基于超声波的多设备协同步态感知与身份识别方法

摘要

本发明根据行走路径计算行走方向，按照就近原则选择靠近用户的一个收发器采集到的速度合成用户真实行走速度，分别提取不同的百分位速度以提取细粒度步态特征，通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。基于超声波的多设备协同步态感知与身份识别方法指的是通过部署两对感知设备以弱化行走路径约束，结合不同设备捕捉到的多普勒频谱信息，跟踪用户实时位置、判断行走方向并计算步速，根据用户与两个感知设备位置之间的三角关系进行速度合成得到用户真实速度并提取细粒度步态特征识别用户身份。

权利要求

1.基于超声波的多设备协同步态感知与身份识别方法，其特征在于，包括以下步骤：步骤1：将扬声器和麦克风绑定在一起构成一个收发器，采用两个收发器放置在距离地面60cm高的位置，分别部署在正方形室内区域的正交的两条边；

步骤2：计算机控制两个收发器发射不同频段的信号并接收；

步骤3：对两个收发器采集到的信号分别进行滤波处理；

步骤4：基于滤波后的回波信号，采用基于子带谱熵的端点检测算法提取存在步态信号的片段并对信号进行对齐；

步骤5：通过短时傅里叶变换分析将时域信号片段转换到时频域并根据频谱规律将感知区域分为四个子区域，分别提取躯干速度确定用户位置并跟踪其行走路径；

步骤6：根据行走路径计算行走方向，按照就近原则选择靠近用户的一个收发器采集到的速度合成用户真实行走速度，分别提取不同的百分位速度以提取细粒度步态特征；

步骤7：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份；

步骤5中采用滤波和频谱增强方法，所述滤波和频谱增强方法包括背景噪声阈值滤波、高斯平滑滤波，路径跟踪方法以基于多普勒效应的间接测距方法为基础。

2.根据权利要求1所述的基于超声波的多设备协同步态感知与身份识别方法，其特征在于：步骤2中所述两个收发器发射超声波信号频率分别为18KHz、20KHz，麦克风采集回波信号的采样频率均为48KHz。

3.根据权利要求1所述的基于超声波的多设备协同步态感知与身份识别方法，其特征在于：步骤3所述滤波处理采用的带通和带阻滤波器均为巴特沃斯滤波器，带通滤波器截止频率分别为17.3KHz、19.3KHz，带阻滤波器截止频率分别为17985Hz、18015Hz。

4.根据权利要求1所述的基于超声波的多设备协同步态感知与身份识别方法，其特征在于：步骤4所述基于子带谱熵的端点检测算法是以谱熵为阈值，对信号进行分帧，对于每一帧信号计算子带谱熵，如果连续多帧均低于阈值，将其判定为有效信号，否则丢弃；然后对两段信号补零对齐。

5.根据权利要求1所述的基于超声波的多设备协同步态感知与身份识别方法，其特征在于：步骤6不同百分位速度合成原则为“就近原则”，即选择靠近用户的一个收发器采集到的速度合成用户真实行走速度。

6.根据权利要求1所述的基于超声波的多设备协同步态感知与身份识别方法，其特征在于：步骤7所述的SVM算法为二分类SVM，采用每个人的样本数量为100条，人数为5人。

说明书

基于超声波的多设备协同步态感知与身份识别方法

技术领域

[0001] 本发明涉及基于超声波信号的人体行为感知领域，尤其涉及室内环境下用户行走路径跟踪与细粒度步态感知方法。

背景技术

[0002] 身份识别技术在我们日常生活中扮演着越来越重要的作用，现有市场主流的身份识别技术主要基于计算机视觉图像等技术，以人脸、指纹和虹膜等生物特征为识别依据，在识别时需要用户靠近传感设备采集数据，对光线、距离等因素敏感，因此无法支持远距离身份识别且存在隐私泄露的风险，难以满足光照不足等特殊环境下的身份识别需求。目前已经有许多基于无线信号(Wi‑Fi，雷达等)的新型身份识别方法，然而，由于雷达设备昂贵、WiFi信号对真实环境适应性不强等问题对身份识别场景带来很多困难，超声信号具有传播速度慢等先天优势，可以在身份识别领域得到很好效果，我们在2019年UbiComp发表的《AcousticID:Gait based Human Identification Using Acoustic Signal》文章中提出了一种基于超声信号的步态感知与身份识别方法，可以作为门禁等身份控制系统解决方案，但是该方法的主要缺点在于仅使用单对音频收发设备，并且要求用户在开阔区域直线行走足够距离(2～3m)，很难在家庭或办公室等室内环境提供身份识别服务，因此需要结合多个收发设备研究室内的身份识别方法。

发明内容

[0003] 针对以上缺陷，本发明提供一种可以在家庭或办公室等室内环境提供身份识别服务的、基于超声波的多设备协同步态感知与身份识别方法，本发明的技术方案为：

[0004] 基于超声波的多设备协同步态感知与身份识别方法，包括以下步骤：步骤1：将扬声器和麦克风分绑定在一起构成一个收发器，采用两个收发器放置在距离地面约60cm高的位置，分别部署在正方形室内区域的正交的两条边；

[0005] 步骤2：计算机控制两个收发器发射不同频段的信号并接收；

[0006] 步骤3：对两个收发器采集到的信号分别进行滤波处理；

[0007] 步骤4：基于滤波后的回波信号，采用基于子带谱熵的端点检测算法提取存在步态信号的片段并对信号进行对齐；

[0008] 步骤5：通过短时傅里叶变换分析将时域信号片段转换到时频域并根据频谱规律将感知区域分为四个子区域，分别提取躯干速度确定用户位置并跟踪其行走路径；

[0009] 步骤6：根据行走路径计算行走方向，按照“就近原则”选择靠近用户的一个收发器采集到的速度合成用户真实行走速度，分别提取不同的百分位速度以提取细粒度步态特征；

[0010] 步骤7：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。

[0011] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤2中所述两个收发器发射超声波信号频率分别为18KHz、20KHz，麦克风采集回波信号的采样频率均为48KHz。

[0012] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤3所述带通和带阻滤波器均为巴特沃斯滤波器，带通滤波器截止频率分别为17.3KHz(19.3KHz)、19.3KHz(20.7KHz)，带阻滤波器截止频率分别为17985Hz(19985Hz)、18015Hz(20015KHz)。

[0013] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤4所述基于子带谱熵的端点检测算法是以谱熵为阈值，对信号进行分帧，对于每一帧信号计算子带谱熵，所述连续多帧均低于阈值，将其判定为有效信号，否则丢弃；然后对两段信号补零对齐。

[0014] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，所述的子带谱熵为：

[0015]

[0016] 其中fi为频率，s(fi)为该频率处的能量，pi为概率，H为一帧信号的谱熵。

[0017] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤5所述滤波和频谱增强方法包括背景噪声阈值滤波、高斯平滑滤波，路径跟踪方法以基于多普勒效应的间接测距方法为基础。

[0018] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤6所述不同百分位速度合成原则为“就近原则”，即选择靠近用户的一个收发器采集到的速度合成用户真实行走速度。

[0019] 进一步地，基于超声波的多设备协同步态感知与身份识别方法，步骤7所述的SVM算法为二分类SVM，采用每个人的样本数量为100条，人数为5人。

[0020] 本发明的有益效果为：基于超声波的多设备协同步态感知与身份识别方法指的是通过部署两对感知设备以弱化行走路径约束，结合不同设备捕捉到的多普勒频谱信息，跟踪用户实时位置、判断行走方向并计算步速，根据用户与两个感知设备位置之间的三角关系进行速度合成得到用户真实速度并提取细粒度步态特征识别用户身份。其主要工作内容包括信号采集与预处理、步态特征提取、建立身份识别模型。本文提出的基于超声波的室内用户步态感知与身份识别方法，采用两对音频收发设备作为信号发送端和接收端，按照相互正交的部署方式固定在室内，假设用户行走起点固定并按照直线朝不同方向行走，从两个设备采集到的信号频谱图中提取躯干速度，结合人的初始位置与两个设备的位置实时跟踪用户行走曲线，然后根据“就近原则”选择其中一个设备捕捉到的躯干速度合成真实行走速度并提取步态特征建立身份识别模型。

附图说明

[0021] 图1为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的流程图。

[0022] 图2为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例的架构图。

[0023] 图3为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例中的频移规律图。

[0024] 图4为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例中的区域划分图。

[0025] 图5为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例中的路径跟踪图。

[0026] 图6为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例中的步长的可区分性图。

[0027] 图7为本发明实例中基于超声波的多设备协同步态感知与身份识别方法的实施例中的躯干速度和脚速度图。

具体实施方式

[0028] 以下结合附图，对本发明上述的和另外的技术特征和优点做详细的说明。

[0029] 步骤1：将两对扬声器和麦克风分别绑定在一起形成两个收发器，部署在感知区域内相互正交的位置，每个收发器与地面高度为60cm，为了准确提取步态信息，假设用户行走起点固定(如门口)并尽可能沿着直线行走。整个实验俯视示意图如图2所示。

[0030] 步骤2：使用两台计算机控制两个收发器分别发射和接收信号。为了能够区分两路信号，需要使用不同的发射频率，普通商用设备由于其硬件限制其发射频率不能超过23KHz，本文两个收发器发射频率分别采用18KHz(TX1)、20KHz(TX2)；麦克风采样频率均为
48KHz(RX1、RX2)。

[0031] 步骤3：两个收发设备采集到得信号频率成分主要包括：发射主频、人体行走产生的多普勒频移以及环境中的大量低频噪声。两个收发器的两个麦克风均可以捕捉到各自扬声器发射的声波信号，也可以捕捉到另一个扬声器发射的声波信号，总共可以得到四组回波信号(每个麦克风可以捕捉到两组)，为了计算的准确性，每个麦克风只选取与其绑定扬声器发射的信号，一并去除主频和低频噪声的干扰；采用巴特沃斯带通滤波器得到两个目标频带17.3KHz～18.7KHz、19.3KHz～20.7KHz，推荐滤波器参数为：通带截止频率17.3KHz(19.3KHz)、19.3KHz(20.7KHz)，阶数为10，目标频带的范围根据步态所产生多普勒频移的大小确定，所选范围能包含最大多普勒频移即可；采用巴特沃斯带阻滤波器去除主频附近的频带17985Hz～18015Hz(19985Hz～20015Hz)，推荐滤波器参数为：阻带截止频率17985Hz(19985Hz)、18015Hz(20015KHz)，阶数为10，此截止频率依赖短时傅里叶变换参数，并非绝对，可根据实际进行调整。

[0032] 步骤4：由于两个收发器独立工作，简单滤波后的两路回波信号在时间上不同步，需要对采集到的数据进行对齐，分别使用基于子带谱熵的端点检测算法截取步态信号片段。子带谱熵的端点检测算法使用了子带谱熵为阈值。首先对信号进行分帧，对于每一帧信号计算子带概率和谱熵： 其中fi为频率，s(fi)为该频率处的能量，pi为概率，H为一帧信号的谱熵。检测方法为单参数单门限法，连续多帧信号谱熵值均低于阈值，将其判定为有效信号，否则丢弃；阈值推荐使用谱熵序列最大值得
98％。最后对得到的两段信号补零对齐。

[0033] 步骤5：首先使用短时傅里叶变换将信号转化到频域，根据频谱规律将感知区域分为四个子区域，再根据不同区域的躯干速度提取方法计算两个设备捕捉到的躯干速度跟踪行走路径。推荐短时傅里叶变换参数为：信号帧长为8192个点，即信号长度为170ms，帧重叠7808个点，离散傅里叶变换的点数为8192，信号采样频率为48000Hz；短时傅里叶变换将时域信号转换到时频域得到时频图，为了得到高质量的时频图，先对FFT幅值归一化，再通过二维高斯平滑滤波对时频图进行平滑，最后设定固定阈值去除背景噪声。高斯滤波参数推荐使用：窗口大小为5，σ为1，推荐阈值为‑40dB。区域划分根据两个收发器捕捉到的躯干频谱变化并提取躯干速度，频移规律和区域划分如附图3、4所示。根据频谱图中最大幅值所在频率来计算对应速度，对应表达式为：

[0034]

[0035] 路径跟踪方法如附图5所示，初始位置用(x0,y0)表示，(0,0)和(D0,0)分别表示两对扬声器和麦克风的位置，两者距离为D0,构建一个虚拟二维坐标系，原点为左边一对设备，两个设备之间的连线为x轴，人的初始位置距离两对设备的初始距离分别为D0,1与D0,2，Ts表示计算多普勒频移的时间分辨率8ms，即每隔8ms更新一次用户位置，在经过Ts间隔之后，可以得到用户与两个设备新的距离如下：

[0036]

[0037]

[0038] 其中Fk表示第k个扬声器发射声波的主频率，Fi,k表示第i个采样间期第k个扬声器捕捉到的多普勒频移， 表示人体在第k个扬声器方向的速度分量。

[0039] 在更新用户与两个设备的距离之后，需要更新其当前位置，即以(0,0)和(D,0)为圆心，以D1,1和D1,2为半径的两个圆的交点，交点的计算方法如下：

[0040]

[0041]

[0042] 其中(x1,y1)和(x2,y2)分别表示两个圆的两个交点。根据常识，本文选择靠近初始位置(x0,y0)的交点作为新位置(x1,y1)。上述过程仅为一个时间采样间隔的位置更新，为了跟踪用户行走的整个路径，需要不断重复上述过程。

[0043] 步骤6：用户行走路径与两个设备角度的关系会影响信号质量，如当用户行走方向与设备夹角越大则捕捉到的信息越少。用户真实行走速度可以根据两个躯干速度中的任意一个计算得到，为了尽可能减小误差，根据行走路径计算行走方向，选择靠近用户的一个收发器采集到的速度合成用户真实行走速度(包括躯干速度、脚速度)，然后计算步长、步频等特征，步长的可区分性如附图6所示。为了得到足够步态特征，合成不同百分位速度(从5％‑95％，间隔为10％，共10个速度)，表达式如下：

[0044]

[0045] 其中F(f,t)代表时频图中时刻t，频率f对应幅值，P(f,t)表示t时刻频率低于f的能量之和占总能量的百分比，共得到12个速度，其中躯干速度和脚速度如附图7所示。最后分别计算速度的最大值、最小值、均值和方差等统计特征。

[0046] 步骤7：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。基于步骤6中所提取的共50维步态特征，使用二分类SVM算法为每个用户建立身份模型。使用RBF核函数建立模型，详细参数推荐使用网格搜索方法确定。实验采集了5名志愿者的步态数据，每人采集100条数据(其中每个区域25条数据)，建立模型的过程中，90％的样本作为训练数据集，剩余作为测试数据集。测试时认为所有模型中匹配度最高的模型作为该测试数据的测试结果。

[0047] 以上所述仅为本发明的较佳实施列，对于发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变、修改等，但都将落入本发明的保护范围内。