累匹配度比较图。

具体实施方式

[0049] (1)利用 Wii Remote获取人体步态加速度序列 WiiRemote中配有Analog ADXL330轻质三轴加速度传感器。如图1所示，我们将五个Wii Remotes分别配置在用户的右腕、左上臂、腰部右侧、左大腿和右踝处，作为可穿戴加速度传感器；如图2所示，所有的Wii Remotes都按照顶端朝向人体上方，正面紧贴人体的朝向被固定在用户的身上。这五个携带部位既可以被全部使用，也可以被部分地选取；由于人体行走具有对称性，所以携带部位也可以被左右互换。用户不同身体部位的步态加速度被同步地以100Hz的频率均匀采集，并通过蓝牙实时传输至计算机。

[0050] 由Wii Remote获取的相对于自身的加速度具有3维向量的形式其中x，y，z三个坐标轴的朝向如图2所示。不同时刻的加速度大小 (即 的二阶范数)被记录为时序信号序列。假设五个携带位置中的c(＝1，2，3，4，5)个被使用，我们会得到c个加速度大小的时序信号序列。将这些序列合并在一起就可以得到具有如下形式的步态加速度序列

[0051]

[0052] 其中，t∈[1，T]是离散时间刻度，T是 持续的时域长度；xi是 的第i个通道，即第i个加速度传感器获得的加速度大小的时序信号序列。(2)行走周期的分割与长度归一化

[0053] 对于一个步态加速度序列 选择它的一个通道x，并寻找x在每个行走周期中的固有显著谷点。以踝部通道为例，我们先确定一个阈值，利用该阈值将x中的信号从纵向分割开来，再在处于阈值下方的各个存在连续信号的小区间中寻找最小值，进而确定出踝部通道中各行走周期的固有显著谷点。具体地，上述阈值由x的最小值与平均值共同确定为[0054]

[0055] 其中，T是 持续的时域长度；λ∈[0，1]是自适应比例常数，其值取0.45较为合适。如图3所示，以阈值β对x中的信号从纵向分割，在阈值下方会出现存在信号的连续的时域区间。去除其中可能是噪音的过小的区间(比如，长度小于3个采样点的区间)后，假设共剩下了m个区间为u1，u2，...，um。确定这些区间中信号的最小值[0056] i＝1，2，...，m. (3)

[0057] t1，t2，...，tm就是搜索到的m个显著谷点。从而 中检测到m-1个行走周期，分别为[ti+1，ti+1]，i＝1，2，...，m-1。

[0058] 对于上述步态加速度序列 各个检测到的行走周期中的信号被通过线性插值的方法归一化到相同的时序长度L，使得ti+1-ti＝L，i＝1，2，...，m。我们将L取为100。

[0059] (3)步态加速度信号序列中关键点的提取与描述

[0060] A)关键点的提取

[0061] 我们在步态加速度序列的各个通道上提取关键点。假设x是一个步态加速度序列通道，g(t，σ)是标准差为σ的高斯滤波函数，则x的σ-尺度高斯滤波序列为[0062] y(t，σ)＝x(t)*g(t，σ). (4)

[0063] 选取一系列成等比关系的尺度{αiσ0}，其中i∈□，σ0是基础尺度常数，α是等比系数，我们得到一系列相应的高斯滤波序列

[0064] yi＝x(t)*g(t，αiσ). (5)

[0065] 将相邻尺度的高斯滤波序列相减，相应地得到一系列高斯差分滤波序列[0066] di(t)＝yi+1(t)-yi(t)

[0067] ＝x(t)*(g(t，αi+1σ0)-g(t，αiσ0))， (6)

[0068] 将上式定义的高斯差分滤波序列组织起来，可以得到一个x的高斯差分尺度空间为D(t，i)＝di(t)，其中di被称为D的第i个尺度。x上一点s是关键点的充分必要条件是，存在整数j使得(s，j)是D的局部极值点，即D(s，j)同时大于(或小于)它的八个邻近点(D(s+e1，j+e2)，e1，e2∈{-1，0，1}且 )。x上所有关键点的集合被表示为S(x)。由于无限高斯差分尺度空间在计算上是不可行的，所以关键点只在有限个尺度上被选取。我们在σ0＝1，α＝2的参数条件下，选取第d1，d2，d3三个尺度构建D，从而极值点的寻找只需在第二个尺度完成。图4例证了这样的关键点选取过程。

[0069] B)关键点的描述

[0070] 我们定义关键点的两个重要属性：关键点在行走周期中的相对位置与关键点的描述符。

[0071] 关键点在行走周期中的相对位置是其相对于其所在行走周期起始点的时域位置。对于一个处于行走周期[ta，tb]中的关键点s，它在行走周期中的相对位置可以表示为[0072] rloc(s)＝s-ta. (7)

[0073] 关键点的描述符为其所在步态加速度序列通道上的时域位置临近的信号值。对于一个处于步态加速度通道x上的关键点s，其描述符的解析表达式为

[0074] Θ(s)＝(x(s-h)，...，x(s)，...，x(s+h))， (8)

[0075] 其中，x(t)是x在点t处的信号值；h是描述符的半边长度(描述符的长度为2h+1)，我们将其取为10。

[0076] (4)关键点分类

[0077] 给定样本集 其中 是样本步态加速度序列，li是它的身份标签，n是样本步态加速度序列的个数，我们用bi，j表示 的第j个通道；同时，假设 是一个待识别步态加速度序列，aj是 的第j个通道。对于一个关键点s∈S(aj)，我们使用一个最邻近分类器来预测其分类标签。该分类器以 为训练集，其中每一个来自bi，j的关键点都具有分类标签li。

[0078] 该最近邻分类器采用如下关键点距离度量

[0079]

[0080] 其中，s1，s2是两个关键点；Θ(·)是由公式(8)定义的关键点描述符；rloc(·)是由公式(8)定义的关键点在步伐周期中的相对位置；δ是限制步伐周期中的相对距离的阈值，被设置为15。时域限制δ使得只有在行走周期中相对位置接近待分类点s的关键点在分类过程中发挥作用。在计算过程中可以直接将与s距离为无穷大的点从训练集中剔除。如果在有限距离内s没有近邻点，那么s就被忽略。

[0081] (5)身份识别

[0082] 对待识别步态加速度序列 中所有关键点进行分类之后，我们得到分类结果集[0083]

[0084] 统 计 中 的 分 类 结 果，得 到 统 计 直 方 图(v1，v2，...，vn)，其 中n具有身份li的概率为vi/∑j＝1vj，从而我们将 的身份预测为概
率最大的lk，其中

[0085] (6)实验结果

[0086] 我们在一个包含30个实验参与者步态加速度序列的数据集上评估了方法的性能。这一数据集分为两个子集，每个子集都包含每个实验参与者的6个步态加速度序列，这两个子集则是于不同时间采集获得的。这样整个数据集共包含320(6×2×30)个步态加速度序列。我们以数据集的一个子集作为训练集，以另外一个子集为测试集，即双折测试。表1列出了在Wii Remotes被携带在不同位置时的识别率。在手腕、上臂、腰部、大腿、脚踝等
5个位置联合使用时，本发明所公开的方法可以达到96.7％的高识别率。

[0087] 表1步态加速度序列不同通道的身份识别效果

[0088]

[0089] 在图5中，我们比较了本发明的步态身份识别方法与现有的相关度法、曼哈顿距离法、动态时间变形法的积累匹配度。现有方法都单一使用腰部作为加速度传感器的穿戴位置。本发明所公开的方法在同等情况下得到了更好的实验结果。在将加速度传感器配置于下身(腰部、大腿、脚踝)和配置于全部五个备选位置的情况下，本发明所公开的方法都表现了更优越的识别性能。